Introduzione ai dati di testo: configura il progetto e l'ambiente

A partire dal 15 settembre 2024, potrai personalizzare solo gli obiettivi di classificazione, estrazione di entità e analisi del sentiment passando ai prompt e al tuning di Vertex AI Gemini. L'addestramento o l'aggiornamento dei modelli per Vertex AI AutoML per gli obiettivi di classificazione del testo, estrazione di entità e analisi del sentiment non saranno più disponibili. Puoi continuare a utilizzare i modelli di testo Vertex AI AutoML esistenti fino al 15 giugno 2025. Per un confronto tra AutoML Text e Gemini, consulta Gemini per gli utenti di AutoML Text. Per saperne di più su come Gemini offre un'esperienza utente migliorata grazie a funzionalità di prompt avanzate, consulta Introduzione all'ottimizzazione. Per iniziare a eseguire l'ottimizzazione, consulta Ottimizzazione dei modelli per i modelli di testo Gemini

Per saperne di più, esegui il notebook "Crea, addestra ed esegui il deployment di un modello di classificazione del testo AutoML" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri in Vertex AI Workbench | Visualizza su GitHub

Se prevedi di utilizzare l'SDK Vertex AI per Python, assicurati che il account di servizio che inizializza il client disponga del ruolo IAM agente di servizio Vertex AI (roles/aiplatform.serviceAgent).

Per questa parte del tutorial, configuri il tuo Google Cloud progetto per utilizzare Vertex AI e un bucket Cloud Storage che contiene i documenti per l'addestramento del modello AutoML.

Questo tutorial è composto da più pagine:

1. Configurazione del progetto e dell'ambiente.

2. Creazione di un set di dati di classificazione del testo .

3. Addestramento di un modello di classificazione di testo AutoML.

4. Esegui il deployment del modello in un endpoint e invia una previsione.

5. Pulizia del progetto.

Ogni pagina presuppone che tu abbia già eseguito le istruzioni delle pagine precedenti del tutorial.

Configurazione del progetto e dell'ambiente

Completa i seguenti passaggi prima di utilizzare la funzionalità 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. Apri Cloud Shell. Cloud Shell è un ambiente shell interattivo per Google Cloud che ti consente di gestire progetti e risorse dal browser web.
Vai a Cloud Shell
5. In Cloud Shell, imposta il progetto corrente sul tuo ID progetto Google Cloude archivialo nella variabile di shell projectid:

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

   Sostituisci PROJECT_ID con l'ID progetto. Puoi trovare l'ID progetto nella Google Cloud console. Per ulteriori informazioni, vedi Trovare l'ID progetto.

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

   Enable the APIs

7. Make sure that you have the following role or roles on the project: roles/aiplatform.user, roles/storage.admin

   Check for the roles

   1. In the Google Cloud console, go to the IAM page.

      Go to IAM
   2. Select the project.

   3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

   4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

   Grant the roles

   1. In the Google Cloud console, go to the IAM page.

      Vai a IAM
   2. Seleziona il progetto.
   3. Fai clic su Concedi l'accesso.

   4. Nel campo Nuove entità, inserisci il tuo identificatore utente. In genere si tratta dell'indirizzo email di un Account Google.

   5. Nell'elenco Seleziona un ruolo, seleziona un ruolo.
   6. Per concedere altri ruoli, fai clic su Aggiungi un altro ruolo e aggiungi ogni ruolo aggiuntivo.
   7. Fai clic su Salva.
   Il ruolo IAM Utente Vertex AI (roles/aiplatform.user) fornisce l'accesso per utilizzare tutte le risorse in Vertex AI. Il ruolo Amministratore storage (roles/storage.admin) ti consente di archiviare il set di dati di addestramento del documento in Cloud Storage.

   Crea un bucket Cloud Storage e copia il set di dati di esempio

   Crea un bucket Cloud Storage per archiviare i documenti che utilizzi per addestrare il modello AutoML.

   1. Apri Cloud Shell.

   2. Imposta la variabile PROJECT_ID sull'ID del tuo progetto.

      export PROJECT_ID=PROJECT_ID

   3. Imposta la variabile BUCKET, che utilizzi per creare un bucket Cloud Storage.

      export BUCKET=${PROJECT_ID}-lcm

   4. Crea un bucket Cloud Storage nella regione us-central1 con la variabile BUCKET.

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

   5. Copia il set di dati di addestramento di esempio happiness.csv nel tuo bucket.

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

   Passaggi successivi

   Segui la pagina successiva di questo tutorial per utilizzare la console Vertex AI per creare un set di dati di classificazione del testo e importare i documenti che hai copiato nel bucket Cloud Storage.