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

A partire dal 15 settembre 2024 puoi personalizzare gli obiettivi di classificazione, estrazione delle entità e analisi del sentiment passando ai prompt e all'ottimizzazione di Gemini di Vertex AI. L'addestramento o l'aggiornamento dei modelli per la classificazione del testo, l'estrazione di entità e gli obiettivi di analisi del sentiment di Vertex AI non saranno più disponibili. Puoi continuare a utilizzare i modelli Vertex AI AutoML Text esistenti fino al 15 giugno 2025. Per saperne di più su come Gemini offre un'esperienza utente migliorata attraverso funzionalità di prompt migliorate, consulta Panoramica dell'ottimizzazione del modello per Gemini.

Per saperne di più, esegui il blocco note Jupyter "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 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 che inizializza il client abbia il ruolo IAM Agente di servizio Vertex AI (roles/aiplatform.serviceAgent).

Per questa parte del tutorial, configurerai il progetto Google Cloud in modo da utilizzare Vertex AI e un bucket Cloud Storage contenente i documenti per l'addestramento del tuo 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 un modello di classificazione del testo AutoML.

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

5. È in corso la pulizia del progetto.

Ogni pagina presuppone che tu abbia già eseguito le istruzioni dalle 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 dal tuo browser web.
Vai a Cloud Shell
5. In Cloud Shell, imposta il progetto attuale sul tuo ID progetto Google Cloud e archivialo nella variabile shell projectid:

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

   Sostituisci PROJECT_ID con il tuo ID progetto. Puoi individuare il tuo ID progetto nella console Google Cloud. Per maggiori informazioni, consulta Trovare l'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.
Il ruolo IAM Utente Vertex AI (roles/aiplatform.user) fornisce l'accesso per utilizzare tutte le risorse di Vertex AI. Storage Admin (roles/storage.admin) 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 utilizzerai 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.

   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 e importare i documenti copiati nel bucket Cloud Storage.