Datos de texto de Hello: Configura tu proyecto y tu entorno

A partir del 15 de septiembre de 2024, solo podrás personalizar los objetivos de clasificación, extracción de entidades y análisis de opiniones; para ello, deberás migrar a las instrucciones y los ajustes de Gemini de Vertex AI. Los modelos de entrenamiento o actualización de AutoML de Vertex AI para los objetivos de clasificación de texto, extracción de entidades y análisis de opiniones ya no estarán disponibles. Puedes seguir usando los modelos de texto de AutoML de Vertex AI existentes hasta el 15 de junio de 2025. Para comparar el modelo de texto de AutoML y Gemini, consulta Gemini para los usuarios del modelo de texto de AutoML. Para obtener más información acerca de cómo Gemini ofrece una experiencia del usuario mejorada a través de funciones de mensajes mejoradas, consulta Introducción al ajuste. Para comenzar a usar el ajuste, consulta Ajuste de modelos para modelos de texto de Gemini

Para obtener más información, ejecuta el notebook de Jupyter “Crea, entrena e implementa un modelo de clasificación de texto de AutoML” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Si planeas usar el SDK de Vertex AI para Python, asegúrate de que la cuenta de servicio que inicializa el cliente tenga el rol Vertex AI Service Agent (roles/aiplatform.serviceAgent) de IAM.

En esta parte del instructivo, configuras tu proyecto de Google Cloud para usar Vertex AI y un bucket de Cloud Storage que contiene los documentos para entrenar tu modelo de AutoML.

En este instructivo, se incluyen las siguientes páginas:

1. Configura tu proyecto y tu entorno.

2. Crea un conjunto de datos de clasificación de texto.

3. Entrena un modelo de clasificación de texto de AutoML.

4. Implementa el modelo en un extremo y realiza una predicción.

5. Limpia tu proyecto.

En cada página, se supone que ya realizaste las instrucciones de las páginas anteriores del instructivo.

Configure su proyecto y su entorno.

Completa los pasos siguientes antes de usar la funcionalidad de 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. Abre Cloud Shell. Cloud Shell es un entorno de shell interactivo para Google Cloud que te permite administrar proyectos y recursos desde el navegador web.
Ir a Cloud Shell
5. En Cloud Shell, establece el proyecto actual como el ID del proyecto de Google Cloud y guárdalo en la variable de shell projectid:

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

   Reemplaza PROJECT_ID por el ID del proyecto. Puedes ubicar el ID del proyecto en la consola de Google Cloud. Para obtener más información, consulta Encuentra el ID del proyecto.

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.
El rol de usuario de Vertex AI (roles/aiplatform.user) IAM proporciona acceso para usar todos los recursos en Vertex AI. El administrador de almacenamiento (roles/storage.admin) te permite almacenar el conjunto de datos de entrenamiento del documento en Cloud Storage.

Cree un bucket de Cloud Storage y copie el conjunto de datos de muestra

Crea un bucket de Cloud Storage para almacenar los documentos que usas para entrenar tu modelo de AutoML.

1. Abre Cloud Shell.

2. Configura la variable PROJECT_ID como el ID de tu proyecto.

   export PROJECT_ID=PROJECT_ID

3. Configura la variable BUCKET, que usas para crear un bucket de Cloud Storage.

   export BUCKET=${PROJECT_ID}-lcm

4. Crea un bucket de Cloud Storage en la región us-central1 con la variable BUCKET.

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

5. Copia el conjunto de datos de entrenamiento de muestra happiness.csv en tu bucket.

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

¿Qué sigue?

Sigue la página siguiente de este instructivo para usar la consola de Vertex AI a fin de crear un conjunto de datos de clasificación de textos y, luego, importar los documentos que copiaste en tu bucket de Cloud Storage.