Predicciones por lotes

Las predicciones por lotes te permiten enviar de manera eficiente varias instrucciones de solo texto que no son sensibles a la latencia a un modelo. En comparación con las predicciones en línea, en las que envías una instrucción de entrada para cada solicitud, puedes agrupar una gran cantidad de instrucciones de entrada en una sola solicitud.

Modelos compatibles

Gemini Enterprise Agent Platform admite predicciones por lotes para los siguientes modelos.

Llama:

OpenAI gpt-oss:

Prepara la entrada

Antes de comenzar, prepara tus entradas en una tabla de BigQuery o como un archivo JSONL en Cloud Storage. La entrada para ambas fuentes debe seguir el formato JSONL del esquema de API de OpenAI, como se muestra en el siguiente ejemplo.

{"custom_id": "test-request-0", "method": "POST", "url": "/v1/chat/completions", "body": {"model": "MODEL_ID", "messages": [{"role": "user", "content": "Give me a recipe for banana bread"}], "max_tokens": 1000}}

BigQuery

Tu tabla de entrada de BigQuery debe cumplir con el siguiente esquema:

Nombre de la columna Descripción
custom_id Un ID para cada solicitud que coincida con la entrada y la salida.
método Es el método de solicitud.
url Es el extremo de la solicitud.
body(JSON) Es la instrucción de entrada.
  • La tabla de entrada puede tener otras columnas, que el trabajo por lotes ignora y pasa directamente a la tabla de salida.
  • Los trabajos de predicción por lotes reservan dos nombres de columnas para el resultado de la predicción por lotes: response(JSON) y id. No uses estas columnas en la tabla de entrada.
  • Las columnas method y url se descartan y no se incluyen en la tabla de salida.

Cloud Storage

Para Cloud Storage, el archivo de entrada debe ser un archivo JSONL que se encuentre en un bucket de Cloud Storage.

Solicitar una predicción por lotes

Realiza una predicción por lotes con un modelo usando la entrada de BigQuery o Cloud Storage. Puedes elegir de forma independiente si deseas enviar las predicciones a una tabla de BigQuery o a un archivo JSONL en un bucket de Cloud Storage.

BigQuery

Especifica la tabla de entrada, el modelo y la ubicación de salida de BigQuery. El trabajo de predicción por lotes y tu tabla deben estar en la misma región.

REST

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

  • LOCATION: Es una región que admite el modelo.
  • PROJECT_ID: Es el ID del proyecto. .
  • MODEL: Es el nombre del modelo que se ajustará.
  • INPUT_URI: Es la tabla de BigQuery en la que se encuentra la entrada de predicción por lotes, como myproject.mydataset.input_table.
  • OUTPUT_FORMAT: Para enviar el resultado a una tabla de BigQuery, especifica bigquery. Para enviar el resultado a un bucket de Cloud Storage, especifica jsonl.
  • DESTINATION: Para BigQuery, especifica bigqueryDestination. En Cloud Storage, especifica gcsDestination.
  • OUTPUT_URI_FIELD_NAME: Para BigQuery, especifica outputUri. Para Cloud Storage, especifica outputUriPrefix.
  • OUTPUT_URIPara BigQuery, especifica la ubicación de la tabla, como myproject.mydataset.output_result. Para Cloud Storage, especifica la ubicación del bucket y de la carpeta, como gs://mybucket/path/to/outputfile.

Método HTTP y URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs

Cuerpo JSON de la solicitud:

'{
  "displayName": "JOB_NAME",
  "model": "publishers/PUBLISHER/models/MODEL_ID",
  "inputConfig": {
    "instancesFormat":"bigquery",
    "bigquerySource":{
      "inputUri" : "INPUT_URI"
    }
  },
  "outputConfig": {
    "predictionsFormat":"OUTPUT_FORMAT",
    "DESTINATION":{
      "OUTPUT_URI_FIELD_NAME": "OUTPUT_URI"
    }
  }
}'

Para enviar tu solicitud, elige una de estas opciones:

curl

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

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

PowerShell

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

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

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

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

Cloud Storage

Especifica la ubicación de Cloud Storage, el modelo y la ubicación de salida del archivo JSONL.

REST

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

  • LOCATION: Es una región que admite el modelo.
  • PROJECT_ID: Es el ID del proyecto. .
  • MODEL: Es el nombre del modelo que se ajustará.
  • INPUT_URI: Es la ubicación de Cloud Storage de tu entrada de predicción por lotes de JSONL, como gs://bucketname/path/to/jsonl.
  • OUTPUT_FORMAT: Para enviar el resultado a una tabla de BigQuery, especifica bigquery. Para enviar el resultado a un bucket de Cloud Storage, especifica jsonl.
  • DESTINATION: Para BigQuery, especifica bigqueryDestination. En Cloud Storage, especifica gcsDestination.
  • OUTPUT_URI_FIELD_NAME: Para BigQuery, especifica outputUri. Para Cloud Storage, especifica outputUriPrefix.
  • OUTPUT_URIPara BigQuery, especifica la ubicación de la tabla, como myproject.mydataset.output_result. Para Cloud Storage, especifica la ubicación del bucket y de la carpeta, como gs://mybucket/path/to/outputfile.

Método HTTP y URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs

Cuerpo JSON de la solicitud:

'{
  "displayName": "JOB_NAME",
  "model": "publishers/PUBLISHER/models/MODEL_ID",
  "inputConfig": {
    "instancesFormat":"jsonl",
    "gcsSource":{
      "uris" : "INPUT_URI"
    }
  },
  "outputConfig": {
    "predictionsFormat":"OUTPUT_FORMAT",
    "DESTINATION":{
      "OUTPUT_URI_FIELD_NAME": "OUTPUT_URI"
    }
  }
}'

Para enviar tu solicitud, elige una de estas opciones:

curl

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

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

PowerShell

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

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

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

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

Obtén el estado de un trabajo de predicción por lotes

Obtén el estado de tu trabajo de predicción por lotes para verificar si se completó correctamente. La duración del trabajo depende de la cantidad de elementos de entrada que enviaste.

REST

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

  • PROJECT_ID: Es el ID del proyecto. .
  • LOCATION: Es la región en la que se encuentra tu trabajo por lotes.
  • JOB_ID: Es el ID del trabajo por lotes que se devolvió cuando creaste el trabajo.

Método HTTP y URL:

GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID

Para enviar tu solicitud, elige una de estas opciones:

curl

Ejecuta el siguiente comando:

curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID"

PowerShell

Ejecuta el siguiente comando:

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

Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/batchPredictionJobs/JOB_ID" | Select-Object -Expand Content

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

Recupera el resultado

Cuando se complete un trabajo de predicción por lotes, recupera el resultado de la ubicación que especificaste. En el caso de BigQuery, el resultado se encuentra en la columna response(JSON) de la tabla de BigQuery de destino. En el caso de Cloud Storage, el resultado se guarda como un archivo JSONL en la ubicación de salida de Cloud Storage.

¿Qué sigue?