Dados de texto do Hello: configurar o projeto e o ambiente

A partir de 15 de setembro de 2024, só será possível personalizar a classificação, a extração de entidades, e os objetivos de análise de sentimento por meio da migração para os comandos e os ajustes do Vertex AI Gemini. O treinamento ou atualização de modelos do AutoML na Vertex AI para classificação de texto, extração de entidades e objetivos de análise de sentimento não estarão mais disponíveis. É possível continuar usando os modelos de AutoML Text na Vertex AI até 15 de junho de 2025. Para uma comparação entre o AutoML Text e o Gemini, consulte Gemini para usuários de texto do AutoML. Para mais informações sobre como o Gemini oferece uma experiência do usuário aprimorada com recursos aprimorados de comandos, consulte Introdução aos ajustes. Para começar a ajustar, consulte Ajuste de modelos de texto do Gemini

.

Para saber mais, execute o notebook Jupyter "Criar, treinar e implantar um modelo de classificação de texto do AutoML" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Se você planeja usar o SDK da Vertex AI para Python, verifique se a conta de serviço que inicializa o cliente tem o papel do IAM do Agente de serviço da Vertex AI (roles/aiplatform.serviceAgent).

Nesta parte do tutorial, você configurará seu projeto do Google Cloud para usar a Vertex AI e um bucket do Cloud Storage que conterá os documentos para treinar seu modelo do AutoML.

Este tutorial tem várias páginas:

1. Como configurar o projeto e o ambiente

2. Como criar um conjunto de dados de classificação de texto .

3. Como treinar um modelo do AutoML de classificação de textos.

4. Implantar o modelo em um endpoint e fazer uma previsão.

5. Como limpar o projeto.

Cada página pressupõe que você já tenha realizado as instruções das páginas anteriores do tutorial.

Configurar o projeto e o ambiente

Conclua as etapas a seguir antes de usar a funcionalidade da Vertex AI.

1. In the Google Cloud console, go to the project selector page.

   Go to project selector

2. 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.

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

4. Abra o Cloud Shell. O Cloud Shell é um ambiente shell interativo para o Google Cloud que permite gerenciar projetos e recursos a partir do navegador da Web.
Acesse o Cloud Shell
5. No Cloud Shell, defina o projeto atual como o ID do projeto do Google Cloud e armazene-o na variável de shell projectid:

     gcloud config set project PROJECT_ID &&
     projectid=PROJECT_ID &&
     echo $projectid

   Substitua PROJECT_ID pelo ID do projeto. Localize o ID do projeto no console do Google Cloud. Para mais informações, consulte Encontrar o ID do projeto.

6. Enable the IAM, Compute Engine, Notebooks, Cloud Storage, and Vertex AI APIs:

   gcloud services enable iam.googleapis.com  compute.googleapis.com notebooks.googleapis.com storage.googleapis.com aiplatform.googleapis.com

7. Grant roles to your user account. Run the following command once for each of the following IAM roles: roles/aiplatform.user, roles/storage.admin

   gcloud projects add-iam-policy-binding PROJECT_ID --member="USER_IDENTIFIER" --role=ROLE

   • Replace PROJECT_ID with your project ID.

   • Replace USER_IDENTIFIER with the identifier for your user account. For example, user:[e-mail].

   • Replace ROLE with each individual role.
O papel do IAM do usuário da Vertex AI (roles/aiplatform.user) do IAM fornece acesso para usar todos os recursos na Vertex AI. O Administrador do Storage (roles/storage.admin) permite armazenar o conjunto de dados de treinamento do documento no Cloud Storage.

Crie um bucket do Cloud Storage e copie o conjunto de dados de amostra

Crie um bucket do Cloud Storage para armazenar os documentos que serão usados para treinar o modelo do AutoML.

1. Abra o Cloud Shell.

2. Defina a variável PROJECT_ID como o ID do seu projeto.

   export PROJECT_ID=PROJECT_ID

3. Defina a variável BUCKET, que você usará para criar um bucket do Cloud Storage.

   export BUCKET=${PROJECT_ID}-lcm

4. Crie um bucket do Cloud Storage na região us-central1 com a variável BUCKET.

   gcloud storage buckets create gs://${BUCKET}/ --project=${PROJECT_ID} --location=us-central1

5. Copie o conjunto de dados de treinamento de amostra happiness.csv para seu bucket.

   gcloud storage cp gs://cloud-ml-data/NL-classification/happiness.csv gs://${BUCKET}/text/ --recursive

A seguir

Siga a próxima página deste tutorial para usar o console da Vertex AI para criar um conjunto de dados de classificação de textos e importar os documentos que você copiou para o bucket do Cloud Storage.