使用 Vertex AI 上的遠端模型進行預測

在本教學課程中，您會在 BigQuery 中將 Vertex AI 端點註冊為遠端模型。接著，您可以使用 ML.PREDICT 函式，透過遠端模型進行預測。

當模型過大而無法匯入 BigQuery 時，您可以使用遠端模型。如果您想針對線上、批次和微批次用途使用單一推論點，這項功能也十分實用。

將模型匯入 Vertex AI Model Registry

在本教學課程中，您將使用 Cloud Storage 中 gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/ 提供的預先訓練 TensorFlow 模型。Cloud Storage 值區位於 US 多區域位置。

模型是名為 saved_model.pb 的 TensorFlow 模型。這是自訂情緒分析模型，以純文字 IMDB 電影評論資料微調 BERT 模型而建立。模型會使用電影評論的文字輸入內容，並傳回介於 0 到 1 之間的情緒分數。將模型匯入 Model Registry 時，您會使用預先建構的 TensorFlow 容器。

請按照下列步驟匯入模型。

  1. 前往 Google Cloud 控制台的 Vertex AI「Model Registry」頁面。

    前往 Model Registry

  2. 按一下「匯入」。

  3. 在「步驟一：名稱和區域」中，執行下列操作：

    1. 選取「匯入為新模型」。

    2. 在「Name」(名稱) 中輸入 bert_sentiment。

    3. 在「Description」(說明) 中輸入 BQML tutorial model。

    4. 在「Region」(區域) 中選取 us-central1。您必須選擇美國境內的區域，因為 Cloud Storage bucket 位於US多區域US位置。

    5. 按一下「繼續」。

  4. 如要完成步驟二：模型設定，請執行下列操作：

    1. 選取「將模型構件匯入新的預建容器」。

    2. 在「預先建構的容器設定」部分，執行下列操作：

      1. 在「Model framework」(模型架構) 中選擇「TensorFlow」。

      2. 在「Model framework version」(模型架構版本) 中選擇「2.15」。

      3. 在「Accelerator type」(加速器類型) 部分，選擇「GPU」。

      4. 在「Model artifact location」(模型構件位置) 中輸入 gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/。

      5. 其餘選項保留預設值，然後按一下「匯入」。

匯入完成後，模型會顯示在「模型登錄」頁面。

將模型部署至 Vertex AI 端點

請按照下列步驟將模型部署至端點。

  1. 前往 Google Cloud 控制台的 Vertex AI「Model Registry」頁面。

    前往 Model Registry

  2. 在「Name」(名稱) 欄中，按一下 bert_sentiment。

  3. 按一下「Deploy & Test」(部署及測試) 分頁標籤。

  4. 按一下「Deploy to endpoint」(部署至端點)。

  5. 如要完成步驟一「定義端點」，請執行下列操作：

    1. 按一下「建立新端點」。

    2. 在「端點名稱」部分，輸入 bert sentiment endpoint。

    3. 保留其餘預設值，然後按一下「繼續」。

  6. 在第二個步驟「模型設定」中，請執行下列操作：

    1. 在「Compute settings」(運算設定) 區段中，為「Minimum number of compute nodes」(運算節點數量下限) 輸入 1。這是模型隨時可用的節點數量。

    2. 在「Advanced scaling options」(進階縮放選項) 區段中，針對「Machine type」(機型)，選擇「Standard (n1-standard-2)」(標準 (n1-standard-2))。由於您在匯入模型時選擇 GPU 做為加速器類型，因此選擇機器類型後，系統會自動設定加速器類型和加速器數量。

    3. 保留剩下欄位的預設值，然後按一下「部署」。

      模型部署到端點後，狀態會變更為 Active。

    4. 複製「ID」欄中的數字端點 ID，以及「Region」欄中的值。稍後會用到。

建立資料集

建立 BigQuery 資料集來儲存機器學習模型。

控制台

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往 BigQuery 頁面

  2. 在「Explorer」窗格中，按一下專案名稱。

  3. 依序點按 「View actions」(查看動作) >「Create dataset」(建立資料集)。

  4. 在「建立資料集」頁面中，執行下列操作：

    • 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。

    • 針對「Location type」(位置類型) 選取「Multi-region」(多區域)，然後選取「US (multiple regions in United States)」(us (多個美國區域))。

    • 其餘設定請保留預設狀態，然後按一下「建立資料集」。

bq

如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標。如需可能的完整參數清單，請參閱 bq mk --dataset 指令參考資料。

  1. 建立名為「bqml_tutorial」的資料集，並將資料位置設為「US」，說明則設為「BigQuery ML tutorial dataset」：

    bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial

    這個指令採用 -d 捷徑，而不是使用 --dataset 旗標。如果您省略 -d 和 --dataset，該指令預設會建立資料集。

  2. 確認資料集已建立完成：

    bq ls

API

請呼叫 datasets.insert 方法，搭配已定義的資料集資源。

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery DataFrames

在嘗試這個範例之前，請按照使用 BigQuery DataFrames 的 BigQuery 快速入門導覽課程中的 BigQuery DataFrames 設定說明操作。 詳情請參閱 BigQuery DataFrames 參考說明文件。

如要驗證 BigQuery，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定 ADC」。

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

建立 BigQuery Cloud 資源連線

您必須建立 Cloud 資源連線，才能連至 Vertex AI 端點。

主控台

  1. 前往「BigQuery」頁面

    前往「BigQuery」

  2. 在左側窗格中，按一下「Explorer」：

    醒目顯示的「Explorer」窗格按鈕。

    如果沒有看到左側窗格，請按一下「展開左側窗格」圖示 開啟窗格。

  3. 在「Explorer」窗格中，按一下 「新增資料」。

    「新增資料」對話方塊隨即開啟。

  4. 在「Filter By」(依條件篩選) 窗格的「Data Source Type」(資料來源類型) 區段中，選取「Databases」(資料庫)。

    或者，您也可以在「Search for data sources」(搜尋資料來源) 欄位中輸入 Vertex AI。

  5. 在「精選資料來源」部分，點選「Vertex AI」。

  6. 按一下「Vertex AI Models: BigQuery Federation」解決方案資訊卡。

  7. 在「連線類型」清單中，選取「Vertex AI 遠端模型、遠端函式和 BigLake (Cloud 資源)」。

  8. 在「連線 ID」欄位中輸入 bqml_tutorial。

  9. 確認已選取「Multi-region—US」(多區域 - 美國)。

  10. 點選「建立連線」。

  11. 按一下視窗底部的「前往連線」。或者，在「Explorer」窗格中，依序點選「Connections」和 us.bqml_tutorial。

  12. 在「連線資訊」窗格，複製服務帳戶 ID，設定連線的權限時，您需要這個 ID。建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並將其與連線建立關聯。

bq

  1. 建立連線：

    bq mk --connection --location=US --project_id=PROJECT_ID \
    --connection_type=CLOUD_RESOURCE bqml_tutorial

    將 PROJECT_ID 替換為您的專案 ID。Google Cloud --project_id 參數會覆寫預設專案。

    建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並將其與連線建立關聯。

    疑難排解：如果收到下列連線錯誤訊息，請更新 Google Cloud SDK：

    Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...

  2. 擷取並複製服務帳戶 ID，以供後續步驟使用：

    bq show --connection PROJECT_ID.us.bqml_tutorial

    輸出結果會與下列內容相似：

    name                          properties
1234.REGION.CONNECTION_ID {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}

設定連線存取權

為 Cloud 資源連線的服務帳戶授予 Vertex AI 使用者角色。您必須在建立遠端模型端點的專案中授予這個角色。

如要授予角色，請按照下列步驟操作：

  1. 前往「IAM & Admin」(IAM 與管理) 頁面。

    前往「IAM & Admin」(IAM 與管理)

  2. 按一下「授予存取權」。

  3. 在「新增主體」欄位，輸入先前複製的 Cloud 資源連結服務帳戶 ID。

  4. 在「請選擇角色」欄位中，選擇「Vertex AI」，然後選取「Vertex AI 使用者」。

  5. 按一下 [儲存]。

建立 BigQuery ML 遠端模型

您可以使用 REMOTE WITH CONNECTION 子句搭配 CREATE MODEL 陳述式，建立 BigQuery ML 遠端模型。如要進一步瞭解 CREATE MODEL 陳述式，請參閱「透過自訂模型建立遠端模型的 CREATE MODEL 陳述式」。

在 US 多地區位置建立模型。在 BigQuery 多區域 (US、EU) 資料集中，您只能建立連線至端點的遠端模型，該端點部署在相同多區域位置 (US、EU) 內的區域。

建立遠端模型時，需要將模型部署至 Vertex AI 時產生的端點 ID。此外，輸入和輸出欄位名稱與類型必須與 Vertex AI 模型的輸入和輸出完全相同。在這個範例中，輸入內容為文字 STRING，輸出內容則為 FLOAT64 類型的 ARRAY。

控制台

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 如要建立新項目，請按一下「SQL 查詢」。

  3. 在查詢編輯器中輸入這項 CREATE MODEL 陳述式，然後按一下「執行」：

    CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
INPUT (text STRING)
OUTPUT(scores ARRAY<FLOAT64>)
REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')

    更改下列內容：

    • PROJECT_ID：您的專案名稱。
    • ENDPOINT_ID：您先前複製的端點 ID。

    作業完成後，您會看到類似 Successfully created model named bert_sentiment 的訊息。

    新模型會顯示在「資源」面板中。模型會以模型圖示 模型圖示 來表示。

    在「Resources」(資源) 面板中選取新模型，「Query editor」(查詢編輯器) 下方就會顯示該模型的相關資訊。

bq

  1. 輸入下列 CREATE MODEL 陳述式，建立遠端模型：

    bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
INPUT (text STRING)
OUTPUT(scores ARRAY<FLOAT64>)
REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')"

    更改下列內容：

    • PROJECT_ID：您的專案名稱。
    • ENDPOINT_ID：您先前複製的端點 ID。

  2. 建立模型後，請確認模型是否顯示在資料集中：

    bq ls -m bqml_tutorial

    輸出結果會與下列內容相似：

    Id               Model Type   Labels    Creation Time
---------------- ------------ -------- -----------------
bert_sentiment                         28 Jan 17:39:43

使用 ML.PREDICT 取得預測結果

您可以使用 ML.PREDICT 函式，從遠端模型取得情緒預測結果。輸入內容是文字資料欄 (review)，內含 bigquery-public-data.imdb.reviews 資料表的電影評論。

在本例中，我們選取了 10,000 筆記錄，並傳送進行預測。遠端模型預設要求批次大小為 128 個執行個體。

控制台

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 在「建立新項目」部分，按一下「SQL 查詢」。

  3. 在查詢編輯器中，輸入使用 ML.PREDICT 函式的查詢，然後按一下「執行」。

    SELECT *
FROM ML.PREDICT (
    MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
    (
        SELECT review as text
        FROM `bigquery-public-data.imdb.reviews`
        LIMIT 10000
    )
)

    查詢結果應與下列內容類似：

    查詢結果

bq

輸入下列指令，執行使用 ML.PREDICT 的查詢。

bq query --use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT (
MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
  (
    SELECT review as text
    FROM `bigquery-public-data.imdb.reviews`
    LIMIT 10000
  )
)'