Gestisci gli errori di quota chiamando ML.GENERATE_TEXT in modo iterativo

Questo tutorial mostra come utilizzare BigQuery bqutil.procedure.bqml_generate_text stored procedure pubblica da ripetere tramite chiamate Funzione ML.GENERATE_TEXT. Chiamare la funzione in modo iterativo ti consente di risolvere eventuali errori non irreversibili che si verificano dovuto al superamento quote e limiti che si applicano la funzione.

Per esaminare il codice sorgente della procedura memorizzata bqutil.procedure.bqml_generate_text su GitHub, consulta bqml_generate_text.sqlx. Per ulteriori informazioni sui parametri e sull'utilizzo delle procedure archiviate, consulta il file README.

Questo tutorial ti guiderà attraverso le seguenti attività:

• La creazione di un modello remoto su un modello gemini-1.5-flash-002.
• Eseguire l'iterazione delle chiamate alla funzione ML.GENERATE_TEXT, utilizzando il modello remoto e la tabella di dati pubblici bigquery-public-data.bbc_news.fulltext con la procedura memorizzata bqutil.procedure.bqml_generate_text.

Autorizzazioni obbligatorie

• Per creare il set di dati, devi disporre dell'autorizzazione bigquery.datasets.create Identity and Access Management (IAM).

• Per creare la risorsa di connessione, sono necessarie le seguenti autorizzazioni IAM:

  • bigquery.connections.create
  • bigquery.connections.get

• Per concedere le autorizzazioni all'account di servizio della connessione, è necessario il seguente autorizzazione:

  • resourcemanager.projects.setIamPolicy

• Per creare il modello, devi disporre delle seguenti autorizzazioni:

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.connections.delegate

• Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:

  • bigquery.models.getData
  • bigquery.jobs.create

Costi

In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:

• BigQuery ML: You incur costs for the data that you process in BigQuery.
• Vertex AI: You incur costs for calls to the Vertex AI model.

Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

Per ulteriori informazioni sui prezzi di BigQuery, consulta Prezzi di BigQuery.

Per ulteriori informazioni sui prezzi di Vertex AI, consulta la pagina relativa ai prezzi di Vertex AI.

Prima di iniziare

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

2. Make sure that billing is enabled for your Google Cloud project.

3. Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.

   Enable the APIs

Crea un set di dati

Crea un set di dati BigQuery per archiviare i modelli e i dati di esempio:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai alla pagina BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea set di dati.

4. Nella pagina Crea set di dati, segui questi passaggi:

   1. In ID set di dati, inserisci sample.

   2. Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

   3. Lascia invariate le restanti impostazioni predefinite e fai clic su Crea il set di dati.

Crea una connessione

Crea una connessione risorsa Cloud e recupera l'ID account di servizio della connessione. Crea la connessione nella stessa posizione del set di dati creato nel passaggio precedente.

Seleziona una delle seguenti opzioni:

Console

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Per creare una connessione, fai clic su Aggiungi e poi fai clic su Connessioni a origini dati esterne.

3. Nell'elenco Tipo di connessione, seleziona Modelli remoti di Vertex AI, funzioni remote e BigLake (risorsa Cloud).

4. Nel campo ID connessione, inserisci un nome per connessione.

5. Fai clic su Crea connessione.

6. Fai clic su Vai alla connessione.

7. Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio da utilizzare in un passaggio successivo.

bq

1. In un ambiente a riga di comando, crea una connessione:

   bq mk --connection --location=REGION --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE CONNECTION_ID

   Il parametro --project_id sostituisce il progetto predefinito.

   Sostituisci quanto segue:

   • REGION: il tuo regione di connessione
   • PROJECT_ID: il tuo ID progetto Google Cloud
   • CONNECTION_ID: un ID per connessione

   Quando crei una risorsa di connessione, BigQuery crea di account di servizio di sistema univoco e lo associa alla connessione.

   Risoluzione dei problemi: se ricevi il seguente errore di connessione, Aggiorna Google Cloud SDK:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Recupera e copia l'ID account di servizio per utilizzarlo in un secondo momento passaggio:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   L'output è simile al seguente:

   name                          properties
   1234.REGION.CONNECTION_ID     {"serviceAccountId": "[e-mail]"}
   

Terraform

Aggiungi la seguente sezione al file main.tf.

 ## This creates a cloud resource connection.
 ## Note: The cloud resource nested object has only one output only field - serviceAccountId.
 resource "google_bigquery_connection" "connection" {
    connection_id = "CONNECTION_ID"
    project = "PROJECT_ID"
    location = "REGION"
    cloud_resource {}
}        

Sostituisci quanto segue:

• CONNECTION_ID: un ID per la connessione
• PROJECT_ID: l'ID del tuo progetto Google Cloud
• REGION: la regione di connessione

Concedi le autorizzazioni all'account di servizio della connessione

Per concedere all'account di servizio della connessione i ruoli appropriati per accedere ai servizi Cloud Storage e Vertex AI:

1. Vai alla sezione IAM e Console di amministrazione.

   Vai a IAM e amministrazione

2. Fai clic su Concedi accesso.

3. Nel campo Nuove entità, inserisci l'ID account di servizio che copiato in precedenza.

4. Nel menu Seleziona un ruolo, scegli Vertex AI > Utente Vertex AI.

5. Fai clic su Salva.

crea il modello di generazione del testo

Crea un modello remoto che rappresenti un modello Vertex AIgemini-1.5-flash-002 ospitato:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai a BigQuery

2. Esegui la seguente istruzione nell'editor query:

   CREATE OR REPLACE MODEL `sample.generate_text`
     REMOTE WITH CONNECTION `LOCATION.CONNECTION_ID`
     OPTIONS (ENDPOINT = 'gemini-1.5-flash-002');

   Sostituisci quanto segue:

   • LOCATION: la posizione della connessione.
   • CONNECTION_ID: l'ID della connessione BigQuery.

     Quando visualizzi i dettagli della connessione nella console Google Cloud, questo è il valore riportato nell'ultima sezione l'ID connessione completo mostrato ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.

   Il completamento della query richiede alcuni secondi, dopodiché il modello generate_text viene visualizzato nel set di dati sample nel riquadro Esplorazione. Poiché la query utilizza un'istruzione CREATE MODEL per creare un modello, non ci sono risultati della query.

Esegui la stored procedure

Esegui la stored procedure bqutil.procedure.bqml_generate_text, che si ripete tramite chiamate alla funzione ML.GENERATE_TEXT utilizzando il modello sample.generate_text Tabella di dati pubblici bigquery-public-data.bbc_news.fulltext:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai a BigQuery

2. Nell'editor di query, esegui la seguente istruzione:

   CALL `bqutil.procedure.bqml_generate_text`(
       "bigquery-public-data.bbc_news.fulltext",   -- source table
       "PROJECT_ID.sample.news_generated_text",  -- destination table
       "PROJECT_ID.sample.generate_text",        -- model
       "body",                                     -- content column
       ["filename"],                               -- key columns
       '{}'                                        -- optional arguments
   );

   Sostituisci PROJECT_ID con l'ID del progetto che stai utilizzando per questo tutorial.

   La stored procedure crea una tabella sample.news_generated_text per contenere l'output della funzione ML.GENERATE_TEXT.

3. Al termine dell'esecuzione della query, verifica che non siano presenti righe nella tabella sample.news_generated_text che contengono un errore ripetibile. Esegui la seguente istruzione nell'editor query:

   SELECT *
   FROM `sample.news_generated_text`
   WHERE ml_generate_text_status LIKE '%A retryable error occurred%';

   La query restituisce il messaggio No data to display.

Esegui la pulizia

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.