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

A partire dal 15 settembre 2024, potrai personalizzare solo gli scopi di classificazione, estrazione di entità e analisi del sentiment passando ai prompt e alla regolazione di Vertex AI Gemini. L'addestramento o l'aggiornamento dei modelli per Vertex AI AutoML per gli scopi di classificazione del testo, estrazione di entità e analisi del sentiment non sarà più disponibile. Puoi continuare a utilizzare i modelli di testo AutoML di Vertex AI 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 tramite funzionalità di prompt avanzate, consulta Introduzione alla regolazione. Per iniziare a utilizzare l'ottimizzazione, consulta Ottimizzazione dei modelli di testo di 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 notebook 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, configura il tuo Google Cloud progetto in modo da utilizzare Vertex AI e un bucket Cloud Storage contenente i documenti per l'addestramento del modello AutoML.

Questo tutorial è composto da diverse pagine:

1. Configurazione del progetto e dell'ambiente.

2. Creazione di un set di dati per la 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. Pulizia del progetto.

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

Configurazione del progetto e dell'ambiente

Completa i passaggi riportati di seguito 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 Google Cloud che ti consente di gestire i tuoi progetti e le tue risorse dal browser web.
Vai a Cloud Shell
5. In Cloud Shell, imposta il progetto corrente sul tuo ID progetto Google Cloud e memorizzalo nella variabile di shellprojectid:

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

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

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: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.
Il ruolo IAM Utente Vertex AI (roles/aiplatform.user) consente di accedere e utilizzare tutte le risorse in Vertex AI. Amministrazione archiviazione (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 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.

   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

Vai alla 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.