Ottimizza i modelli di testo PaLM utilizzando l'ottimizzazione supervisionata

L'ottimizzazione supervisionata utilizza esempi etichettati per ottimizzare un modello. Ogni esempio mostra l'output che vuoi dal modello di testo durante l'inferenza. L'ottimizzazione supervisionata è una buona opzione quando l'output del modello non è molto complesso ed è facile da definire.

Guida passo passo per l'ottimizzazione supervisionato tramite modello di testo

Il seguente tutorial guidato ti aiuta a imparare a utilizzare l'ottimizzazione supervisionata per ottimizzare un modello di base di testo nella console Google Cloud.


Per seguire le indicazioni dettagliate per questa attività direttamente nella console Google Cloud, fai clic su Procedura guidata:

Guidami


Flusso di lavoro per l'ottimizzazione del modello supervisionato

Il flusso di lavoro di ottimizzazione dei modelli supervisionati su Vertex AI include i seguenti passaggi:

  1. Prepara il set di dati di ottimizzazione del modello.
  2. Carica il set di dati di ottimizzazione dei modelli in un bucket Cloud Storage.
  3. Crea un job di ottimizzazione del modello supervisionato.

Una volta completata l'ottimizzazione, viene eseguito il deployment del modello ottimizzato in un endpoint Vertex AI. Il nome dell'endpoint corrisponde al nome del modello ottimizzato. I modelli ottimizzati sono disponibili per la selezione in Vertex AI Studio quando vuoi creare un nuovo prompt.

Modelli supportati

I seguenti modelli di base di testo supportano l'ottimizzazione con supervisione:

  • Generazione del testo - text-bison@002 e text-bison-32k
  • Chat di testo - chat-bison@002 e chat-bison-32k
  • Generazione del codice - code-bison@002 e code-bison-32k
  • Chat di codice - codechat-bison@002 e codechat-bison-32k
  • Incorporamenti di testo - textembedding-gecko@001 (anteprima)

Casi d'uso per l'utilizzo dell'ottimizzazione supervisionata su modelli di testo

I modelli di testo di base funzionano bene quando l'attività o l'output previsto può essere definito in modo chiaro e conciso in un prompt e il prompt restituisce in modo coerente l'output previsto. Se vuoi che un modello impari qualcosa di specifico o di nicchia, che differisca dai pattern linguistici generici, ti consigliamo di ottimizzarlo. Ad esempio, puoi utilizzare l'ottimizzazione per insegnare al modello quanto segue:

  • Strutture o formati specifici per generare output.
  • Comportamenti specifici, ad esempio quando fornire un output conciso o dettagliato.
  • Output personalizzati specifici per tipi di input specifici.

I seguenti esempi sono casi d'uso difficili da acquisire con solo istruzioni di prompt:

  • Classificazione: la risposta prevista è una parola o una frase specifica.

    L'ottimizzazione del modello può aiutare a impedirgli di generare risposte dettagliate.

  • Riassunto: il riassunto segue un formato specifico. Ad esempio, potrebbe essere necessario rimuovere le informazioni che consentono l'identificazione personale (PII) dal riepilogo della chat.

    Questa formattazione di sostituzione dei nomi degli interlocutori con #Person1 e #Person2 è difficile da descrivere e il modello di base potrebbe non produrre naturalmente una risposta del genere.

  • Question answering estrattivo: la domanda riguarda un contesto e la risposta è una sottostringa del contesto.

    La risposta "Last Glacial Maximum" è una frase specifica del contesto.

  • Chat: devi personalizzare la risposta del modello per seguire un utente tipo, un ruolo o un personaggio.

Puoi anche ottimizzare un modello nelle seguenti situazioni:

  • I prompt non producono regolarmente i risultati previsti.
  • L'attività è troppo complicata da definire in un prompt. Ad esempio, vuoi che il modello esegua la clonazione del comportamento per un comportamento difficile da articolare in un prompt.
  • Hai intuizioni complesse su un'attività che sono facili da suscitare, ma difficili da formalizzare in un prompt.
  • Vuoi ridurre la lunghezza del contesto rimuovendo gli esempi di pochi scatti.

Prepara un set di dati di ottimizzazione supervisionato

Il set di dati utilizzato per ottimizzare un modello di base deve includere esempi in linea con l'attività che vuoi che il modello esegua. Struttura il set di dati di addestramento in formato da testo a testo. Ogni record o riga del set di dati contiene il testo di input (chiamato anche prompt) abbinato all'output previsto dal modello. L'ottimizzazione supervisionata utilizza il set di dati per insegnare al modello come imitare un comportamento o un'attività di cui hai bisogno, fornendogli centinaia di esempi.

Il set di dati deve includere un minimo di 10 esempi, ma consigliamo almeno 100-500 esempi per ottenere buoni risultati. Più esempi fornisci nel tuo set di dati, migliori saranno i risultati.

Per set di dati di esempio, consulta Set di dati di esempio in questa pagina.

Formato del set di dati

Il set di dati di ottimizzazione dei modelli deve essere in formato JSON Lines (JSONL), in cui ogni riga contiene un singolo esempio di ottimizzazione. Il formato del set di dati utilizzato per ottimizzare un modello di generazione di testo è diverso da quello del set di dati per l'ottimizzazione di un modello di chat di testo. Prima di ottimizzare il modello, devi caricare il set di dati in un bucket Cloud Storage.

Testo

Ogni esempio è composto da un campo input_text contenente il prompt al modello e un campo output_text contenente una risposta di esempio che il modello ottimizzato dovrebbe produrre. I campi aggiuntivi dei messaggi strutturati, come context, vengono ignorati.

La lunghezza massima del token per input_text è 8192 e la lunghezza massima del token per output_text è 1024. Se uno dei due campi supera la lunghezza massima del token, i token in eccesso vengono troncati.

Il numero massimo di esempi che un set di dati per un modello di generazione di testo può contenere è 10.000.

Esempio di set di dati

{"input_text": "question: How many people live in Beijing? context:
With over 21 million residents, Beijing is the world's most populous national
capital city and is China's second largest city after Shanghai. It is
located in Northern China, and is governed as a municipality under the direct
administration of the State Council with 16 urban, suburban, and rural
districts.[14] Beijing is mostly surrounded by Hebei Province with the exception
of neighboring Tianjin to the southeast; together, the three divisions form the
Jingjinji megalopolis and the national capital region of China.",
"output_text": "over 21 million people"}

{"input_text": "question: How many parishes are there in Louisiana? context: The U.S. state of Louisiana is divided into 64 parishes (French: paroisses) in the same manner that 48 other states of the United States are divided into counties, and Alaska is divided into boroughs.", "output_text": "64"}

Includi istruzioni negli esempi

Per attività come la classificazione, è possibile creare un set di dati di esempi che non contengono istruzioni. Tuttavia, l'esclusione di istruzioni dagli esempi nel set di dati comporta prestazioni peggiori dopo l'ottimizzazione rispetto all'inclusione delle istruzioni, in particolare per set di dati più piccoli.

Sono escluse le istruzioni:

{"input_text": "5 stocks to buy now",
"output_text": "business"}

Include le istruzioni:

{"input_text": "Classify the following text into one of the following classes:
[business, entertainment] Text: 5 stocks to buy now",
"output_text": "business"}

Chat

Ogni esempio di conversazione in un set di dati di ottimizzazione della chat è composto da un campo messages (obbligatorio) e un campo context (facoltativo).

Il campo messages è composto da un array di coppie autore-contenuti. Il campo author fa riferimento all'autore del messaggio ed è impostato su user o assistant in modo alternato. Il campo content è il contenuto del messaggio. Ogni esempio di conversazione dovrebbe avere da due a tre coppie di messaggi assistente utente, che rappresentano un messaggio dell'utente e una risposta del modello.

Il campo context ti consente di specificare un contesto per la chat. Se specifichi un contesto per un esempio, questo sostituirà il valore fornito in default_context.

Per ogni esempio di conversazione, la lunghezza massima del token per context e messages combinate è di 8192 token. Inoltre, ogni campo content per assistant non deve superare i 1024 token.

Il numero massimo di campi author che gli esempi nel set di dati per un modello di chat di testo possono contenere è 10.000. Il valore massimo si riferisce alla somma di tutti i campi author in tutti i campi messages di tutti gli esempi.

Esempio

{
  "context": "You are a pirate dog named Captain Barktholomew.",
  "messages": [
    {
      "author": "user",
      "content": "Hi"
    },
    {
      "author": "assistant",
      "content": "Argh! What brings ye to my ship?"
    },
    {
      "author": "user",
      "content": "What's your name?"
    },
    {
      "author": "assistant",
      "content": "I be Captain Barktholomew, the most feared pirate dog of the seven seas."
    }
  ]
}

Set di dati di esempio

Puoi utilizzare un set di dati di esempio per iniziare l'ottimizzazione del modello text-bison@002. Quello che segue è un set di dati di attività di classificazione contenente trascrizioni mediche di esempio per varie specialità mediche. I dati provengono da mtsamples.com resi disponibili su Kaggle.

  • URI del set di dati di ottimizzazione di esempio:

    gs://cloud-samples-data/vertex-ai/model-evaluation/peft_train_sample.jsonl

  • URI del set di dati di valutazione di esempio:

    gs://cloud-samples-data/vertex-ai/model-evaluation/peft_eval_sample.jsonl

Per utilizzare questi set di dati, specifica gli URI nei parametri applicabili durante la creazione di un job di ottimizzazione supervisionato con modello di testo.

Ad esempio:

...
"dataset_uri": "gs://cloud-samples-data/vertex-ai/model-evaluation/peft_train_sample.jsonl",
...
"evaluation_data_uri": "gs://cloud-samples-data/vertex-ai/model-evaluation/peft_eval_sample.jsonl",
...

Mantieni la coerenza con i dati di produzione

Gli esempi nei set di dati devono corrispondere al traffico di produzione previsto. Se il set di dati contiene formattazioni, parole chiave, istruzioni o informazioni specifiche, i dati di produzione devono essere formattati allo stesso modo e contenere le stesse istruzioni.

Ad esempio, se gli esempi nel tuo set di dati includono "question:" e "context:", il traffico di produzione deve essere formattato in modo da includere un "question:" e un "context:" nello stesso ordine in cui appare negli esempi del set di dati. Se escludi il contesto, il modello non riconoscerà il pattern, anche se la domanda esatta era in un esempio nel set di dati.

Carica i set di dati dell'ottimizzazione in Cloud Storage

Per eseguire un job di ottimizzazione, devi caricare uno o più set di dati in un bucket Cloud Storage. Puoi creare un nuovo bucket Cloud Storage o utilizzarne uno esistente per archiviare i file di set di dati. La regione del bucket non è importante, ma ti consigliamo di utilizzare un bucket nello stesso progetto Google Cloud in cui prevedi di ottimizzare il modello.

Quando il bucket è pronto, carica il file del set di dati nel bucket.

Impostazioni della regione di ottimizzazione supervisionata

Quando configuri un job di ottimizzazione supervisionato, puoi specificare tre impostazioni della regione Google Cloud. Una regione è quella in cui viene eseguita la pipeline che ottimizza il modello. L'altra regione è quella in cui viene eseguito il job di ottimizzazione del modello e dove viene caricato il modello ottimizzato.

Regione job di pipeline

La regione del job di pipeline è quella in cui viene eseguito il job di pipeline. Se la regione di caricamento del modello facoltativa non è specificata, il modello viene caricato e di cui viene eseguito il deployment nella regione del job della pipeline. I dati intermedi, come il set di dati trasformato, vengono archiviati nella regione del job della pipeline. Per scoprire quali regioni puoi utilizzare per la regione del job di pipeline, consulta Regioni supportate per il caricamento di job e modelli di pipeline. Devi specificare la regione del job della pipeline utilizzando uno dei seguenti metodi:

  • Se usi l'SDK Vertex AI, puoi specificare la regione in cui viene eseguito il job della pipeline utilizzando il parametro tuning_job_location sul metodo tune_model dell'oggetto che rappresenta il modello che stai ottimizzando (ad esempio il metodo TextGenerationModel.tune_model).

  • Se crei un job di ottimizzazione supervisionato inviando una richiesta POST con il metodo pipelineJobs.create, utilizza l'URL per specificare la regione in cui viene eseguito il job della pipeline. Nel seguente URL, sostituisci entrambe le istanze di PIPELINE_JOB_REGION con la regione in cui viene eseguita la pipeline:

     https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs
    
  • Se utilizzi la console Google Cloud per creare un job di ottimizzazione del modello supervisionato, devi specificare la regione del job di pipeline nel controllo Regione quando crei il job di ottimizzazione. Nella console Google Cloud, il controllo Regione specifica sia la regione del job della pipeline sia la regione di caricamento del modello. Quando utilizzi la console Google Cloud per creare un job di ottimizzazione del modello supervisionato, entrambe le regioni sono sempre le stesse.

Regione di caricamento del modello

Utilizza il parametro facoltativo tuned_model_location per specificare dove viene caricato il modello ottimizzato. Se la regione di caricamento del modello non è specificata, il modello ottimizzato viene caricato nella regione del job della pipeline.Puoi utilizzare una delle regioni di caricamento del modello e dei job della pipeline per la regione di caricamento del modello. Puoi specificare la regione di caricamento del modello utilizzando uno dei seguenti metodi:

  • Se utilizzi l'SDK Vertex AI, il parametro tuned_model_location viene specificato nel metodo tune_model dell'oggetto che rappresenta il modello che stai ottimizzando (ad esempio il metodo TextGenerationModel.tune_model).

  • Se crei un job di ottimizzazione del modello supervisionato inviando una richiesta POST con il metodo pipelineJobs, puoi utilizzare il parametro location per specificare la regione di caricamento del modello.

  • Se utilizzi la console Google Cloud per creare un job di ottimizzazione del modello supervisionato, devi specificare la regione di caricamento del modello nel controllo Regione quando crei il job di ottimizzazione. Nella console Google Cloud, il controllo Regione specifica sia la regione di caricamento del modello sia la regione del job della pipeline. Quando utilizzi la console Google Cloud per creare un job di ottimizzazione del modello supervisionato, entrambe le regioni sono sempre le stesse.

Regione di ottimizzazione del modello

La regione di ottimizzazione del modello è quella in cui avviene il calcolo dell'ottimizzazione del modello. Questa regione è determinata dal tipo di acceleratore scelto. Se specifichi TPU come tipo di acceleratore, il calcolo dell'ottimizzazione del modello viene eseguito in europe-west4. Se specifichi GPU come tipo di acceleratore, l'ottimizzazione del modello viene eseguita in us-central1.

Regioni supportate per i job di pipeline e il caricamento dei modelli

Puoi utilizzare una delle seguenti regioni per specificare la regione di caricamento del modello e quella del job della pipeline:

  • us-central1
  • europe-west4
  • asia-southeast1
  • us-west1
  • europe-west3
  • europe-west2
  • asia-northeast1
  • us-east4
  • us-west4
  • northamerica-northeast1
  • europe-west9
  • europe-west1
  • asia-northeast3

Crea un job di ottimizzazione supervisionato con modello di testo

Puoi creare un job di ottimizzazione del modello di testo supervisionato utilizzando la console Google Cloud, l'API o l'SDK Vertex AI per Python. Per indicazioni sulle configurazioni di ottimizzazione del modello, consulta Configurazioni consigliate.

REST

Per creare un job di ottimizzazione del modello, invia una richiesta POST utilizzando il metodo pipelineJobs. Tieni presente che alcuni parametri non sono supportati da tutti i modelli. Assicurati di includere solo i parametri applicabili al modello che stai regolando.

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

  • PIPELINEJOB_DISPLAYNAME: un nome visualizzato per pipelineJob.
  • OUTPUT_DIR: l'URI del bucket in cui eseguire l'output degli artefatti della pipeline.
  • PROJECT_ID: il tuo ID progetto.
  • MODEL_DISPLAYNAME: un nome visualizzato per il modello caricato (creato) da pipelineJob.
  • DATASET_URI: URI del file del set di dati.
  • PIPELINE_JOB_REGION: la regione in cui viene eseguito il job di ottimizzazione della pipeline. Questa è anche la regione predefinita per dove viene caricato il modello ottimizzato. Se vuoi caricare il modello in un'altra regione, utilizza il parametro location per specificare la regione ottimizzata di caricamento del modello. Per maggiori informazioni, consulta Regione di caricamento del modello.
  • MODEL_UPLOAD_REGION: (facoltativo) la regione in cui viene caricato il modello ottimizzato. Se non specifichi una regione di caricamento del modello, il modello ottimizzato viene caricato nella stessa regione in cui viene eseguito il job della pipeline. Per ulteriori informazioni, consulta Regione di caricamento del modello.
  • ACCELERATOR_TYPE: (facoltativo, valore predefinito GPU) il tipo di acceleratore da utilizzare per l'ottimizzazione del modello. Le opzioni valide sono:
    • GPU: utilizza otto GPU A100 da 80 GB per l'ottimizzazione. Assicurati di avere una quota sufficiente. Se scegli GPU, è supportato VPC‐SC. CMEK è supportata se la località di ottimizzazione e la località di caricamento del modello sono us-centra1. Per maggiori informazioni, consulta la pagina Impostazioni della regione per l'ottimizzazione supervisionata. Se scegli GPU, i calcoli di ottimizzazione del modello vengono eseguiti nella regione us-central1.
    • TPU: utilizza 64 core del pod TPU v3 per l'ottimizzazione. Assicurati di avere una quota sufficiente. CMEK non è supportata, ma è supportato VPC‐SC. Se scegli TPU, i calcoli di ottimizzazione del modello vengono eseguiti nella regione europe-west4.
  • LARGE_MODEL_REFERENCE: nome del modello di base da ottimizzare. Le opzioni sono:
    • text-bison@002
    • chat-bison@002
  • DEFAULT_CONTEXT (chat only): il contesto che si applica a tutti gli esempi di ottimizzazione nel set di dati dell'ottimizzazione. L'impostazione del campo context in un esempio sostituisce il contesto predefinito.
  • STEPS: il numero di passaggi da eseguire per l'ottimizzazione del modello. Il valore predefinito è 300. Le dimensioni del batch variano in base alla località di ottimizzazione e alle dimensioni del modello. Per i modelli 8K, come text-bison@002, chat-bison@002, code-bison@002 e codechat-bison@002:
    • us-central1 ha una dimensione del batch pari a 8.
    • europe-west4 ha una dimensione del batch di 24.
    Per i modelli da 32.000, ad esempio text-bison-32k, chat-bison-32k, code-bison-32k e codechat-bison-32k:
    • us-central1 ha una dimensione del batch pari a 8.
    • europe-west4 ha una dimensione del batch pari a 8.

    Ad esempio, se stai addestrando text-bison@002 in europe-west4, ci sono 240 esempi in un set di dati di addestramento e imposti steps su 20, il numero di esempi di addestramento è il prodotto di 20 passaggi e la dimensione del batch di 24 o 480 passaggi di addestramento. In questo caso, il processo di addestramento prevede due epoche perché analizza gli esempi due volte. In us-central1, se ci sono 240 esempi in un set di dati di addestramento e imposti steps su 15, il numero di esempi di addestramento è il prodotto di 15 passaggi e la dimensione del batch di 8 o 120 passaggi di addestramento. In questo caso, ci sono 0,5 epoche perché il numero di passaggi di addestramento è dimezzato rispetto agli esempi.

  • LEARNING_RATE_MULTIPLIER: un moltiplicatore da applicare al tasso di apprendimento suggerito. Per utilizzare il tasso di apprendimento suggerito, usa 1.0.
  • EVAL_DATASET_URI (text only): (facoltativo) l'URI del file JSONL che contiene il set di dati di valutazione per la previsione e la valutazione batch. La valutazione non è supportata per chat-bison. Per maggiori informazioni, consulta Formato del set di dati per l'ottimizzazione di un modello di codice. Il set di dati di valutazione richiede tra 10 e 250 esempi.
  • EVAL_INTERVAL (text only): (facoltativo, 20 predefinito) il numero di passaggi dell'ottimizzazione tra una valutazione e l'altra. L'intervallo di valutazione non è supportato per i modelli di chat. Poiché la valutazione viene eseguita sull'intero set di dati di valutazione, un intervallo di valutazione inferiore determina tempi di ottimizzazione più lunghi. Ad esempio, se steps è 200 e EVAL_INTERVAL è 100, otterrai solo due punti dati per le metriche di valutazione. Questo parametro richiede l'impostazione di evaluation_data_uri.
  • ENABLE_EARLY_STOPPING (text only): (facoltativo, true predefinito) un valore boolean che, se impostato su true, interrompe l'ottimizzazione prima di completare tutti i passaggi dell'ottimizzazione se le prestazioni del modello, come misurate dalla precisione dei token previsti, non migliorano sufficientemente tra le esecuzioni delle valutazioni. Se è false, l'ottimizzazione continua fino al completamento di tutti i relativi passaggi. Questo parametro richiede l'impostazione di evaluation_data_uri. L'opzione Abilita l'interruzione anticipata non è supportata per i modelli di chat.
  • TENSORBOARD_RESOURCE_ID: (facoltativo) l'ID di un'istanza Vertex AI TensorBoard. L'istanza Vertex AI TensorBoard viene utilizzata per creare un esperimento al termine del job di ottimizzazione. L'istanza Vertex AI TensorBoard deve trovarsi nella stessa regione della pipeline di ottimizzazione.
  • ENCRYPTION_KEY_NAME: (facoltativo) il nome completo di una chiave di crittografia gestita dal cliente (CMEK) che vuoi utilizzare per la crittografia dei dati. Una CMEK è disponibile solo in us-central1. Se utilizzi us-central1 e non specifichi una CMEK, viene utilizzata una chiave di crittografia gestita da Google. Per impostazione predefinita, viene utilizzata una chiave di crittografia gestita da Google in tutte le altre regioni disponibili. Per saperne di più, consulta la panoramica di CMEK.
  • TEMPLATE_URI: il modello di ottimizzazione da utilizzare dipende dal modello che stai ottimizzando:
    • Modello di testo: https://us-kfp.pkg.dev/ml-pipeline/large-language-model-pipelines/tune-large-model/v2.0.0
    • Modello di chat: https://us-kfp.pkg.dev/ml-pipeline/large-language-model-pipelines/tune-large-chat-model/v3.0.0
  • SERVICE_ACCOUNT: (facoltativo) l'account di servizio che Vertex AI utilizza per eseguire il job di pipeline. Per impostazione predefinita, viene utilizzato l'account di servizio predefinito di Compute Engine (PROJECT_NUMBER‑compute@developer.gserviceaccount.com) del progetto. Scopri di più su come collegare un account di servizio personalizzato.

Metodo HTTP e URL:

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

Corpo JSON della richiesta:

{
  "displayName": "PIPELINEJOB_DISPLAYNAME",
  "runtimeConfig": {
    "gcsOutputDirectory": "gs://OUTPUT_DIR",
    "parameterValues": {
      "project": "PROJECT_ID",
      "model_display_name": "MODEL_DISPLAYNAME",
      "dataset_uri": "gs://DATASET_URI",
      "location": "MODEL_UPLOAD_REGION",
      "accelerator_type": "ACCELERATOR_TYPE",
      "large_model_reference": "LARGE_MODEL_REFERENCE",
      "default_context": "DEFAULT_CONTEXT (chat only)",
      "train_steps": STEPS,
      "learning_rate_multiplier": LEARNING_RATE_MULTIPLIER,
      "evaluation_data_uri": "gs://EVAL_DATASET_URI (text only)",
      "evaluation_interval": EVAL_INTERVAL (text only),
      "enable_early_stopping": ENABLE_EARLY_STOPPING (text only),
      "enable_checkpoint_selection": "ENABLE_CHECKPOINT_SELECTION (text only)",
      "tensorboard_resource_id": "TENSORBOARD_ID",
      "encryption_spec_key_name": "ENCRYPTION_KEY_NAME"
    }
  },
  "encryptionSpec": {
    "kmsKeyName": "ENCRYPTION_KEY_NAME"
  },
  "serviceAccount": "SERVICE_ACCOUNT",
  "templateUri": "TEMPLATE_URI"
}

Per inviare la richiesta, scegli una delle seguenti opzioni:

arricciatura

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando:

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs"

PowerShell

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs" | Select-Object -Expand Content

Dovresti ricevere una risposta in formato JSON simile alla seguente. Tieni presente che pipelineSpec è stato troncato per risparmiare spazio.

Python

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

from __future__ import annotations


def tuning(
    project_id: str,
) -> None:
    import vertexai
    from vertexai.language_models import TextGenerationModel
    from google.auth import default

    credentials, _ = default(scopes=["https://www.googleapis.com/auth/cloud-platform"])

    # Initialize Vertex AI
    # TODO(developer): Update project_id
    vertexai.init(project=project_id, location="us-central1", credentials=credentials)

    model = TextGenerationModel.from_pretrained("text-bison@002")

    tuning_job = model.tune_model(
        training_data="gs://cloud-samples-data/ai-platform/generative_ai/headline_classification.jsonl",
        tuning_job_location="europe-west4",
        tuned_model_location="us-central1",
    )

    print(tuning_job._status)
    return model

Node.js

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

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

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */
// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';
const aiplatform = require('@google-cloud/aiplatform');
const {PipelineServiceClient} = aiplatform.v1;

// Import the helper module for converting arbitrary protobuf.Value objects.
const {helpers} = aiplatform;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: 'europe-west4-aiplatform.googleapis.com',
};
const model = 'text-bison@001';

const pipelineClient = new PipelineServiceClient(clientOptions);

async function tuneLLM() {
  // Configure the parent resource
  const parent = `projects/${project}/locations/${location}`;

  const parameters = {
    train_steps: helpers.toValue(trainSteps),
    project: helpers.toValue(project),
    location: helpers.toValue('us-central1'),
    dataset_uri: helpers.toValue(datasetUri),
    large_model_reference: helpers.toValue(model),
    model_display_name: helpers.toValue(modelDisplayName),
    accelerator_type: helpers.toValue('GPU'), // Optional: GPU or TPU
  };

  const runtimeConfig = {
    gcsOutputDirectory,
    parameterValues: parameters,
  };

  const pipelineJob = {
    templateUri:
      'https://us-kfp.pkg.dev/ml-pipeline/large-language-model-pipelines/tune-large-model/v2.0.0',
    displayName: 'my-tuning-job',
    runtimeConfig,
  };

  const createPipelineRequest = {
    parent,
    pipelineJob,
    pipelineJobId,
  };
  await new Promise((resolve, reject) => {
    pipelineClient.createPipelineJob(createPipelineRequest).then(
      response => resolve(response),
      e => reject(e)
    );
  }).then(response => {
    const [result] = response;
    console.log('Tuning pipeline job:');
    console.log(`\tName: ${result.name}`);
    console.log(
      `\tCreate time: ${new Date(1970, 0, 1)
        .setSeconds(result.createTime.seconds)
        .toLocaleString()}`
    );
    console.log(`\tStatus: ${result.status}`);
  });
}

await tuneLLM();

Java

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

Per eseguire l'autenticazione in Vertex AI, configura le 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.HashMap;
import java.util.Map;

public class CreatePipelineJobModelTuningSample {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "PROJECT";
    String location = "europe-west4"; // europe-west4 and us-central1 are the supported regions
    String pipelineJobDisplayName = "PIPELINE_JOB_DISPLAY_NAME";
    String modelDisplayName = "MODEL_DISPLAY_NAME";
    String outputDir = "OUTPUT_DIR";
    String datasetUri = "DATASET_URI";
    int trainingSteps = 300;

    createPipelineJobModelTuningSample(
        project,
        location,
        pipelineJobDisplayName,
        modelDisplayName,
        outputDir,
        datasetUri,
        trainingSteps);
  }

  // Create a model tuning job
  public static void createPipelineJobModelTuningSample(
      String project,
      String location,
      String pipelineJobDisplayName,
      String modelDisplayName,
      String outputDir,
      String datasetUri,
      int trainingSteps)
      throws IOException {
    final String endpoint = String.format("%s-aiplatform.googleapis.com:443", location);
    PipelineServiceSettings pipelineServiceSettings =
        PipelineServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests.
    try (PipelineServiceClient client = PipelineServiceClient.create(pipelineServiceSettings)) {
      Map<String, Value> parameterValues = new HashMap<>();
      parameterValues.put("project", stringToValue(project));
      parameterValues.put("model_display_name", stringToValue(modelDisplayName));
      parameterValues.put("dataset_uri", stringToValue(datasetUri));
      parameterValues.put(
          "location",
          stringToValue(
              "us-central1")); // Deployment is only supported in us-central1 for Public Preview
      parameterValues.put("large_model_reference", stringToValue("text-bison@001"));
      parameterValues.put("train_steps", numberToValue(trainingSteps));
      parameterValues.put("accelerator_type", stringToValue("GPU")); // Optional: GPU or TPU

      RuntimeConfig runtimeConfig =
          RuntimeConfig.newBuilder()
              .setGcsOutputDirectory(outputDir)
              .putAllParameterValues(parameterValues)
              .build();

      PipelineJob pipelineJob =
          PipelineJob.newBuilder()
              .setTemplateUri(
                  "https://us-kfp.pkg.dev/ml-pipeline/large-language-model-pipelines/tune-large-model/v2.0.0")
              .setDisplayName(pipelineJobDisplayName)
              .setRuntimeConfig(runtimeConfig)
              .build();

      LocationName parent = LocationName.of(project, location);
      CreatePipelineJobRequest request =
          CreatePipelineJobRequest.newBuilder()
              .setParent(parent.toString())
              .setPipelineJob(pipelineJob)
              .build();

      PipelineJob response = client.createPipelineJob(request);
      System.out.format("response: %s\n", response);
      System.out.format("Name: %s\n", response.getName());
    }
  }

  static Value stringToValue(String str) {
    return Value.newBuilder().setStringValue(str).build();
  }

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

Console

Per ottimizzare un modello di testo con ottimizzazione supervisionata utilizzando la console Google Cloud, segui questi passaggi:

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

    Vai a Vertex AI Studio

  2. Fai clic sulla scheda Tune e distilla.
  3. Fai clic su Crea modello ottimizzato.
  4. Fai clic su Ottimizzazione supervisionata.
  5. Configura i dettagli del modello:
    • Nome del modello ottimizzato: inserisci un nome per il modello ottimizzato.
    • Modello di base: seleziona il modello da ottimizzare.
    • Regione: seleziona la regione in cui viene eseguito il job di ottimizzazione della pipeline e in cui viene eseguito il deployment del modello ottimizzato.
    • Directory di output: inserisci la località di Cloud Storage in cui sono archiviati gli artefatti quando il modello viene ottimizzato.
  6. Espandi Opzioni avanzate per configurare le impostazioni avanzate.
    • Passaggi di addestramento: inserisci il numero di passaggi da eseguire per l'ottimizzazione del modello. Il valore predefinito è 300. Le dimensioni del batch variano in base alla località di ottimizzazione e alle dimensioni del modello. Per i modelli 8K, come text-bison@002, chat-bison@002, code-bison@002 e codechat-bison@002:
      • us-central1 ha una dimensione del batch pari a 8.
      • europe-west4 ha una dimensione del batch di 24.
      Per i modelli da 32.000, ad esempio text-bison-32k, chat-bison-32k, code-bison-32k e codechat-bison-32k:
      • us-central1 ha una dimensione del batch pari a 8.
      • europe-west4 ha una dimensione del batch pari a 8.

      Ad esempio, se stai addestrando text-bison@002 in europe-west4, ci sono 240 esempi in un set di dati di addestramento e imposti steps su 20, il numero di esempi di addestramento è il prodotto di 20 passaggi e la dimensione del batch di 24 o 480 passaggi di addestramento. In questo caso, il processo di addestramento prevede due epoche perché analizza gli esempi due volte. In us-central1, se ci sono 240 esempi in un set di dati di addestramento e imposti steps su 15, il numero di esempi di addestramento è il prodotto di 15 passaggi e la dimensione del batch di 8 o 120 passaggi di addestramento. In questo caso, ci sono 0,5 epoche perché il numero di passaggi di addestramento è dimezzato rispetto agli esempi.

    • Moltiplicatore del tasso di apprendimento: inserisci la dimensione del passaggio a ogni iterazione. Il valore predefinito è 1.
    • Tipo di acceleratore: (facoltativo) inserisci il tipo di acceleratore da utilizzare per l'ottimizzazione del modello. Le opzioni valide sono:
      • GPU: utilizza otto GPU A100 da 80 GB per l'ottimizzazione. Assicurati di avere una quota sufficiente. Se scegli GPU, è supportato VPC‐SC. CMEK è supportata se la località di ottimizzazione e la località di caricamento del modello sono us-centra1. Per maggiori informazioni, consulta la pagina Impostazioni della regione per l'ottimizzazione supervisionata. Se scegli GPU, i calcoli di ottimizzazione del modello vengono eseguiti nella regione us-central1.
      • TPU: utilizza 64 core del pod TPU v3 per l'ottimizzazione. Assicurati di avere una quota sufficiente. CMEK non è supportata, ma è supportato VPC‐SC. Se scegli TPU, i calcoli di ottimizzazione del modello vengono eseguiti nella regione europe-west4.
    • (Facoltativo) Aggiungi un'istanza TensorBoard: (facoltativo) l'ID di un'istanza Vertex AI TensorBoard. L'istanza Vertex AI TensorBoard viene utilizzata per creare un esperimento al termine del job di ottimizzazione. L'istanza Vertex AI TensorBoard deve trovarsi nella stessa regione della pipeline di ottimizzazione.
    • Crittografia (facoltativa) Scegli se utilizzare una chiave di crittografia gestita da Google o una chiave di crittografia gestita dal cliente (CMEK). Una CMEK è disponibile per la crittografia solo nella regione us-central1. In tutte le altre regioni disponibili, viene utilizzata una chiave di crittografia gestita da Google. Per saperne di più, vedi Panoramica di CMEK.
    • Account di servizio (facoltativo) Scegli un account di servizio gestito dall'utente. Un account di servizio determina a quali risorse Google Cloud può accedere il tuo codice di servizio. Se non scegli un account di servizio, viene utilizzato un agente di servizio che includa le autorizzazioni appropriate per la maggior parte dei modelli.
  7. Fai clic su Continua.
  8. Se vuoi caricare il file del tuo set di dati, seleziona  Carica il file JSONL in Cloud Storage. Se il file del tuo set di dati si trova già in un bucket Cloud Storage, seleziona  File JSONL esistente su Cloud Storage.

    Carica un file JSONL

    • In Seleziona file JSONL, fai clic su Sfoglia e seleziona il file del set di dati.
    • In Posizione del set di dati, fai clic su Sfoglia e seleziona il bucket Cloud Storage in cui vuoi archiviare il file del set di dati.

    Usa un file JSONL esistente

    In Percorso file di Cloud Storage, fai clic su Sfoglia e seleziona il bucket Cloud Storage in cui si trova il file del set di dati.

  9. (Facoltativo) Per valutare il modello ottimizzato, seleziona Abilita la valutazione del modello e configura la valutazione del modello:
    • Set di dati di valutazione: (facoltativo) l'URI del file JSONL che contiene il set di dati di valutazione per la previsione e la valutazione batch. La valutazione non è supportata per chat-bison. Per maggiori informazioni, consulta Formato del set di dati per l'ottimizzazione di un modello di codice. Il set di dati di valutazione richiede tra 10 e 250 esempi.
    • Intervallo di valutazione: (facoltativo, valore predefinito 20) Il numero di passaggi dell'ottimizzazione tra ogni valutazione. L'intervallo di valutazione non è supportato per i modelli di chat. Poiché la valutazione viene eseguita sull'intero set di dati di valutazione, un intervallo di valutazione inferiore determina tempi di ottimizzazione più lunghi. Ad esempio, se steps è 200 e EVAL_INTERVAL è 100, otterrai solo due punti dati per le metriche di valutazione. Questo parametro richiede l'impostazione di evaluation_data_uri.
    • Abilita interruzione anticipata: (facoltativo, true predefinito) un valore boolean che, se impostato su true, interrompe l'ottimizzazione prima di completare tutti i passaggi di ottimizzazione se le prestazioni del modello, come misurate dalla precisione dei token previsti, non migliorano sufficientemente tra le esecuzioni delle valutazioni. Se è false, l'ottimizzazione continua fino al completamento di tutti i relativi passaggi. Questo parametro richiede l'impostazione di evaluation_data_uri. L'opzione Abilita l'interruzione anticipata non è supportata per i modelli di chat.
    • Abilita la selezione dei checkpoint: se questa opzione è abilitata, Vertex AI seleziona e restituisce il checkpoint con le migliori prestazioni di valutazione del modello da tutti i checkpoint creati durante il job di ottimizzazione. Se disabilitato, viene restituito l'ultimo checkpoint creato durante il job di ottimizzazione. Ogni checkpoint fa riferimento a uno snapshot del modello durante un job di ottimizzazione.
    • (Facoltativo) Istanza TensorBoard: (facoltativo) l'ID di un'istanza Vertex AI TensorBoard. L'istanza Vertex AI TensorBoard viene utilizzata per creare un esperimento al termine del job di ottimizzazione. L'istanza Vertex AI TensorBoard deve trovarsi nella stessa regione della pipeline di ottimizzazione.
  10. Fai clic su Avvia ottimizzazione.

Comando curl di esempio

PROJECT_ID=myproject
DATASET_URI=gs://my-gcs-bucket-uri/dataset
OUTPUT_DIR=gs://my-gcs-bucket-uri/output
ACCELERATOR_TYPE=GPU
LOCATION=us-central1

curl \
-X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
"https://europe-west4-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/europe-west4/pipelineJobs?pipelineJobId=tune-large-model-$(date +%Y%m%d%H%M%S)" -d \
$'{
  "displayName": "tune-llm",
  "runtimeConfig": {
    "gcsOutputDirectory": "'${OUTPUT_DIR}'",
    "parameterValues": {
      "project": "'${PROJECT_ID}'",
      "model_display_name": "The display name for your model in the UI",
      "dataset_uri": "'${DATASET_URI}'",
      "location": "'${LOCATION}'",
      "accelerator_type:": "'${ACCELERATOR_TYPE}'",
      "large_model_reference": "text-bison@002",
      "train_steps": 300,
      "learning_rate_multiplier": 1,
      "encryption_spec_key_name": "projects/myproject/locations/us-central1/keyRings/sample-key/cryptoKeys/sample-key"
    }
  },
  "encryptionSpec": {
    "kmsKeyName": "projects/myproject/locations/us-central1/keyRings/sample-key/cryptoKeys/sample-key"
  },
  "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/large-language-model-pipelines/tune-large-model/v2.0.0"
}'

La tabella seguente mostra le configurazioni consigliate per l'ottimizzazione di un modello di base per attività:

Attività Numero di esempi nel set di dati Passaggi di addestramento
Classificazione 100+ 100-500
Riassunto 100-500+ 200-1000
QA estrattivo 100+ 100-500
Chat Oltre 200 1000

Per i passaggi di addestramento, puoi provare più di un valore per ottenere le migliori prestazioni su un particolare set di dati, ad esempio 100, 200, 500.

Visualizza un elenco di modelli ottimizzati

Puoi visualizzare un elenco dei modelli nel progetto attuale, inclusi i modelli ottimizzati, utilizzando la console Google Cloud o l'SDK Vertex AI per Python.

Python

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

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

import vertexai

from vertexai.language_models import TextGenerationModel

# TODO(developer): Update values for project_id & location
vertexai.init(project=project_id, location=location)
model = TextGenerationModel.from_pretrained("text-bison@002")
tuned_model_names = model.list_tuned_model_names()
print(tuned_model_names)

Console

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

Vai a Vertex AI Model Registry

Carica un modello di testo ottimizzato

Il seguente codice campione utilizza l'SDK Vertex AI per Python per caricare un modello di generazione di testo ottimizzato utilizzando l'ottimizzazione supervisionata:

import vertexai
from vertexai.preview.language_models import TextGenerationModel

model = TextGenerationModel.get_tuned_model(TUNED_MODEL_NAME)

Sostituisci TUNED_MODEL_NAME con il nome della risorsa qualificato del tuo modello ottimizzato. Il nome è nel formato projects/PROJECT_ID/locations/LOCATION/models/MODEL_ID. Puoi trovare l'ID del tuo modello ottimizzato in Vertex AI Model Registry.

Metriche di ottimizzazione e valutazione

Puoi configurare un job di ottimizzazione del modello per raccogliere e segnalare le metriche di ottimizzazione e valutazione del modello, che possono poi essere visualizzate utilizzando Vertex AI TensorBoard.

Metriche di ottimizzazione del modello

Puoi configurare un job di ottimizzazione del modello per raccogliere le seguenti metriche di ottimizzazione per chat-bison, code-bison, codechat-bison e text-bison:
  • /train_total_loss: perdita del set di dati di ottimizzazione in una fase di addestramento.
  • /train_fraction_of_correct_next_step_preds: l'accuratezza del token in una fase di addestramento. Un'unica previsione consiste in una sequenza di token. Questa metrica misura l'accuratezza dei token previsti rispetto ai dati empirici reali nel set di dati di ottimizzazione.
  • /train_num_predictions: Numero di token previsti in una fase di addestramento.

Metriche di valutazione del modello

Puoi configurare un job di ottimizzazione del modello per raccogliere le seguenti metriche di valutazione per code-bison e text-bison:

  • /eval_total_loss: perdita del set di dati di valutazione in una fase di valutazione.
  • /eval_fraction_of_correct_next_step_preds: l'accuratezza del token in una fase di valutazione. Un'unica previsione consiste in una sequenza di token. Questa metrica misura l'accuratezza dei token previsti rispetto ai dati empirici reali nel set di dati di valutazione.
  • /eval_num_predictions: numero di token previsti in un passaggio di valutazione.

Le visualizzazioni delle metriche sono disponibili al termine del job di ottimizzazione del modello. Se specifichi solo un ID istanza di Vertex AI TensorBoard e non un set di dati di valutazione quando crei il job di ottimizzazione, sono disponibili solo le visualizzazioni per le metriche di ottimizzazione.

Risoluzione dei problemi

I seguenti argomenti potrebbero aiutarti a risolvere i problemi relativi all'ottimizzazione di un modello di testo di base utilizzando l'ottimizzazione supervisionata.

Il tentativo di ottimizzare un modello restituisce un errore 500 o Internal error encountered

Se riscontri questo errore 500 quando cerchi di ottimizzare un modello, prova questa soluzione alternativa:

Esegui il comando cURL seguente per creare un set di dati Vertex AI vuoto. Assicurati di configurare l'ID progetto nel comando.

curl \
-X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://europe-west4-aiplatform.googleapis.com/ui/projects/$PROJECT_ID/locations/europe-west4/datasets \
-d '{
    "display_name": "test-name1",
    "metadata_schema_uri": "gs://google-cloud-aiplatform/schema/dataset/metadata/image_1.0.0.yaml",
    "saved_queries": [{"display_name": "saved_query_name", "problem_type": "IMAGE_CLASSIFICATION_MULTI_LABEL"}]
}'

Al termine del comando, attendi cinque minuti e riprova a ottimizzare il modello.

Errore: autorizzazione "aiplatform.metadataStores.get" negata per la risorsa "...europe-west4/metadataStores/default".

Assicurati che l'API Compute Engine sia abilitata e che all'account di servizio Compute Engine predefinito (PROJECT_NUM‑compute@developer.gserviceaccount.com) siano stati concessi i ruoli aiplatform.admin e storage.objectAdmin.

Per concedere i ruoli aiplatform.admin e storage.objectAdmin all'account di servizio Compute Engine, segui questi passaggi:

  1. Nella console Google Cloud, attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore della console Google Cloud viene avviata una sessione di Cloud Shell che mostra un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già installato e con valori già impostati per il progetto attuale. L'inizializzazione della sessione può richiedere alcuni secondi.

    Se preferisci utilizzare un terminale sulla tua macchina, installa e configura Google Cloud CLI.

  2. Collega il ruolo aiplatform.admin al tuo account di servizio Compute Engine utilizzando il comando gcloud projects add-iam-policy-binding:

    Sostituisci quanto segue:

    • PROJECT_ID con il tuo ID progetto Google Cloud.
    • PROJECT_NUM con il numero di progetto Google Cloud.
    gcloud projects add-iam-policy-binding PROJECT_ID --member serviceAccount:PROJECT_NUM-compute@developer.gserviceaccount.com --role roles/aiplatform.admin
    
  3. Collega il ruolo storage.objectAdmin al tuo account di servizio Compute Engine utilizzando il comando gcloud projects add-iam-policy-binding:

    • PROJECT_ID con il tuo ID progetto Google Cloud.
    • PROJECT_NUM con il numero di progetto Google Cloud.
    gcloud projects add-iam-policy-binding PROJECT_ID --member serviceAccount:PROJECT_NUM-compute@developer.gserviceaccount.com  --role roles/storage.objectAdmin
    

Errore: l'agente di servizio Vertex AI service-{project-number}@gcp-sa-aiplatform.iam.gserviceaccount.com non dispone dell'autorizzazione per accedere al repository di Artifact Registry projects/vertex-ai-restricted/locations/us/repositories/llm.

Questo errore di autorizzazione è dovuto a un ritardo di propagazione. L'errore dovrebbe risolversi un nuovo tentativo.

Passaggi successivi