Ottimizza le rappresentazioni distribuite del testo

Questa pagina mostra come ottimizzare i modelli di incorporamento del testo come textembedding-gecko e textembedding-gecko-multilingual.

I modelli di incorporamento di base sono preaddestrati su un enorme set di dati di testo, fornendo una solida base di riferimento per molte attività. Per scenari che richiedono conoscenze specialistiche o prestazioni altamente personalizzate, l'ottimizzazione del modello consente di perfezionare le rappresentazioni del modello utilizzando i dati pertinenti. L'ottimizzazione è supportata per le versioni stabili dei modelli textembedding-gecko e textembedding-gecko-multilingual.

I modelli di incorporamento del testo supportano l'ottimizzazione supervisionata. L'ottimizzazione supervisionata utilizza esempi etichettati che dimostrano il tipo di output che preferisci dal modello di incorporamento del testo durante l'inferenza.

Per scoprire di più sull'ottimizzazione del modello, consulta Come funziona l'ottimizzazione del modello.

Miglioramento della qualità previsto

Vertex AI utilizza un metodo di ottimizzazione efficiente dei parametri per la personalizzazione. Questa metodologia mostra incrementi di qualità significativi fino al 41% (in media il 12%) sugli esperimenti eseguiti su set di dati di benchmark per il recupero pubblico.

Caso d'uso per ottimizzare un modello di incorporamento

L'ottimizzazione di un modello di incorporamenti di testo può consentire al modello di adattarsi agli incorporamenti a un dominio o a un'attività specifici. Ciò può essere utile se il modello di incorporamenti preaddestrato non è adatto alle tue esigenze specifiche. Ad esempio, potresti ottimizzare un modello di incorporamento su un set di dati specifico di ticket di assistenza clienti per la tua azienda. Ciò può aiutare un chatbot a comprendere i diversi tipi di problemi che i clienti riscontrano con l'assistenza clienti e ad essere in grado di rispondere alle loro domande in modo più efficace. Senza l'ottimizzazione, il modello non conosce le specifiche dei ticket di assistenza clienti o le soluzioni a problemi specifici del prodotto.

Flusso di lavoro di ottimizzazione

Il flusso di lavoro di ottimizzazione del modello su Vertex AI per textembedding-gecko e textembedding-gecko-multilingual è il seguente:

  • Prepara il set di dati di ottimizzazione del modello.
  • Caricare il set di dati di ottimizzazione del modello in un bucket Cloud Storage.
  • Configurare il progetto per Vertex AI Pipelines.
  • Creare un job di ottimizzazione del modello.
  • Eseguire il deployment del modello ottimizzato su un endpoint Vertex AI con lo stesso nome. A differenza dei job di ottimizzazione dei modelli di testo o Codey, un job di ottimizzazione dell'incorporamento del testo non esegue il deployment dei modelli ottimizzati su un endpoint Vertex AI.

prepara il set di dati degli incorporamenti

Il set di dati utilizzato per ottimizzare un modello di incorporamenti include dati allineati con l'attività che il modello deve eseguire.

Formato del set di dati per l'ottimizzazione di un modello di incorporamenti

Il set di dati di addestramento è costituito dai seguenti file, che devono essere in Cloud Storage. Il percorso dei file viene definito dai parametri quando viene avviata la pipeline di ottimizzazione. I tre tipi di file sono il file del corpo, il file di query e le etichette. Sono necessarie solo le etichette di addestramento, ma puoi anche fornire etichette di convalida e test per un maggiore controllo.

  • File corpus: il percorso è definito dal parametro corpus_path. È un file JSONL in cui ogni riga contiene i campi _id, title e text con valori di stringa. _id e text sono obbligatori, mentre title è facoltativo. Ecco un file corpus.jsonl di esempio:

    {"_id": "doc1", "title": "Get an introduction to generative AI on Vertex AI", "text": "Vertex AI's Generative AI Studio offers a Google Cloud console tool for rapidly prototyping and testing generative AI models. Learn how you can use Generative AI Studio to test models using prompt samples, design and save prompts, tune a foundation model, and convert between speech and text."}
{"_id": "doc2", "title": "Use gen AI for summarization, classification, and extraction", "text": "Learn how to create text prompts for handling any number of tasks with Vertex AI's generative AI support. Some of the most common tasks are classification, summarization, and extraction. Vertex AI's PaLM API for text lets you design prompts with flexibility in terms of their structure and format."}
{"_id": "doc3", "title": "Custom ML training overview and documentation", "text": "Get an overview of the custom training workflow in Vertex AI, the benefits of custom training, and the various training options that are available. This page also details every step involved in the ML training workflow from preparing data to predictions."}
{"_id": "doc4", "text": "Text embeddings are useful for clustering, information retrieval, retrieval-augmented generation (RAG), and more."}
{"_id": "doc5", "title": "Text embedding tuning", "text": "Google's text embedding models can be tuned on Vertex AI."}

  • File di query: il file di query contiene le tue query di esempio. Il percorso è definito dal parametro queries_path. Il file delle query è in formato JSONL e contiene gli stessi campi del file del corpus. Ecco un file queries.jsonl di esempio:

    {"_id": "query1", "text": "Does Vertex support generative AI?"}
{"_id": "query2", "text": "What can I do with Vertex GenAI offerings?"}
{"_id": "query3", "text": "How do I train my models using Vertex?"}
{"_id": "query4", "text": "What is a text embedding?"}
{"_id": "query5", "text": "Can text embedding models be tuned on Vertex?"}
{"_id": "query6", "text": "embeddings"}
{"_id": "query7", "text": "embeddings for rag"}
{"_id": "query8", "text": "custom model training"}
{"_id": "query9", "text": "Google Cloud PaLM API"}

  • Etichette di addestramento: il percorso è definito dal parametro train_label_path. train_label_path è l'URI Cloud Storage della posizione dei dati dell'etichetta di addestramento e viene specificato al momento della creazione del job di ottimizzazione. Le etichette devono essere un file TSV con un'intestazione. Un sottoinsieme delle query e il corpus devono essere inclusi nel file delle etichette di addestramento. Il file deve avere le colonne query-id, corpus-id e score. query-id è una stringa che corrisponde alla chiave _id del file di query, corpus-id è una stringa che corrisponde a _id nel file del corpus. Score è un valore intero non negativo. Un punteggio maggiore di zero indica che il documento è correlato alla query. Numeri più alti indicano un maggiore livello di pertinenza. Se il punteggio viene omesso, il valore predefinito è 1. Ecco un file train_labels.tsv di esempio:

    query-id  corpus-id   score
query1    doc1    1
query2    doc2    1
query3    doc3    2
query3    doc5  1
query4    doc4  1
query4    doc5  1
query5    doc5  2
query6    doc4  1
query6    doc5  1
query7    doc4  1
query8    doc3  1
query9    doc2  1

  • Etichette di test: facoltative. Le etichette di test hanno lo stesso formato delle etichette di addestramento e sono specificate dal parametro test_label_path. Se non viene fornito alcun valore test_label_path, le etichette di test verranno divise automaticamente dalle etichette di addestramento.

  • Etichette di convalida: facoltative. Le etichette di convalida hanno lo stesso formato delle etichette di addestramento e sono specificate dal parametro validation_label_path. Se non viene fornito alcun validation_label_path, le etichette di convalida verranno divise automaticamente dalle etichette di addestramento.

Requisiti per le dimensioni del set di dati

I file di set di dati forniti devono soddisfare i seguenti vincoli:

  • Il numero di query deve essere compreso tra 9 e 40.000.
  • Il numero di documenti nel corpus deve essere compreso tra 9 e 500.000.
  • Ogni file di etichette del set di dati deve includere almeno tre ID query e, in tutti i segmenti del set di dati, almeno 9 ID query.
  • Il numero totale di etichette deve essere inferiore a 500.000.

Configura il tuo progetto per Vertex AI Pipelines

L'ottimizzazione viene eseguita all'interno del progetto utilizzando la piattaforma Vertex AI Pipelines.

Configurazione delle autorizzazioni

La pipeline esegue il codice di addestramento sotto due agenti di servizio. A questi agenti di servizio devono essere assegnati ruoli specifici per poter iniziare l'addestramento utilizzando il progetto e il set di dati.

Account di servizio predefinito Compute Engine
PROJECT_NUMBER-compute@developer.gserviceaccount.com

Questo account di servizio richiede:

  • Storage Object Viewer accesso a ogni file di set di dati che hai creato in Cloud Storage.

  • Accesso Storage Object User alla directory Cloud Storage di output della pipeline, PIPELINE_OUTPUT_DIRECTORY.

  • Accesso di Vertex AI User al progetto.

Invece dell'account di servizio predefinito di Compute Engine, puoi specificare un account di servizio personalizzato. Per ulteriori informazioni, consulta Configurare un account di servizio con autorizzazioni granulari.

Agente di servizio ottimizzazione Vertex AI
service-PROJECT_NUMBER@gcp-sa-aiplatform-ft.iam.gserviceaccount.com

Questo account di servizio richiede:

  • Storage Object Viewer accesso a ogni file di set di dati che hai creato in Cloud Storage.

  • Accesso Storage Object User alla directory Cloud Storage di output della pipeline, PIPELINE_OUTPUT_DIRECTORY.

Per saperne di più sulla configurazione delle autorizzazioni per i set di dati Cloud Storage, consulta Configurare un bucket Cloud Storage per gli artefatti della pipeline.

Utilizzo degli acceleratori

L'ottimizzazione richiede acceleratori GPU. Per la pipeline di ottimizzazione dell'incorporamento del testo può essere utilizzato uno qualsiasi dei seguenti acceleratori:

  • NVIDIA_L4
  • NVIDIA_TESLA_A100
  • NVIDIA_TESLA_T4
  • NVIDIA_TESLA_V100
  • NVIDIA_TESLA_P100

L'avvio di un job di ottimizzazione richiede una quota Restricted image training GPUs adeguata per il tipo di acceleratore e la regione selezionati, ad esempio Restricted image training Nvidia V100 GPUs per region. Per aumentare la quota del tuo progetto, consulta Richiedere una quota aggiuntiva.

Non tutti gli acceleratori sono disponibili in tutte le regioni. Per saperne di più, consulta Utilizzo degli acceleratori in Vertex AI.

Crea un job di ottimizzazione del modello di incorporamento

Puoi creare un job di ottimizzazione di un modello di incorporamento utilizzando la console Google Cloud, l'API REST o le librerie client.

REST

Per creare un job di ottimizzazione del modello di incorporamento, utilizza il metodo projects.locations.pipelineJobs.create.

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • PROJECT_ID: l'ID del tuo progetto Google Cloud.
  • PIPELINE_OUTPUT_DIRECTORY: percorso degli artefatti di output della pipeline, che inizia con "gs://".

Metodo HTTP e URL: 

POST https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/pipelineJobs

Corpo JSON della richiesta: 

{
  "displayName": "tune_text_embeddings_model_sample",
  "runtimeConfig": {
    "gcsOutputDirectory": "PIPELINE_OUTPUT_DIRECTORY",
    "parameterValues": {
      "corpus_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl",
      "queries_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl",
      "train_label_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv",
      "test_label_path": "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv",
      "base_model_version_id":"text-embedding-004",
      "task_type": "DEFAULT",
      "batch_size": "128",
      "train_steps": "1000",
      "output_dimensionality": "768",
      "learning_rate_multiplier": "1.0"
    }
  },
  "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.3"
}

Per inviare la richiesta, espandi una delle seguenti opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

Dopo aver avviato la pipeline, segui l'avanzamento del job di ottimizzazione tramite la console Google Cloud.

Vai alla console Google Cloud

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python. 

import re

from google.cloud.aiplatform import initializer as aiplatform_init
from vertexai.language_models import TextEmbeddingModel


def tune_embedding_model(
    api_endpoint: str,
    base_model_name: str = "text-embedding-004",
    task_type: str = "DEFAULT",
    corpus_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl",
    queries_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl",
    train_label_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv",
    test_label_path: str = "gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv",
    batch_size: int = 128,
    train_steps: int = 1000,
    output_dimensionality: int = 768,
    learning_rate_multiplier: float = 1.0,
):  # noqa: ANN201
    match = re.search(r"^(\w+-\w+)", api_endpoint)
    location = match.group(1) if match else "us-central1"
    base_model = TextEmbeddingModel.from_pretrained(base_model_name)
    tuning_job = base_model.tune_model(
        task_type=task_type,
        corpus_data=corpus_path,
        queries_data=queries_path,
        training_data=train_label_path,
        test_data=test_label_path,
        batch_size=batch_size,
        train_steps=train_steps,
        tuned_model_location=location,
        output_dimensionality=output_dimensionality,
        learning_rate_multiplier=learning_rate_multiplier,
    )
    return tuning_job

Java

Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.

Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale. 

import com.google.cloud.aiplatform.v1.CreatePipelineJobRequest;
import com.google.cloud.aiplatform.v1.LocationName;
import com.google.cloud.aiplatform.v1.PipelineJob;
import com.google.cloud.aiplatform.v1.PipelineJob.RuntimeConfig;
import com.google.cloud.aiplatform.v1.PipelineServiceClient;
import com.google.cloud.aiplatform.v1.PipelineServiceSettings;
import com.google.protobuf.Value;
import java.io.IOException;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class EmbeddingModelTuningSample {
  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running this sample.
    String apiEndpoint = "us-central1-aiplatform.googleapis.com:443";
    String project = "PROJECT";
    String baseModelVersionId = "BASE_MODEL_VERSION_ID";
    String taskType = "DEFAULT";
    String pipelineJobDisplayName = "PIPELINE_JOB_DISPLAY_NAME";
    String outputDir = "OUTPUT_DIR";
    String queriesPath = "QUERIES_PATH";
    String corpusPath = "CORPUS_PATH";
    String trainLabelPath = "TRAIN_LABEL_PATH";
    String testLabelPath = "TEST_LABEL_PATH";
    double learningRateMultiplier = 1.0;
    int outputDimensionality = 768;
    int batchSize = 128;
    int trainSteps = 1000;

    createEmbeddingModelTuningPipelineJob(
        apiEndpoint,
        project,
        baseModelVersionId,
        taskType,
        pipelineJobDisplayName,
        outputDir,
        queriesPath,
        corpusPath,
        trainLabelPath,
        testLabelPath,
        learningRateMultiplier,
        outputDimensionality,
        batchSize,
        trainSteps);
  }

  public static PipelineJob createEmbeddingModelTuningPipelineJob(
      String apiEndpoint,
      String project,
      String baseModelVersionId,
      String taskType,
      String pipelineJobDisplayName,
      String outputDir,
      String queriesPath,
      String corpusPath,
      String trainLabelPath,
      String testLabelPath,
      double learningRateMultiplier,
      int outputDimensionality,
      int batchSize,
      int trainSteps)
      throws IOException {
    Matcher matcher = Pattern.compile("^(?<Location>\\w+-\\w+)").matcher(apiEndpoint);
    String location = matcher.matches() ? matcher.group("Location") : "us-central1";
    String templateUri =
        "https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.3";
    PipelineServiceSettings settings =
        PipelineServiceSettings.newBuilder().setEndpoint(apiEndpoint).build();
    try (PipelineServiceClient client = PipelineServiceClient.create(settings)) {
      Map<String, Value> parameterValues =
          Map.of(
              "base_model_version_id", valueOf(baseModelVersionId),
              "task_type", valueOf(taskType),
              "queries_path", valueOf(queriesPath),
              "corpus_path", valueOf(corpusPath),
              "train_label_path", valueOf(trainLabelPath),
              "test_label_path", valueOf(testLabelPath),
              "learning_rate_multiplier", valueOf(learningRateMultiplier),
              "output_dimensionality", valueOf(outputDimensionality),
              "batch_size", valueOf(batchSize),
              "train_steps", valueOf(trainSteps));
      PipelineJob pipelineJob =
          PipelineJob.newBuilder()
              .setTemplateUri(templateUri)
              .setDisplayName(pipelineJobDisplayName)
              .setRuntimeConfig(
                  RuntimeConfig.newBuilder()
                      .setGcsOutputDirectory(outputDir)
                      .putAllParameterValues(parameterValues)
                      .build())
              .build();
      CreatePipelineJobRequest request =
          CreatePipelineJobRequest.newBuilder()
              .setParent(LocationName.of(project, location).toString())
              .setPipelineJob(pipelineJob)
              .build();
      return client.createPipelineJob(request);
    }
  }

  private static Value valueOf(String s) {
    return Value.newBuilder().setStringValue(s).build();
  }

  private static Value valueOf(int n) {
    return Value.newBuilder().setNumberValue(n).build();
  }

  private static Value valueOf(double n) {
    return Value.newBuilder().setNumberValue(n).build();
  }
}

Node.js

Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.

Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale. 

async function main(
  apiEndpoint,
  project,
  outputDir,
  pipelineJobDisplayName = 'embedding-customization-pipeline-sample',
  baseModelVersionId = 'text-embedding-004',
  taskType = 'DEFAULT',
  corpusPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/corpus.jsonl',
  queriesPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/queries.jsonl',
  trainLabelPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/train.tsv',
  testLabelPath = 'gs://cloud-samples-data/ai-platform/embedding/goog-10k-2024/r11/test.tsv',
  outputDimensionality = 768,
  learningRateMultiplier = 1.0,
  batchSize = 128,
  trainSteps = 1000
) {
  const aiplatform = require('@google-cloud/aiplatform');
  const {PipelineServiceClient} = aiplatform.v1;
  const {helpers} = aiplatform; // helps construct protobuf.Value objects.

  const client = new PipelineServiceClient({apiEndpoint});
  const match = apiEndpoint.match(/(?<L>\w+-\w+)/);
  const location = match ? match.groups.L : 'us-central1';
  const parent = `projects/${project}/locations/${location}`;
  const params = {
    base_model_version_id: baseModelVersionId,
    task_type: taskType,
    queries_path: queriesPath,
    corpus_path: corpusPath,
    train_label_path: trainLabelPath,
    test_label_path: testLabelPath,
    batch_size: batchSize,
    train_steps: trainSteps,
    output_dimensionality: outputDimensionality,
    learning_rate_multiplier: learningRateMultiplier,
  };
  const runtimeConfig = {
    gcsOutputDirectory: outputDir,
    parameterValues: Object.fromEntries(
      Object.entries(params).map(([k, v]) => [k, helpers.toValue(v)])
    ),
  };
  const pipelineJob = {
    templateUri:
      'https://us-kfp.pkg.dev/ml-pipeline/llm-text-embedding/tune-text-embedding-model/v1.1.3',
    displayName: pipelineJobDisplayName,
    runtimeConfig,
  };
  async function createTuneJob() {
    const [response] = await client.createPipelineJob({parent, pipelineJob});
    console.log(`job_name: ${response.name}`);
    console.log(`job_state: ${response.state}`);
  }

  await createTuneJob();
}

Console

Per ottimizzare un modello di incorporamento del testo utilizzando la console Google Cloud, puoi avviare una pipeline di personalizzazione seguendo questi passaggi:

  1. Nella sezione Vertex AI della console Google Cloud, vai alla pagina Vertex AI Pipelines.

    Vai a Vertex AI Pipelines

  2. Fai clic su Crea esecuzione per aprire il riquadro Crea esecuzione pipeline.
  3. Fai clic su Seleziona da pipeline esistenti e inserisci i seguenti dettagli:
    1. Seleziona "ml-pipeline" dal menu a discesa Seleziona una risorsa.
    2. Seleziona "llm-text-embedding" dal menu a discesa Repository.
    3. Seleziona "tune-text-embedding-model" dal menu a discesa Pipeline o componente.
    4. Seleziona la versione con l'etichetta "v1.1.3" dal menu a discesa Versione.
  4. Specifica un Nome esecuzione per identificare in modo univoco l'esecuzione della pipeline.
  5. Nell'elenco a discesa Regione, seleziona la regione per creare l'esecuzione della pipeline, che sarà la stessa regione in cui viene creato il modello ottimizzato.
  6. Fai clic su Continua. Viene visualizzato il riquadro Configurazione di runtime.
  7. In Località Cloud Storage, fai clic su Sfoglia per selezionare il bucket Cloud Storage in cui archiviare gli artefatti di output della pipeline, quindi fai clic su Seleziona.
  8. In Parametri pipeline, specifica i parametri per la pipeline di ottimizzazione. I tre parametri obbligatori sono corpus_path, queries_path e train_label_path, con i formati descritti in Preparare il set di dati degli incorporamenti. Per informazioni più dettagliate su ciascun parametro, consulta la scheda REST di questa sezione.
  9. Fai clic su Invia per creare l'esecuzione della pipeline.

Altre funzionalità supportate

L'ottimizzazione dell'incorporamento del testo supporta i Controlli di servizio VPC e può essere configurata per l'esecuzione all'interno di un Virtual Private Cloud (VPC) passando il parametro network durante la creazione di PipelineJob.

Per utilizzare CMEK (chiavi di crittografia gestite dal cliente), passa la chiave al parametro della pipeline parameterValues.encryption_spec_key_name, nonché al parametro encryptionSpec.kmsKeyName durante la creazione di PipelineJob.

Usa il tuo modello ottimizzato

Visualizza i modelli ottimizzati in Model Registry

Una volta completato il job di ottimizzazione, il deployment del modello ottimizzato non viene eseguito automaticamente in un endpoint. Sarà disponibile come risorsa di modello in Model Registry. Puoi visualizzare un elenco di modelli nel progetto attuale, compresi i modelli ottimizzati, utilizzando la console Google Cloud.

Per visualizzare i tuoi modelli ottimizzati nella console Google Cloud, vai alla pagina Vertex AI Model Registry.

Vai al registro dei modelli di Vertex AI

Esegui il deployment del modello

Dopo aver ottimizzato il modello degli incorporamenti, devi eseguire il deployment della risorsa del modello. Per eseguire il deployment del modello di incorporamenti ottimizzati, consulta Eseguire il deployment di un modello in un endpoint.

A differenza dei modelli di base, i modelli ottimizzati di incorporamento del testo sono gestiti dall'utente. Ciò include la gestione delle risorse di distribuzione, come il tipo di macchina e gli acceleratori. Per evitare errori di esaurimento della memoria durante la previsione, ti consigliamo di eseguire il deployment utilizzando il tipo di GPU NVIDIA_TESLA_A100, in grado di supportare dimensioni batch fino a 5 per qualsiasi lunghezza di input.

Analogamente al modello di base textembedding-gecko, il tuo modello ottimizzato supporta fino a 3072 token e può troncare input più lunghi.

Ottieni previsioni su un modello di cui è stato eseguito il deployment

Una volta eseguito il deployment del modello ottimizzato, puoi utilizzare uno dei seguenti comandi per inviare richieste all'endpoint del modello ottimizzato.

Comandi curl di esempio per i modelli textembedding-gecko@001 ottimizzati

Per ottenere previsioni da una versione ottimizzata di textembedding-gecko@001, utilizza il comando curl di esempio riportato di seguito.

PROJECT_ID=PROJECT_ID
LOCATION=LOCATION
ENDPOINT_URI=https://${LOCATION}-aiplatform.googleapis.com
MODEL_ENDPOINT=TUNED_MODEL_ENDPOINT_ID

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json"  \
    ${ENDPOINT_URI}/v1/projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${MODEL_ENDPOINT}:predict \
    -d '{
  "instances": [
    {
      "content": "Dining in New York City"
    },
    {
      "content": "Best resorts on the east coast"
    }
  ]
}'

Esempi di comandi curl per modelli non textembedding-gecko@001

Le versioni ottimizzate di altri modelli (ad esempio textembedding-gecko@003 e textembedding-gecko-multilingual@001) richiedono due input aggiuntivi: task_type e title. Ulteriore documentazione per questi parametri è disponibile nel comando curl

PROJECT_ID=PROJECT_ID
LOCATION=LOCATION
ENDPOINT_URI=https://${LOCATION}-aiplatform.googleapis.com
MODEL_ENDPOINT=TUNED_MODEL_ENDPOINT_ID

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json"  \
    ${ENDPOINT_URI}/v1/projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${MODEL_ENDPOINT}:predict \
    -d '{
  "instances": [
    {
      "content": "Dining in New York City",
      "task_type": "DEFAULT",
      "title": ""
    },
    {
      "content": "There are many resorts to choose from on the East coast...",
      "task_type": "RETRIEVAL_DOCUMENT",
      "title": "East Coast Resorts"
    }
  ]
}'

Output di esempio

Questo output si applica ai modelli textembedding-gecko e textembedding-gecko-multilingual, indipendentemente dalla versione.

{
 "predictions": [
   [ ... ],
   [ ... ],
   ...
 ],
 "deployedModelId": "...",
 "model": "projects/.../locations/.../models/...",
 "modelDisplayName": "tuned-text-embedding-model",
 "modelVersionId": "1"
}

Passaggi successivi