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

A partire dal 15 settembre 2024, puoi personalizzare solo classificazione, estrazione di entità e del sentiment passando ai prompt e all'ottimizzazione di Gemini in Vertex AI. Addestramento o aggiornamento modelli per Vertex AI AutoML per classificazione del testo, estrazione di entità e analisi del sentiment gli obiettivi non saranno più disponibili. Puoi continuare a utilizzare i modelli di testo AutoML di Vertex AI esistenti fino al 15 giugno 2025. Per saperne di più su come Gemini offre un'esperienza utente migliorata tramite funzionalità di prompt migliorate, consulta Introduzione all'ottimizzazione.

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

Aperto in Colab | Aperto in Colab Enterprise | Aperto nei blocchi note gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Se prevedi di utilizzare l'SDK Vertex AI per Python, assicurati che l'account di servizio l'inizializzazione del client ha Agente di servizio Vertex AI (roles/aiplatform.serviceAgent) Ruolo IAM.

Per questa parte del tutorial, configurerai il progetto Google Cloud per utilizzare Vertex AI e un bucket Cloud Storage che contiene i documenti per addestrare un modello AutoML.

Questo tutorial è composto da varie pagine:

1. Configurazione del progetto e dell'ambiente in corso.

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

3. Addestramento di una classificazione di testo AutoML modello.

4. Esegui il deployment del modello a un endpoint e invia una per la previsione.

5. È in corso la pulizia del progetto.

Per ogni pagina si presuppone che tu abbia già eseguito le istruzioni dalla 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. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

4. Apri Cloud Shell. Cloud Shell è un ambiente shell interattivo per Google Cloud che ti consente di gestire progetti e risorse nel browser web.
Vai a Cloud Shell
5. In Cloud Shell, imposta il progetto attuale sul tuo account Google Cloud e archivialo nella shell projectid variabile:

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

   Sostituisci PROJECT_ID con il tuo ID progetto. Puoi Individua il tuo ID progetto nella console Google Cloud. Per ulteriori informazioni, vedi Trova il tuo ID progetto.

6. Abilita le API IAM, Compute Engine, Notebooks, Cloud Storage, and Vertex AI.

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

7. Concedi i ruoli al tuo Account Google. Esegui questo comando una volta per ciascuno dei seguenti ruoli IAM: roles/aiplatform.user, roles/storage.admin

   gcloud projects add-iam-policy-binding PROJECT_ID --member="user:EMAIL_ADDRESS" --role=ROLE

   • Sostituisci PROJECT_ID con l'ID progetto.
   • Sostituisci EMAIL_ADDRESS con il tuo indirizzo email.
   • Sostituisci ROLE con ogni singolo ruolo.
IAM Utente Vertex AI (roles/aiplatform.user) fornisce l'accesso per utilizzare tutte le risorse in Vertex AI. La Amministratore Storage (roles/storage.admin) ti consente di archiviare i dati di addestramento personalizzato 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 che utilizzerai 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 utilizzerai per creare nel bucket Cloud Storage.

   export BUCKET=${PROJECT_ID}-lcm

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

   gsutil mb -p ${PROJECT_ID} -l us-central1 gs://${BUCKET}/

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

   gsutil -m cp -R gs://cloud-ml-data/NL-classification/happiness.csv gs://${BUCKET}/text/

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 importare i documenti che hai copiato nel bucket Cloud Storage.