Pre-elabora i dati con MLTransform

Questa pagina spiega perché e come utilizzare la funzionalità MLTransform per preparare i dati per l'addestramento dei modelli di machine learning (ML). Abbinando più trasformazioni di elaborazione dei dati in un'unica classe, MLTransform semplifica il processo di applicazione delle operazioni di elaborazione dei dati di Apache Beam ML al tuo flusso di lavoro.

Diagramma del flusso di lavoro ML di Dataflow con il passaggio di elaborazione dei dati evidenziato.

Figura 1. Il flusso di lavoro completo di Dataflow ML. Utilizza MLTransform nel passaggio di pre-elaborazione del flusso di lavoro.

Vantaggi

La classe MLTransform offre i seguenti vantaggi:

  • Trasforma i dati senza scrivere codice complesso o gestire le librerie di base.
  • Genera embedding che puoi utilizzare per inviare dati ai database vettoriali o per eseguire l'inferenza.
  • Collega in modo efficiente più tipi di operazioni di elaborazione con un'unica interfaccia.

Supporto e limitazioni

La classe MLTransform presenta le seguenti limitazioni:

  • Disponibile per le pipeline che utilizzano l'SDK Apache Beam per Python 2.53.0 e versioni successive.
  • Le pipeline devono utilizzare finestre predefinite.

Trasformazioni di embedding di testo:

Trasformazioni di elaborazione dei dati che utilizzano TFT:

  • Supporta Python 3.9, 3.10, 3.11.
  • Supporta le pipeline batch.

Casi d'uso

I notebook di esempio mostrano come utilizzare MLTransform per casi d'uso specifici.

Voglio generare embedding di testo per il mio modello LLM utilizzando Vertex AI
Utilizza la classe MLTransform di Apache Beam con l'API Vertex AI per gli embedding di testo per generare embedding di testo. Gli incorporamenti di testo sono un modo per rappresentare il testo come vettori numerici, il che è necessario per molte attività di elaborazione del linguaggio naturale (NLP).
Voglio generare incorporamenti di testo per il mio LLM utilizzando Hugging Face
Utilizza la classe MLTransform di Apache Beam con i modelli di Hugging Face Hub per generare embedding di testo. Il framework Hugging Face SentenceTransformers utilizza Python per generare embedding di frasi, testo e immagini.
Voglio calcolare un vocabolario da un set di dati
Calcola un vocabolario univoco da un set di dati e poi mappa ogni parola o token a un indice intero distinto. Utilizza questa trasformazione per convertire i dati di testo in rappresentazioni numeriche per le attività di machine learning.
Voglio scalare i miei dati per addestrare il mio modello ML
Escala i dati in modo da poterli utilizzare per addestrare il modello ML. La classe MLTransform di Apache Beam include più trasformazioni di scalabilità dei dati.

Per un elenco completo delle trasformazioni disponibili, consulta Transforms nella documentazione di Apache Beam.

Utilizzare MLTransform

Per utilizzare la classe MLTransform per pre-elaborare i dati, includi il seguente codice nella pipeline:

  import apache_beam as beam
  from apache_beam.ml.transforms.base import MLTransform
  from apache_beam.ml.transforms.tft import TRANSFORM_NAME
  import tempfile

  data = [
      {
          DATA
      },
  ]

  artifact_location = gs://BUCKET_NAME
  TRANSFORM_FUNCTION_NAME = TRANSFORM_NAME(columns=['x'])

  with beam.Pipeline() as p:
    transformed_data = (
        p
        | beam.Create(data)
        | MLTransform(write_artifact_location=artifact_location).with_transform(
            TRANSFORM_FUNCTION_NAME)
        | beam.Map(print))

Sostituisci i seguenti valori:

  • TRANSFORM_NAME: il nome della trasformazione da utilizzare
  • BCUKET_NAME: il nome del bucket Cloud Storage
  • DATA: i dati di input da trasformare
  • TRANSFORM_FUNCTION_NAME: il nome assegnato alla funzione di trasformazione nel codice

Passaggi successivi