Gere texto através da função ML.GENERATE_TEXT

Este documento mostra como criar um modelo remoto do BigQuery ML que representa um modelo do Vertex AI e, em seguida, usar esse modelo remoto com a função ML.GENERATE_TEXT para gerar texto.

São suportados os seguintes tipos de modelos remotos:

• Modelos remotos em qualquer um dos modelos Gemini geralmente disponíveis ou em pré-visualização.
• Modelos remotos sobre os modelos Claude da Anthropic.
• Modelos remotos sobre os modelos Llama
• Modelos remotos através dos modelos de IA da Mistral
• Modelos remotos sobre modelos abertos suportados.

Consoante o modelo do Vertex AI que escolher, pode gerar texto com base na entrada de dados não estruturados de tabelas de objetos ou na entrada de texto de tabelas padrão.

Funções necessárias

Para criar um modelo remoto e gerar texto, precisa das seguintes funções de gestão de identidade e de acesso (IAM):

• Criar e usar conjuntos de dados, tabelas e modelos do BigQuery: Editor de dados do BigQuery (roles/bigquery.dataEditor) no seu projeto.

• Criar, delegar e usar associações do BigQuery: administrador de associações do BigQuery (roles/bigquery.connectionsAdmin) no seu projeto.

  Se não tiver uma associação predefinida configurada, pode criar e definir uma como parte da execução da declaração CREATE MODEL. Para tal, tem de ter a função de administrador do BigQuery (roles/bigquery.admin) no seu projeto. Para mais informações, consulte o artigo Configure a ligação predefinida.

• Conceda autorizações à conta de serviço da ligação: administrador de IAM do projeto (roles/resourcemanager.projectIamAdmin) no projeto que contém o ponto final do Vertex AI. Este é o projeto atual para modelos remotos que cria especificando o nome do modelo como um ponto final. Este é o projeto identificado no URL para modelos remotos que cria especificando um URL como ponto final.

  Se usar o modelo remoto para analisar dados não estruturados de uma tabela de objetos e o contentor do Cloud Storage que usa na tabela de objetos estiver num projeto diferente do seu ponto final do Vertex AI, também tem de ter o administrador de armazenamento (roles/storage.admin) no contentor do Cloud Storage usado pela tabela de objetos.

• Criar tarefas do BigQuery: utilizador de tarefas do BigQuery (roles/bigquery.jobUser) no seu projeto.

Estas funções predefinidas contêm as autorizações necessárias para realizar as tarefas descritas neste documento. Para ver as autorizações exatas necessárias, expanda a secção Autorizações necessárias:

Autorizações necessárias

• Crie um conjunto de dados: bigquery.datasets.create
• Crie, delegue e use uma associação: bigquery.connections.*
• Defina as autorizações da conta de serviço: resourcemanager.projects.getIamPolicy e resourcemanager.projects.setIamPolicy
• Crie um modelo e execute a inferência:
  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata

Também pode conseguir estas autorizações com funções personalizadas ou outras funções predefinidas.

Antes de começar

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Roles required to select or create a project

   • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
   • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.
   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.

   Go to project selector

2. Verify that billing is enabled for your Google Cloud project.

3. Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.

   Roles required to enable APIs

   To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

   Enable the APIs

Crie um conjunto de dados

Crie um conjunto de dados do BigQuery para conter os seus recursos:

Consola

1. Na Google Cloud consola, aceda à página BigQuery.

   Aceda ao BigQuery

2. No painel esquerdo, clique em Explorador:

   

   Se não vir o painel do lado esquerdo, clique em Expandir painel do lado esquerdo para o abrir.

3. No painel Explorador, clique no nome do projeto.

4. Clique em Ver ações > Criar conjunto de dados.

5. Na página Criar conjunto de dados, faça o seguinte:

   1. Para ID do conjunto de dados, escreva um nome para o conjunto de dados.

   2. Para Tipo de localização, selecione Região ou Várias regiões.

      • Se selecionou Região, selecione uma localização na lista Região.
      • Se selecionou Multirregional, selecione EUA ou Europa na lista Multirregional.

   3. Clique em Criar conjunto de dados.

bq

1. Para criar um novo conjunto de dados, use o comando bq mk com a flag --location:

   bq --location=LOCATION mk -d DATASET_ID

   Substitua o seguinte:

   • LOCATION: a localização do conjunto de dados.
   • DATASET_ID é o ID do conjunto de dados que está a criar.

2. Confirme que o conjunto de dados foi criado:

   bq ls

Crie uma associação

Pode ignorar este passo se tiver uma associação predefinida configurada ou tiver a função de administrador do BigQuery.

Crie uma ligação de recursos da nuvem para o modelo remoto usar e obtenha a conta de serviço da ligação. Crie a associação na mesma localização que o conjunto de dados que criou no passo anterior.

Selecione uma das seguintes opções:

Consola

1. Aceda à página do BigQuery.

   Aceda ao BigQuery

2. No painel Explorador, clique em Adicionar dados:

   

   É apresentada a caixa de diálogo Adicionar dados.

3. No painel Filtrar por, na secção Tipo de origem de dados, selecione Aplicações empresariais.

   Em alternativa, no campo Pesquisar origens de dados, pode introduzir Vertex AI.

4. Na secção Origens de dados em destaque, clique em Vertex AI.

5. Clique no cartão da solução Modelos da Vertex AI: federação do BigQuery.

6. Na lista Tipo de ligação, selecione Modelos remotos, funções remotas, BigLake e Spanner (recurso da nuvem) da Vertex AI.

7. No campo ID da associação, introduza um nome para a associação.

8. Clique em Criar associação.

9. Clique em Aceder à associação.

10. No painel Informações de associação, copie o ID da conta de serviço para utilização num passo posterior.

bq

1. Num ambiente de linha de comandos, crie uma associação:

   bq mk --connection --location=REGION --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE CONNECTION_ID

   O parâmetro --project_id substitui o projeto predefinido.

   Substitua o seguinte:

   • REGION: a sua região de ligação
   • PROJECT_ID: o ID do seu Google Cloud projeto
   • CONNECTION_ID: um ID para a sua ligação

   Quando cria um recurso de ligação, o BigQuery cria uma conta de serviço do sistema única e associa-a à ligação.

   Resolução de problemas: se receber o seguinte erro de ligação, atualize o SDK do Google Cloud:

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

2. Recupere e copie o ID da conta de serviço para utilização num passo posterior:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   O resultado é semelhante ao seguinte:

   name                          properties
   1234.REGION.CONNECTION_ID     {"serviceAccountId": "[e-mail]"}
   

Terraform

Use o recurso google_bigquery_connection.

Nota: para criar objetos do BigQuery com o Terraform, tem de ativar a API Cloud Resource Manager.

Para se autenticar no BigQuery, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para bibliotecas de cliente.

O exemplo seguinte cria uma associação de recursos da nuvem com o nome my_cloud_resource_connection na região US:

# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

Para aplicar a configuração do Terraform num Google Cloud projeto, conclua os passos nas secções seguintes.

Prepare o Cloud Shell

1. Inicie o Cloud Shell.

2. Defina o Google Cloud projeto predefinido onde quer aplicar as suas configurações do Terraform.

   Só tem de executar este comando uma vez por projeto e pode executá-lo em qualquer diretório.

   export GOOGLE_CLOUD_PROJECT=PROJECT_ID

   As variáveis de ambiente são substituídas se definir valores explícitos no ficheiro de configuração do Terraform.

Prepare o diretório

Cada ficheiro de configuração do Terraform tem de ter o seu próprio diretório (também denominado módulo raiz).

1. No Cloud Shell, crie um diretório e um novo ficheiro nesse diretório. O nome do ficheiro tem de ter a extensão .tf, por exemplo, main.tf. Neste tutorial, o ficheiro é denominado main.tf.

   mkdir DIRECTORY && cd DIRECTORY && touch main.tf

2. Se estiver a seguir um tutorial, pode copiar o código de exemplo em cada secção ou passo.

   Copie o exemplo de código para o ficheiro main.tf criado recentemente.

   Opcionalmente, copie o código do GitHub. Isto é recomendado quando o fragmento do Terraform faz parte de uma solução completa.

3. Reveja e modifique os parâmetros de exemplo para aplicar ao seu ambiente.
4. Guarde as alterações.
5. Inicialize o Terraform. Só tem de fazer isto uma vez por diretório.

   terraform init

   Opcionalmente, para usar a versão mais recente do fornecedor Google, inclua a opção -upgrade:

   terraform init -upgrade

Aplique as alterações

1. Reveja a configuração e verifique se os recursos que o Terraform vai criar ou atualizar correspondem às suas expetativas:

   terraform plan

   Faça correções à configuração conforme necessário.

2. Aplique a configuração do Terraform executando o seguinte comando e introduzindo yes no comando:

   terraform apply

   Aguarde até que o Terraform apresente a mensagem "Apply complete!" (Aplicação concluída!).

3. Abra o seu Google Cloud projeto para ver os resultados. Na Google Cloud consola, navegue para os seus recursos na IU para se certificar de que o Terraform os criou ou atualizou.

Nota: os exemplos do Terraform partem geralmente do princípio de que as APIs necessárias estão ativadas no seu Google Cloud projeto.

Conceda uma função à conta de serviço da ligação do modelo remoto

Tem de conceder a função de utilizador do Vertex AI à conta de serviço da ligação que o modelo remoto usa.

Se planear especificar o ponto final do modelo remoto como um URL, por exemplo, endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/gemini-2.0-flash', conceda esta função no mesmo projeto que especificar no URL.

Se planear especificar o ponto final do modelo remoto através do nome do modelo, por exemplo, endpoint = 'gemini-2.0-flash', conceda esta função no mesmo projeto onde planeia criar o modelo remoto.

A concessão da função num projeto diferente resulta no erro [e-mail] does not have the permission to access resource.

Para conceder a função de utilizador da Vertex AI, siga estes passos:

Consola

1. Aceda à página IAM e administrador.

   Aceda a IAM e administração

2. Clique em Adicionar.

   É apresentada a caixa de diálogo Adicionar responsáveis.

3. No campo Novos membros, introduza o ID da conta de serviço que copiou anteriormente.

4. No campo Selecionar uma função, selecione Vertex AI e, de seguida, selecione Utilizador da Vertex AI.

5. Clique em Guardar.

gcloud

Use o comando gcloud projects add-iam-policy-binding.

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None

Substitua o seguinte:

• PROJECT_NUMBER: o número do seu projeto
• MEMBER: o ID da conta de serviço que copiou anteriormente

Conceda uma função à conta de serviço da associação da tabela de objetos

Se estiver a usar o modelo remoto para gerar texto a partir de dados da tabela de objetos, conceda à conta de serviço da ligação da tabela de objetos a função de utilizador do Vertex AI no mesmo projeto onde planeia criar o modelo remoto. Caso contrário, pode ignorar este passo.

Para encontrar a conta de serviço da associação da tabela de objetos, siga estes passos:

1. Aceda à página do BigQuery.

   Aceda ao BigQuery

2. No painel esquerdo, clique em Explorador:

   

   Se não vir o painel do lado esquerdo, clique em Expandir painel do lado esquerdo para o abrir.

3. No painel Explorador, clique em Conjuntos de dados e, de seguida, selecione um conjunto de dados que contenha a tabela de objetos.

4. Clique em Vista geral > Tabelas e, de seguida, selecione a tabela de objetos.

5. No painel do editor, clique no separador Detalhes.

6. Tome nota do nome da associação no campo ID da associação.

7. No painel Explorador, clique em Associações.

8. Selecione a associação que corresponde à do campo ID da associação da tabela de objetos.

9. Copie o valor no campo ID da conta de serviço.

Para conceder a função, siga estes passos:

Consola

1. Aceda à página IAM e administrador.

   Aceda a IAM e administração

2. Clique em Adicionar.

   É apresentada a caixa de diálogo Adicionar responsáveis.

3. No campo Novos membros, introduza o ID da conta de serviço que copiou anteriormente.

4. No campo Selecionar uma função, selecione Vertex AI e, de seguida, selecione Utilizador da Vertex AI.

5. Clique em Guardar.

gcloud

Use o comando gcloud projects add-iam-policy-binding.

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None

Substitua o seguinte:

• PROJECT_NUMBER: o número do seu projeto
• MEMBER: o ID da conta de serviço que copiou anteriormente

Ative um modelo de parceiro

Este passo só é necessário se quiser usar os modelos de IA Anthropic Claude, Llama ou Mistral.

1. Na Google Cloud consola, aceda à página Model Garden do Vertex AI.

   Aceda ao Model Garden

2. Pesquise ou procure o modelo de parceiro que quer usar.

3. Clique no cartão do modelo.

4. Na página do modelo, clique em Ativar.

5. Preencha as informações de ativação pedidas e, de seguida, clique em Seguinte.

6. Na secção Termos de Utilização, selecione a caixa de verificação.

7. Clique em Aceitar para aceitar os Termos de Utilização e ativar o modelo.

Escolha um método de implementação de modelo aberto

Se estiver a criar um modelo remoto sobre um modelo aberto suportado, pode implementar automaticamente o modelo aberto ao mesmo tempo que cria o modelo remoto especificando o ID do modelo do Vertex AI Model Garden ou do Hugging Face na declaração CREATE MODEL. Em alternativa, pode implementar manualmente o modelo aberto primeiro e, em seguida, usar esse modelo aberto com o modelo remoto especificando o ponto final do modelo na declaração CREATE MODEL. Para mais informações, consulte o artigo Implemente modelos abertos.

Crie um modelo remoto do BigQuery ML

Crie um modelo remoto:

Novos modelos abertos

Pré-visualização

Este produto ou funcionalidade está sujeito aos "Termos das Ofertas de Pré-DG" na secção Termos Gerais de Serviço dos Termos Específicos do Serviço. Os produtos e as funcionalidades pré-GA estão disponíveis "tal como estão" e podem ter apoio técnico limitado. Para mais informações, consulte as descrições das fases de lançamento.

1. Na Google Cloud consola, aceda à página BigQuery.

   Aceda ao BigQuery

2. Usando o editor de SQL, crie um modelo remoto:

   CREATE OR REPLACE MODEL
   `PROJECT_ID.DATASET_ID.MODEL_NAME`
   REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
   OPTIONS (
     {HUGGING_FACE_MODEL_ID = 'HUGGING_FACE_MODEL_ID' |
        MODEL_GARDEN_MODEL_NAME = 'MODEL_GARDEN_MODEL_NAME'}
     [, HUGGING_FACE_TOKEN = 'HUGGING_FACE_TOKEN' ]
     [, MACHINE_TYPE = 'MACHINE_TYPE' ]
     [, MIN_REPLICA_COUNT = MIN_REPLICA_COUNT ]
     [, MAX_REPLICA_COUNT = MAX_REPLICA_COUNT ]
     [, RESERVATION_AFFINITY_TYPE = {'NO_RESERVATION' | 'ANY_RESERVATION' | 'SPECIFIC_RESERVATION'} ]
     [, RESERVATION_AFFINITY_KEY = 'compute.googleapis.com/reservation-name' ]
     [, RESERVATION_AFFINITY_VALUES = RESERVATION_AFFINITY_VALUES ]
     [, ENDPOINT_IDLE_TTL = ENDPOINT_IDLE_TTL ]
   );

   Substitua o seguinte:

   • PROJECT_ID: o ID do seu projeto.
   • DATASET_ID: o ID do conjunto de dados que vai conter o modelo. Este conjunto de dados tem de estar na mesma localização que a ligação que está a usar.
   • MODEL_NAME: o nome do modelo.
   • REGION: a região usada pela ligação.
   • CONNECTION_ID: o ID da sua ligação ao BigQuery.

     Pode obter este valor vendo os detalhes da associação na Google Cloud consola e copiando o valor na última secção do ID de associação totalmente qualificado apresentado em ID de associação. Por exemplo, projects/myproject/locations/connection_location/connections/myconnection.

   • HUGGING_FACE_MODEL_ID: um valor STRING que especifica o ID do modelo para um modelo do Hugging Face suportado, no formato provider_name/model_name. Por exemplo, deepseek-ai/DeepSeek-R1. Pode obter o ID do modelo clicando no nome do modelo no Hugging Face Model Hub e, em seguida, copiando o ID do modelo na parte superior do cartão do modelo.
   • MODEL_GARDEN_MODEL_NAME: um valor STRING que especifica o ID do modelo e a versão do modelo de um modelo do Model Garden da Vertex AI suportado, no formato publishers/publisher/models/model_name@model_version. Por exemplo, publishers/openai/models/gpt-oss@gpt-oss-120b. Pode obter o ID do modelo clicando no cartão do modelo no Vertex AI Model Garden e, de seguida, copiando o ID do modelo do campo ID do modelo. Pode obter a versão do modelo predefinido copiando-a do campo Versão no cartão do modelo. Para ver outras versões do modelo que pode usar, clique em Implementar modelo e, de seguida, clique no campo ID do recurso.
   • HUGGING_FACE_TOKEN: um valor STRING que especifica o token de acesso do utilizador do Hugging Face a usar. Só pode especificar um valor para esta opção se também especificar um valor para a opção HUGGING_FACE_MODEL_ID.

     O token tem de ter, no mínimo, a função read, mas também são aceitáveis tokens com um âmbito mais amplo. Esta opção é obrigatória quando o modelo identificado pelo valor HUGGING_FACE_MODEL_ID é um modelo restrito ou privado da Hugging Face.

     Alguns modelos restritos requerem a aceitação explícita dos respetivos termos de serviço antes de ser concedido o acesso. Para aceitar estes termos, siga estes passos:

     1. Navegue para a página do modelo no Website da Hugging Face.
     2. Localize e reveja os termos de utilização do modelo. Normalmente, encontra um link para o contrato de serviço no cartão do modelo.
     3. Aceite os termos conforme indicado na página.
   • MACHINE_TYPE: um valor STRING que especifica o tipo de máquina a usar quando implementar o modelo na Vertex AI. Para obter informações sobre os tipos de máquinas compatíveis, consulte o artigo Tipos de máquinas. Se não especificar um valor para a opção MACHINE_TYPE, é usado o tipo de máquina predefinido do Vertex AI Model Garden para o modelo.
   • MIN_REPLICA_COUNT: um valor INT64 que especifica o número mínimo de réplicas de máquinas usadas quando implementa o modelo num ponto final do Vertex AI. O serviço aumenta ou diminui o número de réplicas conforme necessário pela carga de inferência no ponto final. O número de réplicas usadas nunca é inferior ao valor de MIN_REPLICA_COUNT e nunca é superior ao valor de MAX_REPLICA_COUNT. O valor MIN_REPLICA_COUNT tem de estar no intervalo [1, 4096]. O valor predefinido é 1.
   • MAX_REPLICA_COUNT: um valor INT64 que especifica o número máximo de réplicas de máquinas usadas quando implementa o modelo num ponto final do Vertex AI. O serviço aumenta ou diminui o número de réplicas conforme necessário pela carga de inferência no ponto final. O número de réplicas usadas nunca é inferior ao valor de MIN_REPLICA_COUNT e nunca é superior ao valor de MAX_REPLICA_COUNT. O valor MAX_REPLICA_COUNT tem de estar no intervalo [1, 4096]. O valor predefinido é o valor MIN_REPLICA_COUNT.
   • RESERVATION_AFFINITY_TYPE: determina se o modelo implementado usa reservas do Compute Engine para fornecer disponibilidade garantida de máquinas virtuais (VMs) quando fornece previsões e especifica se o modelo usa VMs de todas as reservas disponíveis ou apenas de uma reserva específica. Para mais informações, consulte Afinidade de reserva do Compute Engine.

     Só pode usar reservas do Compute Engine partilhadas com o Vertex AI. Para mais informações, consulte o artigo Permita que uma reserva seja consumida.

     Os valores suportados são os seguintes:

     • NO_RESERVATION: não é consumida nenhuma reserva quando o seu modelo é implementado num ponto final do Vertex AI. Especificar NO_RESERVATION tem o mesmo efeito que não especificar uma afinidade de reserva.
     • ANY_RESERVATION: a implementação do modelo do Vertex AI consome máquinas virtuais (VMs) de reservas do Compute Engine que estão no projeto atual ou que são partilhadas com o projeto e que estão configuradas para consumo automático. Apenas são usadas VMs que cumprem as seguintes qualificações:
       • Usam o tipo de máquina especificado pelo valor MACHINE_TYPE.
       • Se o conjunto de dados do BigQuery no qual está a criar o modelo remoto for uma única região, a reserva tem de estar na mesma região. Se o conjunto de dados estiver na multirregião US, a reserva tem de estar na região us-central1. Se o conjunto de dados estiver na EU região múltipla, a reserva tem de estar na europe-west4 região.

       Se não existir capacidade suficiente nas reservas disponíveis ou se não forem encontradas reservas adequadas, o sistema aprovisiona VMs do Compute Engine a pedido para satisfazer os requisitos de recursos.

     • SPECIFIC_RESERVATION: a implementação do modelo do Vertex AI consome VMs apenas da reserva que especificar no valor RESERVATION_AFFINITY_VALUES. Esta reserva tem de ser configurada para um consumo especificamente segmentado. A implementação falha se a reserva especificada não tiver capacidade suficiente.
   • RESERVATION_AFFINITY_KEY: a string compute.googleapis.com/reservation-name. Tem de especificar esta opção quando o valor de RESERVATION_AFFINITY_TYPE é SPECIFIC_RESERVATION.
   • RESERVATION_AFFINITY_VALUES: um valor ARRAY<STRING> que especifica o nome completo do recurso da reserva do Compute Engine no seguinte formato:
     
     projects/myproject/zones/reservation_zone/reservations/reservation_name

     Por exemplo, RESERVATION_AFFINITY_values = ['projects/myProject/zones/us-central1-a/reservations/myReservationName'].

     Pode obter o nome e a zona da reserva na página Reservas da Google Cloud consola. Para mais informações, consulte Ver reservas.

     Tem de especificar esta opção quando o valor de RESERVATION_AFFINITY_TYPE for SPECIFIC_RESERVATION.

   • ENDPOINT_IDLE_TTL: um valor INTERVAL que especifica a duração da inatividade após a qual o modelo aberto é anulado automaticamente a implementação do ponto final do Vertex AI.

     Para ativar a anulação da implementação automática, especifique um valor literal de intervalo entre 390 minutos (6,5 horas) e 7 dias. Por exemplo, especifique INTERVAL 8 HOUR para que o modelo seja anulado após 8 horas de inatividade. O valor predefinido é de 390 minutos (6,5 horas).

     A inatividade do modelo é definida como o tempo decorrido desde que qualquer uma das seguintes operações foi realizada no modelo:

     • Executar a declaração CREATE MODEL.
     • Executar a declaração ALTER MODEL com o argumento DEPLOY_MODEL definido como TRUE.
     • Enviar um pedido de inferência para o ponto final do modelo. Por exemplo, executando a função ML.GENERATE_EMBEDDING ou ML.GENERATE_TEXT.

     Cada uma destas operações repõe o temporizador de inatividade para zero. A reposição é acionada no início da tarefa do BigQuery que executa a operação.

     Depois de o modelo ser anulado, os pedidos de inferência enviados para o modelo devolvem um erro. O objeto do modelo do BigQuery permanece inalterado, incluindo os metadados do modelo. Para usar novamente o modelo para inferência, tem de o implementar novamente executando a declaração ALTER MODEL no modelo e definindo a opção DEPLOY_MODEL como TRUE.

Modelos abertos implementados

1. Na Google Cloud consola, aceda à página BigQuery.

   Aceda ao BigQuery

2. Usando o editor de SQL, crie um modelo remoto:

   CREATE OR REPLACE MODEL
   `PROJECT_ID.DATASET_ID.MODEL_NAME`
   REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
   OPTIONS (
     ENDPOINT = 'https://ENDPOINT_REGION-aiplatform.googleapis.com/v1/projects/ENDPOINT_PROJECT_ID/locations/ENDPOINT_REGION/endpoints/ENDPOINT_ID'
   );

   Substitua o seguinte:

   • PROJECT_ID: o ID do seu projeto.
   • DATASET_ID: o ID do conjunto de dados que vai conter o modelo. Este conjunto de dados tem de estar na mesma localização que a ligação que está a usar.
   • MODEL_NAME: o nome do modelo.
   • REGION: a região usada pela ligação.
   • CONNECTION_ID: o ID da sua ligação ao BigQuery.

     Pode obter este valor vendo os detalhes da associação na Google Cloud consola e copiando o valor na última secção do ID de associação totalmente qualificado apresentado em ID de associação. Por exemplo, projects/myproject/locations/connection_location/connections/myconnection.

   • ENDPOINT_REGION: a região na qual o modelo aberto está implementado.
   • ENDPOINT_PROJECT_ID: o projeto no qual o modelo aberto está implementado.
   • ENDPOINT_ID: o ID do ponto final HTTPS usado pelo modelo aberto. Pode obter o ID do ponto final localizando o modelo aberto na página Previsão online e copiando o valor no campo ID.

Todos os outros modelos

1. Na Google Cloud consola, aceda à página BigQuery.

   Aceda ao BigQuery

2. Usando o editor de SQL, crie um modelo remoto:

   CREATE OR REPLACE MODEL
   `PROJECT_ID.DATASET_ID.MODEL_NAME`
   REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
   OPTIONS (ENDPOINT = 'ENDPOINT');

   Substitua o seguinte:

   • PROJECT_ID: o ID do seu projeto.
   • DATASET_ID: o ID do conjunto de dados que vai conter o modelo. Este conjunto de dados tem de estar na mesma localização que a ligação que está a usar.
   • MODEL_NAME: o nome do modelo.
   • REGION: a região usada pela ligação.
   • CONNECTION_ID: o ID da sua ligação ao BigQuery.

     Pode obter este valor vendo os detalhes da associação na Google Cloud consola e copiando o valor na última secção do ID de associação totalmente qualificado apresentado em ID de associação. Por exemplo, projects/myproject/locations/connection_location/connections/myconnection.

   • ENDPOINT: o ponto final do modelo do Vertex AI a usar.

     Para modelos do Vertex AI pré-preparados, modelos Claude e modelos de IA da Mistral, especifique o nome do modelo. Para alguns destes modelos, pode especificar uma versão específica do modelo como parte do nome. Para os modelos do Gemini suportados, pode especificar o ponto final global para melhorar a disponibilidade.

     Para os modelos Llama, especifique um ponto final da API OpenAI no formato openapi/<publisher_name>/<model_name>. Por exemplo, openapi/meta/llama-3.1-405b-instruct-maas.

     Para ver informações sobre os nomes e as versões dos modelos suportados, consulte ENDPOINT.

     O modelo da Vertex AI que especificar tem de estar disponível na localização onde está a criar o modelo remoto. Para mais informações, consulte o artigo Localizações.

Gerar texto a partir de dados de tabelas padrão

Gere texto através da função ML.GENERATE_TEXT com dados de comandos de uma tabela padrão:

Gemini

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings,
  REQUEST_TYPE AS request_type)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo.
• TABLE_NAME: o nome da tabela que contém o comando. Esta tabela tem de ter uma coluna com o nome prompt ou pode usar um alias para usar uma coluna com um nome diferente.
• PROMPT_QUERY: uma consulta que fornece os dados do comando. Esta consulta tem de produzir uma coluna com o nome prompt.

  Nota:

  Recomendamos que não use a cláusula LIMIT and OFFSET na consulta do comando. A utilização desta cláusula faz com que a consulta processe primeiro todos os dados de entrada e, em seguida, aplique LIMIT e OFFSET.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,8192]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. A predefinição é 128.
• TEMPERATURE: um valor FLOAT64 no intervalo [0.0,1.0] que controla o grau de aleatoriedade na seleção de tokens. A predefinição é 0.

  Os valores mais baixos para temperature são adequados para comandos que requerem uma resposta mais determinística e menos aberta ou criativa, enquanto os valores mais elevados para temperature podem gerar resultados mais diversos ou criativos. Um valor de 0 para temperature é determinístico, o que significa que a resposta com a probabilidade mais elevada é sempre selecionada.

• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. A predefinição é 0.95.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.
• STOP_SEQUENCES: um valor ARRAY<STRING> que remove as strings especificadas se estiverem incluídas nas respostas do modelo. As strings de carateres são correspondidas exatamente, incluindo a utilização de letras maiúsculas. A predefinição é uma matriz vazia.
• GROUND_WITH_GOOGLE_SEARCH: um valor BOOL que determina se o modelo da Vertex AI usa a [fundamentação com a Pesquisa Google](/vertex-ai/generative-ai/docs/grounding/overview#ground-public) quando gera respostas. A fundamentação permite que o modelo use informações adicionais da Internet ao gerar uma resposta, de forma a tornar as respostas do modelo mais específicas e factuais. Quando flatten_json_output e este campo estão definidos como True, é incluída uma coluna ml_generate_text_grounding_result adicional nos resultados, que indica as fontes que o modelo usou para recolher informações adicionais. A predefinição é FALSE.
• SAFETY_SETTINGS: um valor ARRAY<STRUCT<STRING AS category, STRING AS threshold>> que configura os limites de segurança do conteúdo para filtrar as respostas. O primeiro elemento na struct especifica uma categoria de danos e o segundo elemento na struct especifica um limite de bloqueio correspondente. O modelo filtra o conteúdo que viola estas definições. Só pode especificar cada categoria uma vez. Por exemplo, não pode especificar STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) e STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se não existir uma definição de segurança para uma determinada categoria, é usada a definição de segurança BLOCK_MEDIUM_AND_ABOVE. As categorias suportadas são as seguintes:
  • HARM_CATEGORY_HATE_SPEECH
  • HARM_CATEGORY_DANGEROUS_CONTENT
  • HARM_CATEGORY_HARASSMENT
  • HARM_CATEGORY_SEXUALLY_EXPLICIT
  Os limites suportados são os seguintes:
  • BLOCK_NONE (Restrito)
  • BLOCK_LOW_AND_ABOVE
  • BLOCK_MEDIUM_AND_ABOVE (Predefinição)
  • BLOCK_ONLY_HIGH
  • HARM_BLOCK_THRESHOLD_UNSPECIFIED
  Para mais informações, consulte a definição de categoria de segurança e limite de bloqueio.
• REQUEST_TYPE: um valor STRING que especifica o tipo de pedido de inferência a enviar para o modelo Gemini. O tipo de pedido determina a quota que o pedido usa. Os valores válidos são os seguintes:
  • DEDICATED: a função ML.GENERATE_TEXT usa apenas a quota de débito aprovisionado. A função ML.GENERATE_TEXT devolve o erro Provisioned throughput is not purchased or is not active se a quota de débito processado aprovisionado não estiver disponível.
  • SHARED: a função ML.GENERATE_TEXT só usa quota partilhada dinâmica (DSQ), mesmo que tenha comprado quota de débito processado aprovisionado.
  • UNSPECIFIED: a função ML.GENERATE_TEXT usa a quota da seguinte forma:
    • Se não tiver comprado uma quota de débito processado, a função ML.GENERATE_TEXT usa a quota de DSQ.
    • Se comprou uma quota de débito processado aprovisionado, a função ML.GENERATE_TEXT usa primeiro a quota de débito processado aprovisionado. Se os pedidos excederem a quota de débito processado provisionado, o tráfego de overflow usa a quota de DSQ.

  O valor predefinido é UNSPECIFIED.

  Para mais informações, consulte o artigo Use o débito aprovisionado da Vertex AI.

  Exemplo 1

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Pede um resumo do texto na coluna body da tabela articles.
  • Analisa a resposta JSON do modelo em colunas separadas.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.text_model`,
      (
        SELECT CONCAT('Summarize this text', body) AS prompt
        FROM mydataset.articles
      ),
      STRUCT(TRUE AS flatten_json_output));

  Exemplo 2

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Usa uma consulta para criar os dados de comandos concatenando strings que fornecem prefixos de comandos com colunas de tabelas.
  • Devolve uma resposta curta.
  • Não analisa a resposta JSON do modelo em colunas separadas.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.text_model`,
      (
        SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
        FROM mydataset.input_table
      ),
      STRUCT(
        100 AS max_output_tokens,
        FALSE AS flatten_json_output));

  Exemplo 3

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Usa a coluna prompt da tabela prompts para o comando.
  • Analisa a resposta JSON do modelo em colunas separadas.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.text_model`,
      TABLE mydataset.prompts,
      STRUCT(TRUE AS flatten_json_output));

  Exemplo 4

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Usa a coluna prompt da tabela prompts para o comando.
  • Devolve uma resposta curta.
  • Une a resposta JSON em colunas separadas.
  • Extrai e devolve dados da Web públicos para fundamentar as respostas.
  • Filtra respostas inseguras através de duas definições de segurança.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.text_model`,
      TABLE mydataset.prompts,
      STRUCT(
        100 AS max_output_tokens, 0.5 AS top_p,
        TRUE AS flatten_json_output,
        TRUE AS ground_with_google_search,
        [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
          'BLOCK_LOW_AND_ABOVE' AS threshold),
        STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
          'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

  Exemplo 5

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Usa a coluna prompt da tabela prompts para o comando.
  • Devolve uma resposta mais longa.
  • Une a resposta JSON em colunas separadas.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.flash_2_model`,
      TABLE mydataset.prompts,
      STRUCT(
        0.4 AS temperature, 8192 AS max_output_tokens,
        TRUE AS flatten_json_output));

  Exemplo 6

  O exemplo seguinte mostra um pedido com estas caraterísticas:

  • Pede um resumo do texto na coluna body da tabela articles.
  • Une a resposta JSON em colunas separadas.
  • Extrai e devolve dados da Web públicos para fundamentar as respostas.
  • Filtra respostas inseguras através de duas definições de segurança.

  SELECT *
  FROM
    ML.GENERATE_TEXT(
      MODEL `mydataset.text_model`,
      (
        SELECT CONCAT('Summarize this text', body) AS prompt
        FROM mydataset.articles
      ),
      STRUCT(
        .1 AS TEMPERATURE,
        TRUE AS flatten_json_output, TRUE AS ground_with_google_search,
        [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
          'BLOCK_LOW_AND_ABOVE' AS threshold),
        STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
          'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

Claude

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TOP_K AS top_k,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo.
• TABLE_NAME: o nome da tabela que contém o comando. Esta tabela tem de ter uma coluna com o nome prompt ou pode usar um alias para usar uma coluna com um nome diferente.
• PROMPT_QUERY: uma consulta que fornece os dados do comando. Esta consulta tem de produzir uma coluna com o nome prompt.

  Nota:

  Recomendamos que não use a cláusula LIMIT and OFFSET na consulta do comando. A utilização desta cláusula faz com que a consulta processe primeiro todos os dados de entrada e, em seguida, aplique LIMIT e OFFSET.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,4096]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. A predefinição é 128.
• TOP_K: um valor INT64 no intervalo [1,40] que determina o conjunto inicial de tokens que o modelo considera para seleção. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.

Exemplo 1

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Pede um resumo do texto na coluna body da tabela articles.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

Exemplo 2

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa uma consulta para criar os dados de comandos concatenando strings que fornecem prefixos de comandos com colunas de tabelas.
• Devolve uma resposta curta.
• Não analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

Exemplo 3

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa a coluna prompt da tabela prompts para o comando.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Llama

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo.
• TABLE_NAME: o nome da tabela que contém o comando. Esta tabela tem de ter uma coluna com o nome prompt ou pode usar um alias para usar uma coluna com um nome diferente.
• PROMPT_QUERY: uma consulta que fornece os dados do comando. Esta consulta tem de produzir uma coluna com o nome prompt.

  Nota:

  Recomendamos que não use a cláusula LIMIT and OFFSET na consulta do comando. A utilização desta cláusula faz com que a consulta processe primeiro todos os dados de entrada e, em seguida, aplique LIMIT e OFFSET.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,4096]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. A predefinição é 128.
• TEMPERATURE: um valor FLOAT64 no intervalo [0.0,1.0] que controla o grau de aleatoriedade na seleção de tokens. A predefinição é 0.

  Os valores mais baixos para temperature são adequados para comandos que requerem uma resposta mais determinística e menos aberta ou criativa, enquanto os valores mais elevados para temperature podem gerar resultados mais diversos ou criativos. Um valor de 0 para temperature é determinístico, o que significa que a resposta com a probabilidade mais elevada é sempre selecionada.

• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. A predefinição é 0.95.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.
• STOP_SEQUENCES: um valor ARRAY<STRING> que remove as strings especificadas se estiverem incluídas nas respostas do modelo. As strings de carateres são correspondidas exatamente, incluindo a utilização de letras maiúsculas. A predefinição é uma matriz vazia.

Exemplo 1

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Pede um resumo do texto na coluna body da tabela articles.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

Exemplo 2

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa uma consulta para criar os dados de comandos concatenando strings que fornecem prefixos de comandos com colunas de tabelas.
• Devolve uma resposta curta.
• Não analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

Exemplo 3

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa a coluna prompt da tabela prompts para o comando.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Mistral AI

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo.
• TABLE_NAME: o nome da tabela que contém o comando. Esta tabela tem de ter uma coluna com o nome prompt ou pode usar um alias para usar uma coluna com um nome diferente.
• PROMPT_QUERY: uma consulta que fornece os dados do comando. Esta consulta tem de produzir uma coluna com o nome prompt.

  Nota:

  Recomendamos que não use a cláusula LIMIT and OFFSET na consulta do comando. A utilização desta cláusula faz com que a consulta processe primeiro todos os dados de entrada e, em seguida, aplique LIMIT e OFFSET.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,4096]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. A predefinição é 128.
• TEMPERATURE: um valor FLOAT64 no intervalo [0.0,1.0] que controla o grau de aleatoriedade na seleção de tokens. A predefinição é 0.

  Os valores mais baixos para temperature são adequados para comandos que requerem uma resposta mais determinística e menos aberta ou criativa, enquanto os valores mais elevados para temperature podem gerar resultados mais diversos ou criativos. Um valor de 0 para temperature é determinístico, o que significa que a resposta com a probabilidade mais elevada é sempre selecionada.

• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. A predefinição é 0.95.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.
• STOP_SEQUENCES: um valor ARRAY<STRING> que remove as strings especificadas se estiverem incluídas nas respostas do modelo. As strings de carateres são correspondidas exatamente, incluindo a utilização de letras maiúsculas. A predefinição é uma matriz vazia.

Exemplo 1

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Pede um resumo do texto na coluna body da tabela articles.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

Exemplo 2

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa uma consulta para criar os dados de comandos concatenando strings que fornecem prefixos de comandos com colunas de tabelas.
• Devolve uma resposta curta.
• Não analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

Exemplo 3

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa a coluna prompt da tabela prompts para o comando.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Abrir modelos

Nota: tem de implementar modelos abertos no Vertex AI antes de os poder usar. Para mais informações, consulte o artigo Implemente um modelo aberto.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens,
   TEMPERATURE AS temperature, TOP_K AS top_k,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo.
• TABLE_NAME: o nome da tabela que contém o comando. Esta tabela tem de ter uma coluna com o nome prompt ou pode usar um alias para usar uma coluna com um nome diferente.
• PROMPT_QUERY: uma consulta que fornece os dados do comando. Esta consulta tem de produzir uma coluna com o nome prompt.

  Nota:

  Recomendamos que não use a cláusula LIMIT and OFFSET na consulta do comando. A utilização desta cláusula faz com que a consulta processe primeiro todos os dados de entrada e, em seguida, aplique LIMIT e OFFSET.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,4096]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. Se não especificar um valor, o modelo determina um valor adequado.
• TEMPERATURE: um valor FLOAT64 no intervalo [0.0,1.0] que controla o grau de aleatoriedade na seleção de tokens. Se não especificar um valor, o modelo determina um valor adequado.

  Os valores mais baixos para temperature são adequados para comandos que requerem uma resposta mais determinística e menos aberta ou criativa, enquanto os valores mais elevados para temperature podem gerar resultados mais diversos ou criativos. Um valor de 0 para temperature é determinístico, o que significa que a resposta com a probabilidade mais elevada é sempre selecionada.

• TOP_K: um valor INT64 no intervalo [1,40] que determina o conjunto inicial de tokens que o modelo considera para seleção. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.

Exemplo 1

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Pede um resumo do texto na coluna body da tabela articles.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

Exemplo 2

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa uma consulta para criar os dados de comandos concatenando strings que fornecem prefixos de comandos com colunas de tabelas.
• Devolve uma resposta curta.
• Não analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

Exemplo 3

O exemplo seguinte mostra um pedido com estas caraterísticas:

• Usa a coluna prompt da tabela prompts para o comando.
• Analisa a resposta JSON do modelo em colunas separadas.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Gere texto a partir de dados da tabela de objetos

Gere texto usando a função ML.GENERATE_TEXT com um modelo do Gemini para analisar dados não estruturados de uma tabela de objetos. Fornece os dados do comando no parâmetro prompt.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(PROMPT AS prompt, TOKENS AS max_output_tokens,
  TEMPERATURE AS temperature, TOP_P AS top_p,
  FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences,
  SAFETY_SETTINGS AS safety_settings)
);

Substitua o seguinte:

• PROJECT_ID: o ID do seu projeto.
• DATASET_ID: o ID do conjunto de dados que contém o modelo.
• MODEL_NAME: o nome do modelo. Tem de ser um modelo Gemini.
• TABLE_NAME: o nome da tabela de objetos que contém o conteúdo a analisar. Para mais informações sobre os tipos de conteúdo que pode analisar, consulte a secção Entrada.

  O contentor do Cloud Storage usado pela tabela de objetos deve estar no mesmo projeto onde criou o modelo e onde está a chamar a função ML.GENERATE_TEXT. Se quiser chamar a função ML.GENERATE_TEXT num projeto diferente do que contém o contentor do Cloud Storage usado pela tabela de objetos, tem de conceder a função de administrador de armazenamento ao nível do contentor à conta de serviço [e-mail].

• PROMPT: o comando a usar para analisar o conteúdo.
• TOKENS: um valor INT64 que define o número máximo de tokens que podem ser gerados na resposta. Este valor tem de estar no intervalo [1,4096]. Especifique um valor inferior para respostas mais curtas e um valor superior para respostas mais longas. Se não especificar um valor, o modelo determina um valor adequado.
• TEMPERATURE: um valor FLOAT64 no intervalo [0.0,1.0] que controla o grau de aleatoriedade na seleção de tokens. Se não especificar um valor, o modelo determina um valor adequado.

  Os valores mais baixos para temperature são adequados para comandos que requerem uma resposta mais determinística e menos aberta ou criativa, enquanto os valores mais elevados para temperature podem gerar resultados mais diversos ou criativos. Um valor de 0 para temperature é determinístico, o que significa que a resposta com a probabilidade mais elevada é sempre selecionada.

• TOP_K: um valor INT64 no intervalo [1,40] que determina o conjunto inicial de tokens que o modelo considera para seleção. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• TOP_P: um valor FLOAT64 no intervalo [0.0,1.0] ajuda a determinar a probabilidade dos tokens selecionados. Especifique um valor inferior para respostas menos aleatórias e um valor superior para respostas mais aleatórias. Se não especificar um valor, o modelo determina um valor adequado.
• FLATTEN_JSON: um valor BOOL que determina se o texto gerado e os atributos de segurança devem ser devolvidos em colunas separadas. A predefinição é FALSE.

Exemplos

Este exemplo traduz e transcreve conteúdo de áudio de uma tabela de objetos denominada feedback:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.audio_model`,
    TABLE `mydataset.feedback`,
      STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT,
      TRUE AS FLATTEN_JSON_OUTPUT));

Este exemplo classifica o conteúdo PDF de uma tabela de objetos denominada invoices:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.classify_model`,
    TABLE `mydataset.invoices`,
      STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT,
      TRUE AS FLATTEN_JSON_OUTPUT));