Genera testo utilizzando la funzione AI.GENERATE_TEXT

Questo documento mostra come creare un modello remoto BigQuery ML che rappresenta un modello Vertex AI e poi utilizzare quel modello remoto con la funzione AI.GENERATE_TEXT per generare testo.

Sono supportati i seguenti tipi di modelli remoti:

A seconda del modello Vertex AI che scegli, puoi generare testo in base all'input di dati non strutturati da tabelle di oggetti o all'input di testo da tabelle standard.

Ruoli obbligatori

Per creare un modello remoto e generare testo, devi disporre dei seguenti ruoli IAM (Identity and Access Management):

  • Crea e utilizza set di dati, tabelle e modelli BigQuery: Editor dati BigQuery (roles/bigquery.dataEditor) nel tuo progetto.

  • Crea, delega e utilizza le connessioni BigQuery: Amministratore connessioni BigQuery (roles/bigquery.connectionsAdmin) nel tuo progetto.

    Se non hai configurato una connessione predefinita, puoi crearne e impostarne una durante l'esecuzione dell'istruzione CREATE MODEL. Per farlo, devi disporre del ruolo Amministratore BigQuery (roles/bigquery.admin) nel tuo progetto. Per saperne di più, vedi Configurare la connessione predefinita.

  • Concedi le autorizzazioni al account di servizio della connessione: Amministratore IAM progetto (roles/resourcemanager.projectIamAdmin) nel progetto che contiene l'endpoint Vertex AI. Questo è il progetto attuale per i modelli remoti che crei specificando il nome del modello come endpoint. Questo è il progetto identificato nell'URL per i modelli remoti che crei specificando un URL come endpoint.

    Se utilizzi il modello remoto per analizzare dati non strutturati da una tabella di oggetti e il bucket Cloud Storage che utilizzi nella tabella di oggetti si trova in un progetto diverso dall'endpoint Vertex AI, devi disporre anche di Storage Admin (roles/storage.admin) nel bucket Cloud Storage utilizzato dalla tabella di oggetti.

  • Crea job BigQuery: Utente job BigQuery (roles/bigquery.jobUser) nel tuo progetto.

Questi ruoli predefiniti contengono le autorizzazioni necessarie per eseguire le attività descritte in questo documento. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

  • Crea un set di dati: bigquery.datasets.create
  • Crea, delega e utilizza una connessione: bigquery.connections.*
  • Imposta le autorizzazioni del account di servizio: resourcemanager.projects.getIamPolicy e resourcemanager.projects.setIamPolicy
  • Crea un modello ed esegui l'inferenza:
    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
    • bigquery.models.updateMetadata

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Prima di iniziare

  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 role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    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

Crea un set di dati

Crea un set di dati BigQuery che contenga le tue risorse:

Console

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro a sinistra, fai clic su Explorer:

    Pulsante evidenziato per il riquadro Spazio di esplorazione.

    Se non vedi il riquadro a sinistra, fai clic su Espandi riquadro a sinistra per aprirlo.

  3. Nel riquadro Explorer, fai clic sul nome del progetto.

  4. Fai clic su Visualizza azioni > Crea set di dati.

  5. Nella pagina Crea set di dati:

    1. In ID set di dati, digita un nome per il set di dati.

    2. Per Tipo di località, seleziona Regione o Più regioni.

      • Se hai selezionato Regione, seleziona una località dall'elenco Regione.
      • Se hai selezionato Più regioni, seleziona Stati Uniti o Europa dall'elenco Più regioni.

    3. Fai clic su Crea set di dati.

bq

  1. Per creare un nuovo set di dati, utilizza il comando bq mk con il flag --location:

    bq --location=LOCATION mk -d DATASET_ID

    Sostituisci quanto segue:

    • LOCATION: la posizione del set di dati.
    • DATASET_ID è l'ID del set di dati che stai creando.

  2. Verifica che il set di dati sia stato creato:

    bq ls

Crea una connessione

Crea una connessione di risorsa Cloud da utilizzare per il modello remoto e recupera il account di servizio della connessione. Crea la connessione nella stessa posizione del set di dati creato nel passaggio precedente.

Puoi saltare questo passaggio se hai configurato una connessione predefinita o se disponi del ruolo Amministratore BigQuery.

Seleziona una delle seguenti opzioni:

Console

  1. Vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro a sinistra, fai clic su Explorer:

    Pulsante evidenziato per il riquadro Spazio di esplorazione.

    Se non vedi il riquadro a sinistra, fai clic su Espandi riquadro a sinistra per aprirlo.

  3. Nel riquadro Explorer, espandi il nome del progetto e fai clic su Connessioni.

  4. Nella pagina Connessioni, fai clic su Crea connessione.

  5. Per Tipo di connessione, scegli Modelli remoti di Vertex AI, funzioni remote, BigLake e Spanner (risorsa Cloud).

  6. Nel campo ID connessione, inserisci un nome per la connessione.

  7. Per Tipo di località, seleziona una località per la connessione. La connessione deve essere colocalizzata con le altre risorse, ad esempio i set di dati.

  8. Fai clic su Crea connessione.

  9. Fai clic su Vai alla connessione.

  10. Nel riquadro Informazioni sulla connessione, copia l'ID dell'account di servizio da utilizzare in un passaggio successivo.

bq

  1. In un ambiente a riga di comando, crea una connessione:

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

    Il parametro --project_id sostituisce il progetto predefinito.

    Sostituisci quanto segue:

    • REGION: la tua regione di connessione
    • PROJECT_ID: il tuo Google Cloud ID progetto
    • CONNECTION_ID: un ID per la tua connessione

    Quando crei una risorsa di connessione, BigQuery crea un account di serviziot di sistema univoco e lo associa alla connessione.

    Risoluzione dei problemi: se viene visualizzato il seguente errore di connessione, aggiorna Google Cloud SDK:

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

  2. Recupera e copia l'ID account di servizio da utilizzare in un passaggio successivo:

    bq show --connection PROJECT_ID.REGION.CONNECTION_ID

    L'output è simile al seguente:

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

Terraform

Utilizza la risorsa google_bigquery_connection.

Per eseguire l'autenticazione in BigQuery, configura le Credenziali predefinite dell'applicazione. Per saperne di più, vedi Configurare l'autenticazione per le librerie client.

L'esempio seguente crea una connessione di risorsa Cloud denominata my_cloud_resource_connection nella regione 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 {}
}

Per applicare la configurazione di Terraform in un progetto Google Cloud , completa i passaggi descritti nelle sezioni seguenti.

Prepara Cloud Shell

  1. Avvia Cloud Shell.

  2. Imposta il progetto Google Cloud predefinito in cui vuoi applicare le configurazioni Terraform.

    Devi eseguire questo comando una sola volta per progetto e puoi eseguirlo in qualsiasi directory.

    export GOOGLE_CLOUD_PROJECT=PROJECT_ID

    Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

Preparare la directory

Ogni file di configurazione Terraform deve avere la propria directory (chiamata anche modulo radice).

  1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file viene denominato main.tf. 
    mkdir DIRECTORY && cd DIRECTORY && touch main.tf

  2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

    Copia il codice campione nel file main.tf appena creato.

    (Facoltativo) Copia il codice da GitHub. Questa operazione è consigliata quando lo snippet Terraform fa parte di una soluzione end-to-end.

  3. Rivedi e modifica i parametri di esempio da applicare al tuo ambiente.
  4. Salva le modifiche.
  5. Inizializza Terraform. Devi effettuare questa operazione una sola volta per directory. 
    terraform init

    (Facoltativo) Per utilizzare l'ultima versione del provider Google, includi l'opzione -upgrade: 

    terraform init -upgrade

Applica le modifiche

  1. Rivedi la configurazione e verifica che le risorse che Terraform creerà o aggiornerà corrispondano alle tue aspettative: 
    terraform plan

    Apporta le correzioni necessarie alla configurazione.

  2. Applica la configurazione Terraform eseguendo questo comando e inserendo yes al prompt: 
    terraform apply

    Attendi che Terraform visualizzi il messaggio "Apply complete!".

  3. Apri il tuo Google Cloud progetto per visualizzare i risultati. Nella console Google Cloud , vai alle risorse nell'interfaccia utente per assicurarti che Terraform le abbia create o aggiornate.

Concedi un ruolo al account di servizio della connessione al modello remoto

Devi concedere il ruolo Utente Vertex AI al account di servizio della connessione utilizzata dal modello remoto.

Se prevedi di specificare l'endpoint del modello remoto come URL, ad esempio endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/gemini-2.0-flash', concedi questo ruolo nello stesso progetto specificato nell'URL.

Se prevedi di specificare l'endpoint del modello remoto utilizzando il nome del modello, ad esempio endpoint = 'gemini-2.0-flash', concedi questo ruolo nello stesso progetto in cui prevedi di creare il modello remoto.

La concessione del ruolo in un progetto diverso genera l'errore bqcx-1234567890-wxyz@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource.

Per concedere il ruolo Utente Vertex AI:

Console

  1. Vai alla pagina IAM e amministrazione.

    Vai a IAM e amministrazione

  2. Fai clic su Aggiungi.

    Si apre la finestra di dialogo Aggiungi entità.

  3. Nel campo Nuove entità, inserisci l'ID account di servizio che hai copiato in precedenza.

  4. Nel campo Seleziona un ruolo, seleziona Vertex AI, quindi seleziona Utente Vertex AI.

  5. Fai clic su Salva.

gcloud

Utilizza il comando gcloud projects add-iam-policy-binding.

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

Sostituisci quanto segue:

  • PROJECT_NUMBER: il numero di progetto
  • MEMBER: l'ID account di servizio che hai copiato in precedenza

Concedi un ruolo al account di servizio della connessione alla tabella degli oggetti

Se utilizzi il modello remoto per generare testo dai dati della tabella degli oggetti, concedi all'account di servizio della connessione alla tabella degli oggetti il ruolo Utente Vertex AI nello stesso progetto in cui prevedi di creare il modello remoto. In caso contrario, ignora questo passaggio.

Per trovare il account di servizio per la connessione alla tabella degli oggetti:

  1. Vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro a sinistra, fai clic su Explorer:

    Pulsante evidenziato per il riquadro Spazio di esplorazione.

    Se non vedi il riquadro a sinistra, fai clic su Espandi riquadro a sinistra per aprirlo.

  3. Nel riquadro Explorer, fai clic su Set di dati e poi seleziona un set di dati che contiene la tabella degli oggetti.

  4. Fai clic su Panoramica > Tabelle e poi seleziona la tabella degli oggetti.

  5. Nel riquadro dell'editor, fai clic sulla scheda Dettagli.

  6. Prendi nota del nome della connessione nel campo ID connessione.

  7. Nel riquadro Explorer, fai clic su Connections (Connessioni).

  8. Seleziona la connessione che corrisponde a quella del campo ID connessione della tabella degli oggetti.

  9. Copia il valore nel campo ID account di servizio.

Per concedere il ruolo, segui questi passaggi:

Console

  1. Vai alla pagina IAM e amministrazione.

    Vai a IAM e amministrazione

  2. Fai clic su Aggiungi.

    Si apre la finestra di dialogo Aggiungi entità.

  3. Nel campo Nuove entità, inserisci l'ID account di servizio che hai copiato in precedenza.

  4. Nel campo Seleziona un ruolo, seleziona Vertex AI, quindi seleziona Utente Vertex AI.

  5. Fai clic su Salva.

gcloud

Utilizza il comando gcloud projects add-iam-policy-binding.

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

Sostituisci quanto segue:

  • PROJECT_NUMBER: il numero di progetto
  • MEMBER: l'ID account di servizio che hai copiato in precedenza

Attivare un modello partner

Questo passaggio è necessario solo se vuoi utilizzare i modelli Anthropic Claude, Llama o Mistral AI.

  1. Nella console Google Cloud , vai alla pagina Model Garden di Vertex AI.

    Vai a Model Garden

  2. Cerca o sfoglia il modello partner che vuoi utilizzare.

  3. Fai clic sulla scheda del modello.

  4. Nella pagina del modello, fai clic su Attiva.

  5. Compila le informazioni di attivazione richieste, quindi fai clic su Avanti.

  6. Nella sezione Termini e condizioni, seleziona la casella di controllo.

  7. Fai clic su Accetto per accettare i termini e le condizioni e attivare il modello.

Scegliere un metodo di deployment del modello aperto

Se crei un modello remoto su un modello aperto supportato, puoi eseguire automaticamente il deployment del modello aperto contemporaneamente alla creazione del modello remoto specificando l'ID modello di Vertex AI Model Garden o Hugging Face nell'istruzione CREATE MODEL. In alternativa, puoi prima eseguire il deployment del modello open source e poi utilizzarlo con il modello remoto specificando l'endpoint del modello nell'istruzione CREATE MODEL. Per saperne di più, vedi Eseguire il deployment di modelli aperti.

Crea un modello remoto BigQuery ML

Creare un modello remoto:

Nuovi modelli aperti

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Utilizzando l'editor SQL, crea un modello 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 ]
);

    Sostituisci quanto segue:

    • PROJECT_ID: il tuo ID progetto.
    • DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa posizione della connessione che stai utilizzando.
    • MODEL_NAME: il nome del modello.
    • REGION: la regione utilizzata dalla connessione.
    • CONNECTION_ID: l'ID della tua connessione BigQuery.

      Puoi ottenere questo valore visualizzando i dettagli della connessione nella console Google Cloud e copiando il valore nell'ultima sezione dell'ID connessione completo visualizzato in ID connessione. Ad esempio, projects/myproject/locations/connection_location/connections/myconnection.

    • HUGGING_FACE_MODEL_ID: un valore STRING che specifica l'ID modello per un modello Hugging Face supportato, nel formato provider_name/model_name. Ad esempio, deepseek-ai/DeepSeek-R1. Puoi ottenere l'ID modello facendo clic sul nome del modello in Hugging Face Model Hub e poi copiando l'ID modello dalla parte superiore della scheda del modello.
    • MODEL_GARDEN_MODEL_NAME: un valore STRING che specifica l'ID modello e la versione del modello di un modello Model Garden di Vertex AI supportato, nel formato publishers/publisher/models/model_name@model_version. Ad esempio, publishers/openai/models/gpt-oss@gpt-oss-120b. Puoi ottenere l'ID modello facendo clic sulla scheda del modello in Vertex AI Model Garden e poi copiando l'ID dal campo ID modello. Puoi ottenere la versione predefinita del modello copiandola dal campo Versione nella scheda del modello. Per visualizzare altre versioni del modello che puoi utilizzare, fai clic su Esegui il deployment del modello e poi sul campo ID risorsa.
    • HUGGING_FACE_TOKEN: un valore STRING che specifica il token di accesso utente di Hugging Face da utilizzare. Puoi specificare un valore per questa opzione solo se specifichi anche un valore per l'opzione HUGGING_FACE_MODEL_ID.

      Il token deve avere almeno il ruolo read, ma sono accettabili anche token con un ambito più ampio. Questa opzione è obbligatoria quando il modello identificato dal valore HUGGING_FACE_MODEL_ID è un modello con accesso limitato o privato di Hugging Face.

      Alcuni modelli controllati richiedono l'accettazione esplicita dei termini di servizio prima di concedere l'accesso. Per accettare questi termini, segui questi passaggi:

      1. Vai alla pagina del modello sul sito web di Hugging Face.
      2. Individua e leggi i termini di servizio del modello. Un link al contratto di servizio si trova in genere nella scheda del modello.
      3. Accetta i termini come richiesto nella pagina.
    • MACHINE_TYPE: un valore STRING che specifica il tipo di macchina da utilizzare durante il deployment del modello su Vertex AI. Per informazioni sui tipi di macchina supportati, vedi Tipi di macchina. Se non specifichi un valore per l'opzione MACHINE_TYPE, viene utilizzato il tipo di macchina predefinito di Vertex AI Model Garden per il modello.
    • MIN_REPLICA_COUNT: un valore INT64 che specifica il numero minimo di repliche della macchina utilizzate durante il deployment del modello su un endpoint Vertex AI. Il servizio aumenta o diminuisce il numero di repliche in base al carico di inferenza sull'endpoint. Il numero di repliche utilizzate non è mai inferiore al valore MIN_REPLICA_COUNT e mai superiore al valore MAX_REPLICA_COUNT. Il valore di MIN_REPLICA_COUNT deve essere compreso nell'intervallo [1, 4096]. Il valore predefinito è 1.
    • MAX_REPLICA_COUNT: un valore INT64 che specifica il numero massimo di repliche di macchine utilizzate durante il deployment del modello su un endpoint Vertex AI. Il servizio aumenta o diminuisce il numero di repliche in base al carico di inferenza sull'endpoint. Il numero di repliche utilizzate non è mai inferiore al valore MIN_REPLICA_COUNT e mai superiore al valore MAX_REPLICA_COUNT. Il valore di MAX_REPLICA_COUNT deve essere compreso nell'intervallo [1, 4096]. Il valore predefinito è il valore MIN_REPLICA_COUNT.
    • RESERVATION_AFFINITY_TYPE: determina se il modello di cui è stato eseguito il deployment utilizza le prenotazioni di Compute Engine per garantire la disponibilità delle macchine virtuali (VM) durante la pubblicazione delle previsioni e specifica se il modello utilizza le VM di tutte le prenotazioni disponibili o solo di una prenotazione specifica. Per ulteriori informazioni, consulta Affinità di prenotazione di Compute Engine.

      Puoi utilizzare solo le prenotazioni Compute Engine condivise con Vertex AI. Per saperne di più, vedi Consentire l'utilizzo di una prenotazione.

      I valori supportati sono i seguenti:

      • NO_RESERVATION: non viene consumata alcuna prenotazione quando il modello viene sottoposto a deployment in un endpoint Vertex AI. La specifica di NO_RESERVATION ha lo stesso effetto della mancata specifica di un'affinità di prenotazione.
      • ANY_RESERVATION: il deployment del modello Vertex AI utilizza macchine virtuali (VM) dalle prenotazioni Compute Engine che si trovano nel progetto corrente o che sono condivise con il progetto e che sono configurate per l'utilizzo automatico. Vengono utilizzate solo le VM che soddisfano i seguenti requisiti:
        • Utilizzano il tipo di macchina specificato dal valore MACHINE_TYPE.
        • Se il set di dati BigQuery in cui stai creando il modello remoto si trova in una singola regione, la prenotazione deve trovarsi nella stessa regione. Se il set di dati si trova nella multiregione US, la prenotazione deve trovarsi nella regione us-central1. Se il set di dati si trova nella multiregione EU, la prenotazione deve trovarsi nella regione europe-west4.

        Se non è presente capacità sufficiente nelle prenotazioni disponibili o se non vengono trovate prenotazioni adatte, il sistema esegue il provisioning delle VM Compute Engine on demand per soddisfare i requisiti delle risorse.

      • SPECIFIC_RESERVATION: il deployment del modello Vertex AI utilizza le VM solo dalla prenotazione specificata nel valore RESERVATION_AFFINITY_VALUES. Questa prenotazione deve essere configurata per il consumo con target specifico. Il deployment non riesce se la prenotazione specificata non ha capacità sufficiente.
    • RESERVATION_AFFINITY_KEY: la stringa compute.googleapis.com/reservation-name. Devi specificare questa opzione quando il valore di RESERVATION_AFFINITY_TYPE è SPECIFIC_RESERVATION.
    • RESERVATION_AFFINITY_VALUES: un valore ARRAY<STRING> che specifica il nome completo della risorsa della prenotazione Compute Engine, nel seguente formato:

      projects/myproject/zones/reservation_zone/reservations/reservation_name

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

      Puoi ottenere il nome e la zona della prenotazione dalla pagina Prenotazioni della console Google Cloud . Per saperne di più, consulta Visualizzare le prenotazioni.

      Devi specificare questa opzione quando il valore di RESERVATION_AFFINITY_TYPE è SPECIFIC_RESERVATION.

    • ENDPOINT_IDLE_TTL: un valore INTERVAL che specifica la durata dell'inattività dopo la quale il modello aperto viene automaticamente annullato il deployment dall'endpoint Vertex AI.

      Per attivare l'annullamento automatico del deployment, specifica un valore letterale di intervallo compreso tra 390 minuti (6,5 ore) e 7 giorni. Ad esempio, specifica INTERVAL 8 HOUR per annullare il deployment del modello dopo 8 ore di inattività. Il valore predefinito è 390 minuti (6 ore e mezza).

      L'inattività del modello è definita come il periodo di tempo trascorso dall'esecuzione di una delle seguenti operazioni sul modello:

      Ognuna di queste operazioni azzera il timer di inattività. Il ripristino viene attivato all'inizio del job BigQuery che esegue l'operazione.

      Dopo l'annullamento del deployment del modello, le richieste di inferenza inviate al modello restituiscono un errore. L'oggetto modello BigQuery rimane invariato, inclusi i metadati del modello. Per utilizzare di nuovo il modello per l'inferenza, devi eseguire nuovamente il deployment eseguendo l'istruzione ALTER MODEL sul modello e impostando l'opzione DEPLOY_MODEL su TRUE.

Modelli aperti di cui è stato eseguito il deployment

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Utilizzando l'editor SQL, crea un modello 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'
);

    Sostituisci quanto segue:

    • PROJECT_ID: il tuo ID progetto.
    • DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa posizione della connessione che stai utilizzando.
    • MODEL_NAME: il nome del modello.
    • REGION: la regione utilizzata dalla connessione.
    • CONNECTION_ID: l'ID della tua connessione BigQuery.

      Puoi ottenere questo valore visualizzando i dettagli della connessione nella console Google Cloud e copiando il valore nell'ultima sezione dell'ID connessione completo visualizzato in ID connessione. Ad esempio, projects/myproject/locations/connection_location/connections/myconnection.

    • ENDPOINT_REGION: la regione in cui viene eseguito il deployment del modello aperto.
    • ENDPOINT_PROJECT_ID: il progetto in cui viene implementato il modello aperto.
    • ENDPOINT_ID: l'ID dell'endpoint HTTPS utilizzato dal modello aperto. Puoi ottenere l'ID endpoint individuando il modello aperto nella pagina Previsione online e copiando il valore nel campo ID.

Tutti gli altri modelli

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Utilizzando l'editor SQL, crea un modello remoto:

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

    Sostituisci quanto segue:

    • PROJECT_ID: il tuo ID progetto.
    • DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa posizione della connessione che stai utilizzando.
    • MODEL_NAME: il nome del modello.
    • REGION: la regione utilizzata dalla connessione.
    • CONNECTION_ID: l'ID della tua connessione BigQuery.

      Puoi ottenere questo valore visualizzando i dettagli della connessione nella console Google Cloud e copiando il valore nell'ultima sezione dell'ID connessione completo visualizzato in ID connessione. Ad esempio, projects/myproject/locations/connection_location/connections/myconnection.

    • ENDPOINT: l'endpoint del modello Vertex AI da utilizzare.

      Per i modelli preaddestrati Vertex AI, i modelli Claude e i modelli Mistral AI, specifica il nome del modello. Per alcuni di questi modelli, puoi specificare una versione particolare del modello come parte del nome. Per i modelli Gemini supportati, puoi specificare l'endpoint globale per migliorare la disponibilità.

      Per i modelli Llama, specifica un endpoint API OpenAI nel formato openapi/<publisher_name>/<model_name>. Ad esempio: openapi/meta/llama-3.1-405b-instruct-maas.

      Per informazioni sui nomi e sulle versioni dei modelli supportati, consulta ENDPOINT.

      Il modello Vertex AI che specifichi deve essere disponibile nella località in cui stai creando il modello remoto. Per ulteriori informazioni, consulta Località.

Generare testo dai dati di una tabella standard

Genera testo utilizzando la funzione AI.GENERATE_TEXT con i dati del prompt di una tabella standard:

Gemini 

SELECT *
FROM AI.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(
  {
    {
      [MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_P AS top_p]
      [, TEMPERATURE AS temperature]
      [, STOP_SEQUENCES AS stop_sequences]
      [, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search]
      [, SAFETY_SETTINGS AS safety_settings]
    }
    |
    [, MODEL_PARAMS AS model_params]
  }
  [, REQUEST_TYPE AS request_type])
);

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto.
  • DATASET_ID: l'ID del set di dati che contiene il modello.
  • MODEL_NAME: il nome del modello.
  • TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
  • PROMPT_QUERY: una query che fornisce i dati del prompt. Questa query deve produrre una colonna denominata prompt.
  • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

    I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] aiuta a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
  • STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.
  • GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza [Grounding con la Ricerca Google](/vertex-ai/generative-ai/docs/grounding/overview#ground-public) durante la generazione delle risposte. La fondatezza consente al modello di utilizzare informazioni aggiuntive da internet durante la generazione di una risposta, in modo da rendere le risposte del modello più specifiche e basate su fatti. Quando questo campo è impostato su True, nei risultati viene inclusa una colonna grounding_result aggiuntiva, che fornisce le fonti utilizzate dal modello per raccogliere informazioni aggiuntive. Il valore predefinito è FALSE.
  • SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struct specifica una categoria di contenuti dannosi, mentre il secondo elemento specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE. Le categorie supportate sono le seguenti:
    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_DANGEROUS_CONTENT
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_SEXUALLY_EXPLICIT
    Le soglie supportate sono le seguenti:
    • BLOCK_NONE (Accesso limitato)
    • BLOCK_LOW_AND_ABOVE
    • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
    • BLOCK_ONLY_HIGH
    • HARM_BLOCK_THRESHOLD_UNSPECIFIED
    Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.
  • REQUEST_TYPE: un valore STRING che specifica il tipo di richiesta di inferenza da inviare al modello Gemini. Il tipo di richiesta determina la quota utilizzata dalla richiesta. I valori validi sono:
    • DEDICATED: la funzione AI.GENERATE_TEXT utilizza solo la quota di throughput riservato. La funzione AI.GENERATE_TEXT restituisce l'errore Provisioned throughput is not purchased or is not active se la quota di throughput con provisioning non è disponibile.
    • SHARED: la funzione AI.GENERATE_TEXT utilizza solo la quota condivisa dinamica (DSQ), anche se hai acquistato una quota di throughput di cui è stato eseguito il provisioning.
    • UNSPECIFIED: La funzione AI.GENERATE_TEXT utilizza la quota nel seguente modo:
      • Se non hai acquistato la quota di throughput di cui è stato eseguito il provisioning, la funzione AI.GENERATE_TEXT utilizza la quota DSQ.
      • Se hai acquistato una quota di throughput di cui è stato eseguito il provisioning, la funzione AI.GENERATE_TEXT utilizza prima la quota di throughput di cui è stato eseguito il provisioning. Se le richieste superano la quota di throughput di cui è stato eseguito il provisioning, il traffico in eccesso utilizza la quota DSQ.

    Il valore predefinito è UNSPECIFIED.

    Per ulteriori informazioni, consulta la sezione Utilizzare il throughput riservato di Vertex AI.

  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri al modello. Il valore deve essere conforme al formato del corpo della richiesta generateContent. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche i parametri del modello nell'argomento struct di primo livello per la funzione AI.GENERATE_TEXT. Devi specificare ogni parametro del modello nel campo MODEL_PARAMS oppure omettere questo campo e specificare ogni parametro separatamente.

Esempio 1

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ));

Esempio 2

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens));

Esempio 3

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts);

Esempio 4

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
  • Restituisce una risposta breve.
  • Recupera e restituisce i dati web pubblici per il grounding della risposta.
  • Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(
      100 AS max_output_tokens, 0.5 AS top_p,
      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));

Esempio 5

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
  • Restituisce una risposta più lunga.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.flash_2_model`,
    TABLE mydataset.prompts,
    STRUCT(
      0.4 AS temperature, 8192 AS max_output_tokens));

Esempio 6

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
  • Recupera e restituisce i dati web pubblici per il grounding della risposta.
  • Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(
      .1 AS TEMPERATURE,
      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 AI.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(
  {
    {
      [MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_K AS top_k]
      [, TOP_P AS top_p]
    }
    |
    [, MODEL_PARAMS AS model_params]
  })
);

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto.
  • DATASET_ID: l'ID del set di dati che contiene il modello.
  • MODEL_NAME: il nome del modello.
  • TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
  • PROMPT_QUERY: una query che fornisce i dati del prompt. Questa query deve produrre una colonna denominata prompt.
  • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
  • TOP_K: un valore INT64 nell'intervallo [1,40] che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello determina un valore appropriato.
  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] contribuisce a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello determina un valore appropriato.
  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri al modello. Il valore deve essere conforme al formato del corpo della richiesta generateContent. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche i parametri del modello nell'argomento struct di primo livello per la funzione AI.GENERATE_TEXT. Devi specificare ogni parametro del modello nel campo MODEL_PARAMS oppure omettere questo campo e specificare ogni parametro separatamente.

Esempio 1

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ));

Esempio 2

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens));

Esempio 3

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts);

Llama 

SELECT *
FROM AI.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(
  {
    {
      [MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_P AS top_p]
      [, TEMPERATURE AS temperature]
      [, STOP_SEQUENCES AS stop_sequences]
    |
    }
    [, MODEL_PARAMS AS model_params]
  })
);

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto.
  • DATASET_ID: l'ID del set di dati che contiene il modello.
  • MODEL_NAME: il nome del modello.
  • TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
  • PROMPT_QUERY: una query che fornisce i dati del prompt. Questa query deve produrre una colonna denominata prompt.
  • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

    I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] aiuta a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
  • STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.
  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri al modello. Il valore deve essere conforme al formato del corpo della richiesta generateContent. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche i parametri del modello nell'argomento struct di primo livello per la funzione AI.GENERATE_TEXT. Devi specificare ogni parametro del modello nel campo MODEL_PARAMS oppure omettere questo campo e specificare ogni parametro separatamente.

Esempio 1

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ));

Esempio 2

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens));

Esempio 3

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts);

Mistral AI 

SELECT *
FROM AI.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(
  {
    {
      [MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_P AS top_p]
      [, TEMPERATURE AS temperature]
      [, STOP_SEQUENCES AS stop_sequences]
    |
    }
    [, MODEL_PARAMS AS model_params]
  })
);

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto.
  • DATASET_ID: l'ID del set di dati che contiene il modello.
  • MODEL_NAME: il nome del modello.
  • TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
  • PROMPT_QUERY: una query che fornisce i dati del prompt. Questa query deve produrre una colonna denominata prompt.
  • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

    I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] aiuta a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
  • STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.
  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri al modello. Il valore deve essere conforme al formato del corpo della richiesta generateContent. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche i parametri del modello nell'argomento struct di primo livello per la funzione AI.GENERATE_TEXT. Devi specificare ogni parametro del modello nel campo MODEL_PARAMS oppure omettere questo campo e specificare ogni parametro separatamente.

Esempio 1

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ));

Esempio 2

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens));

Esempio 3

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts);

Modelli aperti 

SELECT *
FROM AI.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(
  {
    {
      [MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_K AS top_k]
      [, TOP_P AS top_p]
      [, TEMPERATURE AS temperature]
    }
    |
    [, MODEL_PARAMS AS model_params]
  })
);

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto.
  • DATASET_ID: l'ID del set di dati che contiene il modello.
  • MODEL_NAME: il nome del modello.
  • TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
  • PROMPT_QUERY: una query che fornisce i dati del prompt. Questa query deve produrre una colonna denominata prompt.
  • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Se non specifichi un valore, il modello determina un valore appropriato.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Se non specifichi un valore, il modello determina un valore appropriato.

    I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

  • TOP_K: un valore INT64 nell'intervallo [1,40] che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello determina un valore appropriato.
  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] contribuisce a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello determina un valore appropriato.
  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri al modello. Il valore deve essere conforme al formato del corpo della richiesta generateContent. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche i parametri del modello nell'argomento struct di primo livello per la funzione AI.GENERATE_TEXT. Devi specificare ogni parametro del modello nel campo MODEL_PARAMS oppure omettere questo campo e specificare ogni parametro separatamente.

Esempio 1

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ));

Esempio 2

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens));

Esempio 3

L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
SELECT *
FROM
  AI.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts);

Generare testo dai dati della tabella degli oggetti

Genera testo utilizzando la funzione AI.GENERATE_TEXT con un modello Gemini per analizzare i dati non strutturati di una tabella di oggetti. Fornisci i dati del prompt nel parametro prompt.

SELECT *
FROM AI.GENERATE_TEXT(
MODEL `PROJECT_ID.DATASET.MODEL`,
{ TABLE `PROJECT_ID.DATASET.TABLE` | (QUERY_STATEMENT) },
STRUCT(
  PROMPT AS prompt
  {
    {
      [, MAX_OUTPUT_TOKENS AS max_output_tokens]
      [, TOP_P AS top_p]
      [, TEMPERATURE AS temperature]
      [, STOP_SEQUENCES AS stop_sequences]
      [, SAFETY_SETTINGS AS safety_settings]
    }
    |
    [, MODEL_PARAMS AS model_params]
  })
);

Sostituisci quanto segue:

  • PROJECT_ID: il progetto che contiene la risorsa.

  • DATASET: il set di dati che contiene la risorsa.

  • MODEL: il nome del modello remoto rispetto al modello Vertex AI. Per saperne di più su come creare questo tipo di modello remoto, consulta L'istruzione CREATE MODEL per i modelli remoti su LLM.

    Puoi verificare quale modello viene utilizzato dal modello remoto aprendo la consoleGoogle Cloud e esaminando il campo Endpoint remoto nella pagina dei dettagli del modello.

  • TABLE: il nome della tabella degli oggetti che contiene i contenuti da analizzare. Per saperne di più sui tipi di contenuti che puoi analizzare, consulta Input.

    Il bucket Cloud Storage utilizzato dalla tabella degli oggetti di input deve trovarsi nello stesso progetto in cui hai creato il modello e in cui chiami la funzione AI.GENERATE_TEXT.

  • QUERY_STATEMENT: la query GoogleSQL che genera i dati dell'immagine. Puoi specificare solo le clausole WHERE e ORDER BY nella query.

  • PROMPT: un valore STRING che contiene il prompt da utilizzare per analizzare i contenuti visivi. Il valore prompt deve contenere meno di 16.000 token. Un token potrebbe essere più piccolo di una parola e corrisponde a circa quattro caratteri. Cento token corrispondono a circa 60-80 parole.

  • MAX_OUTPUT_TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 1024.

  • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] che modifica il modo in cui il modello seleziona i token per l'output. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.

    I token vengono selezionati dal più probabile al meno probabile finché la somma delle loro probabilità non corrisponde al valore di TOP_P. Ad esempio, se i token A, B e C hanno una probabilità di 0.3, 0.2 e 0.1 e il valore di TOP_P è 0.5, il modello seleziona A o B come token successivo utilizzando il valore di TEMPERATURE e non prende in considerazione C.

  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. I valori di TEMPERATURE più bassi sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori di TEMPERATURE più alti possono portare a risultati più diversificati o creativi. Un valore TEMPERATURE pari a 0 è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta. Il valore predefinito è 0.

  • STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.

  • SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struttura specifica una categoria di danni, mentre il secondo elemento specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE.

    Le categorie supportate sono le seguenti:

    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_DANGEROUS_CONTENT
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_SEXUALLY_EXPLICIT

    Le soglie supportate sono le seguenti:

    • BLOCK_NONE (Accesso limitato)
    • BLOCK_LOW_AND_ABOVE
    • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
    • BLOCK_ONLY_HIGH
    • HARM_BLOCK_THRESHOLD_UNSPECIFIED

    Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.

  • MODEL_PARAMS: un valore letterale stringa formattato in JSON che fornisce parametri aggiuntivi al modello. Il valore deve essere conforme al formato generateContent del corpo della richiesta. Puoi fornire un valore per qualsiasi campo nel corpo della richiesta, ad eccezione del campo contents[]. Se imposti questo campo, non puoi specificare anche parametri del modello nell'argomento struct di primo livello della funzione AI.GENERATE_TEXT.

Esempi

Questo esempio traduce e trascrive i contenuti audio da una tabella degli oggetti denominata feedback:

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

Questo esempio classifica i contenuti PDF di una tabella di oggetti denominata invoices:

SELECT * FROM
  AI.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));