Prova i modelli Gemini 1.5, i più recenti modelli multimodali in Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token. di Gemini Advanced. Prova i modelli Gemini 1.5, i più recenti modelli multimodali in Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token.

Questa pagina è stata tradotta dall'API Cloud Translation.

Utilizzo di un account di servizio personalizzato

Questa guida descrive come configurare Vertex AI per utilizzare un servizio personalizzato nei seguenti scenari:

Quando esegui l'addestramento personalizzato, puoi configurare Vertex AI per utilizzare un account di servizio personalizzato del container di addestramento, che si tratti di container predefinito o un container personalizzato container.
Quando esegui il deployment di una risorsa Model con addestramento personalizzato in una risorsa Endpoint per generare previsioni online, puoi configurare Vertex AI in modo da utilizzare un account di servizio personalizzato nel contenitore che genera le previsioni, che si tratti di un contenitore predefinito o di un contenitore personalizzato.
Quando crei un cluster Ray su Vertex AI, puoi impostare un account di servizio personalizzato per tutti i nodi del cluster.

Quando utilizzare un account di servizio personalizzato

Quando viene eseguito, Vertex AI agisce in genere con le autorizzazioni di un di diversi account di servizio creati da Google e gestisce per il tuo progetto Google Cloud. A concedere a Vertex AI un maggiore accesso ad altri servizi Google Cloud in determinati contesti, puoi aggiungere ruoli specifici Servizio Vertex AI agenti.

Tuttavia, la personalizzazione delle autorizzazioni degli agenti di servizio potrebbe non fornire il controllo dell'accesso granulare che preferisci. Ecco alcuni casi d'uso comuni:

Concedere meno autorizzazioni per job e modelli Vertex AI. L'agente di servizio Vertex AI predefinito ha accesso a BigQuery e Cloud Storage.
Consentire a diversi job di accedere a risorse diverse. Potresti voler consentire a molti utenti di avviare job in un unico progetto, ma concedere ai job di ciascun utente l'accesso solo a una determinata tabella BigQuery o a un determinato bucket Cloud Storage.

Ad esempio, potresti voler personalizzare ogni addestramento personalizzato che esegui per avere accesso a vari alle risorse Google Cloud al di fuori del tuo progetto.

Inoltre, la personalizzazione delle autorizzazioni degli agenti di servizio non modifica le autorizzazioni disponibili per un contenitore che pubblica le previsioni di un Model addestrato in base alle esigenze.

Per personalizzare l'accesso ogni volta che esegui l'addestramento personalizzato o per personalizzare autorizzazioni del container di previsione di un Model con addestramento personalizzato, devi usare un account di servizio personalizzato.

Accesso predefinito

Questa sezione descrive l'accesso predefinito disponibile per l'addestramento personalizzato e i container di previsione delle risorse Model con addestramento personalizzato. Quando utilizzi un account di servizio personalizzato, esegui l'override di questo accesso per un account CustomJob, HyperparameterTuningJob, TrainingPipeline o DeployedModel risorsa.

Container di addestramento

Quando crei un CustomJob, un HyperparameterTuningJob o un TrainingPipeline, la formazione del container viene eseguito Agente di servizio codice personalizzato Vertex AI del progetto Google Cloud per impostazione predefinita.

Scopri di più sulle Agente di servizio del codice personalizzato Vertex AI, che include istruzioni su come e gli concediamo l'accesso ad altre risorse Google Cloud.

Container di previsione

Quando esegui il deployment di un Model con addestramento personalizzato in un Endpoint, la previsione il container viene eseguito utilizzando un account di servizio gestito da Vertex AI. Questo è diverso dal servizio Vertex AI agenti.

L'account di servizio utilizzato per impostazione predefinita dal container di previsione dispone dell'autorizzazione per leggere gli artefatti del modello reso disponibile da Vertex AI in un URI archiviato Ambiente AIP_STORAGE_URI variabile. Non fare affidamento per l'account di servizio in modo da avere altre autorizzazioni. Non puoi personalizzare autorizzazioni dell'account di servizio.

Configura un account di servizio personalizzato

Le sezioni seguenti descrivono come configurare un account di servizio personalizzato da utilizzare con Vertex AI e su come configurare un CustomJob, HyperparameterTuningJob, TrainingPipeline o DeployedModel per utilizzare l'account di servizio. Tieni presente che non puoi configurare un account di servizio personalizzato per eseguire il pull di Artifact Registry. Vertex AI utilizza l'account di servizio predefinito eseguire il pull delle immagini.

Configura un account di servizio personalizzato

Per configurare un account di servizio personalizzato:

Creare un servizio gestito dall'utente . L'account di servizio gestito dall'utente può trovarsi nello stesso progetto delle risorse Vertex AI o in un progetto diverso.
Concedi IAM al nuovo account di servizio ruoli che forniscono accesso i servizi e le risorse Google Cloud che vuoi Vertex AI per l'addestramento personalizzato la previsione.
Facoltativo: se l'account di servizio gestito dall'utente si trova in un progetto diverso dei job di addestramento, configurare l'account di servizio gestito dall'utente in modo da poterlo collegare ai tuoi job di addestramento.
Facoltativo: se prevedi di utilizzare anche l'account di servizio gestito dall'utente per previsioni, devi concedere il ruolo Amministratore account di servizio (roles/iam.serviceAccountAdmin) all'agente di servizio Vertex AI del progetto in cui stai utilizzando Vertex AI:
```
gcloud iam service-accounts add-iam-policy-binding \
  --role=roles/iam.serviceAccountAdmin \
  --member=serviceAccount:AI_PLATFORM_SERVICE_AGENT \
  CUSTOM_SERVICE_ACCOUNT
```
Sostituisci quanto segue:
- AI_PLATFORM_SERVICE_AGENT: l'indirizzo email dell'agente di servizio Vertex AI del progetto, che ha il seguente formato:
  
  service-PROJECT_NUMBER@gcp-sa-aiplatform.iam.gserviceaccount.com
  
  Per trovare l'agente di servizio Vertex AI, vai alla pagina IAM nella console Google Cloud.
  
  Vai a IAM
- CUSTOM_SERVICE_ACCOUNT: l'indirizzo email del nuovo e un account di servizio gestito dall'utente che hai creato nel primo passaggio di questa sezione.
Nota: questo comando concede all'agente di servizio Vertex AI del progetto il ruolo Amministratore account di servizio solo per la risorsa account di servizio personalizzato, non per l'intero progetto. Scopri di più su come concedere autorizzazioni al rispetto a quello di progetto.

Specifica un account di servizio personalizzato per le risorse Vertex AI

La procedura di configurazione di Vertex AI per l'utilizzo di un account di servizio specifico per una risorsa è chiamata aggancio dell'account di servizio alla risorsa. La le seguenti sezioni descrivono come collegare l'account di servizio che hai creato nella sezione precedente a diverse risorse Vertex AI.

Collega un account di servizio a una risorsa di addestramento personalizzato

Per configurare Vertex AI in modo che utilizzi il nuovo account di servizio durante l'addestramento personalizzato, specifica l'indirizzo email dell'account di servizio nel Campo serviceAccount di un messaggio CustomJobSpec quando avvii l'addestramento personalizzato. In base al tipo di addestramento personalizzato risorsa che stai creando, il posizionamento di questo campo nella tua richiesta API è diverso:

Se stai creando un CustomJob, specifica l'indirizzo email dell'account di servizio indirizzo in CustomJob.jobSpec.serviceAccount.

Scopri di più sulla creazione di un CustomJob.
Se stai creando un HyperparameterTuningJob, specifica l'indirizzo email dell'account di servizio in HyperparameterTuningJob.trialJobSpec.serviceAccount.

Scopri di più sulla creazione di un HyperparameterTuningJob.
Se stai creando un TrainingPipeline personalizzato senza ottimizzazione degli iperparametri, specifica l'indirizzo email dell'account di servizio in TrainingPipeline.trainingTaskInputs.serviceAccount.
Se stai creando un TrainingPipeline personalizzato con iperparametro dell'ottimizzazione, specifica l'indirizzo email dell'account di servizio TrainingPipeline.trainingTaskInputs.trialJobSpec.serviceAccount.

Collega un account di servizio a un container che fornisce previsioni online

Per configurare il contenitore di previsione di un Model addestrato in modo personalizzato in modo che utilizzi il tuo nuovo account di servizio, specifica l'indirizzo email dell'account di servizio quando esegui il deployment del Model in un Endpoint:

Console

Segui Deployment di un modello utilizzando console Google Cloud. Quando specifichi le impostazioni del modello, seleziona l'account di servizio nell'elenco a discesa Account di servizio.

gcloud

Segui Deployment di un modello utilizzando l'API Vertex AI. Quando esegui il comando gcloud ai endpoints deploy-model, usa il flag --service-account per specifica l'indirizzo email del tuo account di servizio.

Prima di utilizzare uno qualsiasi dei dati di comando riportati di seguito, effettua le seguenti sostituzioni:

ENDPOINT_ID: l'ID dell'endpoint.
LOCATION_ID: la regione in cui stai utilizzando Vertex AI.
MODEL_ID: l'ID del modello di cui eseguire il deployment.
DEPLOYED_MODEL_NAME: un nome per DeployedModel. Puoi utilizzare il nome visualizzato Model anche per DeployedModel.
MACHINE_TYPE: facoltativo. Le risorse della macchina utilizzate per ogni nodo di questo deployment. L'impostazione predefinita è n1-standard-2. Scopri di più sui tipi di macchina.
MIN_REPLICA_COUNT: numero minimo di nodi per questo deployment. Il conteggio dei nodi può essere aumentato o diminuito in base al carico della previsione. fino al numero massimo di nodi e mai meno di questo numero.
MAX_REPLICA_COUNT: il numero massimo di nodi per questo deployment. Il numero di nodi può essere aumentato o diminuito in base al carico della previsione, fino a questo numero di nodi e mai inferiore al numero minimo di nodi.
CUSTOM_SERVICE_ACCOUNT: l'indirizzo email dell'account di servizio . Ad esempio: SA_NAME@PROJECT_ID.iam.gserviceaccount.com.

Esegui la gcloud ai endpoint deploy-model :

Linux, macOS o Cloud Shell

gcloud ai endpoints deploy-model ENDPOINT_ID \
  --region=LOCATION \
  --model=MODEL_ID \
  --display-name=DEPLOYED_MODEL_NAME \
  --machine-type=MACHINE_TYPE \
  --min-replica-count=MIN_REPLICA_COUNT \
  --max-replica-count=MAX_REPLICA_COUNT \
  --traffic-split=0=100 \
  --service-account=CUSTOM_SERVICE_ACCOUNT

Windows (PowerShell)

gcloud ai endpoints deploy-model ENDPOINT_ID `
  --region=LOCATION `
  --model=MODEL_ID `
  --display-name=DEPLOYED_MODEL_NAME `
  --machine-type=MACHINE_TYPE `
  --min-replica-count=MIN_REPLICA_COUNT `
  --max-replica-count=MAX_REPLICA_COUNT `
  --traffic-split=0=100 `
  --service-account=CUSTOM_SERVICE_ACCOUNT

Windows (cmd.exe)

gcloud ai endpoints deploy-model ENDPOINT_ID ^
  --region=LOCATION ^
  --model=MODEL_ID ^
  --display-name=DEPLOYED_MODEL_NAME ^
  --machine-type=MACHINE_TYPE ^
  --min-replica-count=MIN_REPLICA_COUNT ^
  --max-replica-count=MAX_REPLICA_COUNT ^
  --traffic-split=0=100 ^
  --service-account=CUSTOM_SERVICE_ACCOUNT

API

Segui Deployment di un modello utilizzando l'API Vertex AI. Quando invii la projects.locations.endpoints.deployModel richiesta, imposta il deployedModel.serviceAccount campo sull'indirizzo email dell'account di servizio.

Accedi ai servizi Google Cloud nel tuo codice

Se configuri Vertex AI per utilizzare un account di servizio personalizzato seguendo le istruzioni nelle sezioni precedenti, il container di addestramento o il tuo container di previsione possa accedere a qualsiasi servizio le risorse a cui ha accesso l'account di servizio.

Per accedere ai servizi Google Cloud, scrivi il tuo formato o la pubblicazione di previsioni per utilizzare l'impostazione predefinita dell'applicazione di credenziali (ADC) e dati espliciti specifica l'ID o il numero di progetto della risorsa a cui vuoi accedere. Scopri di più su come scrivere il codice per accedere ad altri servizi Google Cloud Google Cloud.

Passaggi successivi

Scopri di più sul controllo dell'accesso per Vertex AI.
Scopri di più sulle autorizzazioni IAM specifiche e sulle le operazioni che supportano.