Déployer et exécuter l'inférence avec Gemma à l'aide de Model Garden et de points de terminaison Gemini Enterprise Agent Platform basés sur des TPU

Dans ce tutoriel, vous utilisez Model Garden pour déployer le modèle ouvert Gemma 2 2B sur un point de terminaison Gemini Enterprise Agent Platform basé sur TPU. Vous devez déployer un modèle sur un point de terminaison avant de pouvoir utiliser ce modèle pour livrer des prédictions en ligne. Le déploiement d'un modèle associe des ressources physiques au modèle afin qu'il puisse générer des prédictions en ligne avec une faible latence.

Après avoir déployé le modèle Gemma 2 2B, vous pouvez exécuter l'inférence du modèle entraîné à l'aide de PredictionServiceClient pour obtenir des prédictions en ligne. Les prédictions en ligne sont le résultat de requêtes synchrones adressées à un modèle déployé sur un point de terminaison.

Objectifs

Ce tutoriel vous explique comment effectuer les tâches suivantes :

  • Déployer le modèle ouvert Gemma 2 2B sur un point de terminaison basé sur TPU à l'aide de Model Garden
  • Utiliser PredictionServiceClient pour obtenir des prédictions en ligne

Coûts

Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :

Pour obtenir une estimation des coûts en fonction de votre utilisation prévue, utilisez le simulateur de coût.

Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai sans frais.

Une fois que vous avez terminé les tâches décrites dans ce document, supprimez les ressources que vous avez créées pour éviter que des frais vous soient facturés. Pour en savoir plus, consultez la section Effectuer un nettoyage.

Avant de commencer

Exigences liées au tutoriel :

  • Configurer un projet Google Cloud et activer l'API Agent Platform
  • Sur votre ordinateur local :
    • Installer et initialiser la Google Cloud CLI, et s'authentifier
    • Installer le SDK correspondant à votre langage

Configurer un projet Google Cloud

Configurez votre projet Google Cloud et activez l'API Agent Platform.

  1. Connectez-vous à votre compte Google Cloud . Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits sans frais pour exécuter, tester et déployer des charges de travail.

  2. 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

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

  4. Enable the Agent Platform API, if it is not already enabled.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

  5. 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

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

  7. Enable the Agent Platform API, if it is not already enabled.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

    8.

Configurer la Google Cloud CLI

Sur votre ordinateur local, configurez la Google Cloud CLI.

  1. Installez et initialisez la Google Cloud CLI.

  2. Si vous avez déjà installé la gcloud CLI, exécutez la commande suivante pour vous assurer que vos composants gcloud sont à jour.

    gcloud components update

  3. Pour vous authentifier avec la gcloud CLI, générez un fichier local Identifiants par défaut de l'application (ADC) en exécutant la commande ci-dessous. Le flux Web lancé par la commande permet de fournir vos identifiants utilisateur.

    gcloud auth application-default login

    Pour en savoir plus, consultez Configuration d'authentification sur gcloud CLI et configuration des ADC.

Configurer le SDK correspondant à votre langage de programmation

Pour configurer l'environnement utilisé dans ce tutoriel, vous devez installer le SDK Gemini Enterprise Agent Platform pour votre langage et la bibliothèque Protocol Buffers. Les exemples de code utilisent des fonctions de la bibliothèque Protocol Buffers pour convertir le dictionnaire d'entrée au format JSON attendu par l'API.

Sur votre ordinateur local, cliquez sur l'un des onglets suivants pour installer le SDK correspondant à votre langage de programmation.

Python

Sur votre ordinateur local, cliquez sur l'un des onglets suivants pour installer le SDK correspondant à votre langage de programmation.

  • Installez et mettez à jour le SDK Agent Platform pour Python en exécutant la commande suivante.

    pip3 install --upgrade "google-cloud-aiplatform>=1.64"

  • Installez la bibliothèque Protocol Buffers pour Python en exécutant la commande suivante.

    pip3 install --upgrade "protobuf>=5.28"

Node.js

Installez ou mettez à jour le SDK aiplatform pour Node.js en exécutant la commande suivante.

npm install @google-cloud/aiplatform

Java

Pour ajouter google-cloud-aiplatform en tant que dépendance, ajoutez le code approprié pour votre environnement.

Maven avec BOM

Ajoutez le code HTML suivant à votre pom.xml :

<dependencyManagement>
<dependencies>
  <dependency>
    <artifactId>libraries-bom</artifactId>
    <groupId>com.google.cloud</groupId>
    <scope>import</scope>
    <type>pom</type>
    <version>26.34.0</version>
  </dependency>
</dependencies>
</dependencyManagement>
<dependencies>
<dependency>
  <groupId>com.google.cloud</groupId>
  <artifactId>google-cloud-aiplatform</artifactId>
</dependency>
<dependency>
  <groupId>com.google.protobuf</groupId>
  <artifactId>protobuf-java-util</artifactId>
</dependency>
<dependency>
  <groupId>com.google.code.gson</groupId>
  <artifactId>gson</artifactId>
</dependency>
</dependencies>

Maven sans BOM

Ajoutez le code suivant à votre pom.xml :

<dependency>
  <groupId>com.google.cloud</groupId>
  <artifactId>google-cloud-aiplatform</artifactId>
  <version>1.1.0</version>
</dependency>
<dependency>
  <groupId>com.google.protobuf</groupId>
  <artifactId>protobuf-java-util</artifactId>
  <version>5.28</version>
</dependency>
<dependency>
  <groupId>com.google.code.gson</groupId>
  <artifactId>gson</artifactId>
  <version>2.11.0</version>
</dependency>

Gradle sans BOM

Ajoutez le code suivant à votre build.gradle :

implementation 'com.google.cloud:google-cloud-aiplatform:1.1.0'

Go

Installez ces packages Go en exécutant les commandes suivantes.

go get cloud.google.com/go/aiplatform
go get google.golang.org/protobuf
go get github.com/googleapis/gax-go/v2

Déployer Gemma à l'aide de Model Garden

Vous déployez le modèle Gemma 2 2B sur un type de machine ct5lp-hightpu-1t Compute Engine optimisé pour l'entraînement à petite ou moyenne échelle. Cette machine dispose d'un accélérateur TPU v5e. Pour en savoir plus sur l'entraînement de modèles à l'aide de TPU, consultez Entraînement avec Cloud TPU v5e.

Dans ce tutoriel, vous allez déployer le modèle ouvert Gemma 2 2B adapté aux instructions à l'aide de la fiche de modèle dans Model Garden. La version spécifique du modèle est gemma2-2b-it. -it signifie qu'il est adapté aux instructions.

Le modèle Gemma 2 2B présente une taille de paramètre plus basse, ce qui signifie des besoins en ressources moins élevés et plus de flexibilité de déploiement.

  1. Dans la console Google Cloud , accédez à la page Model Garden.

    Accéder à Model Garden

  2. Cliquez sur la fiche du modèle Gemma 2.

    Accéder à Gemma 2

  3. Cliquez sur Déployer pour ouvrir le volet Déployer le modèle.

  4. Dans le volet Déployer le modèle, spécifiez les informations suivantes.

    1. Dans le champ Environnement de déploiement, cliquez sur Agent Platform.

    2. Dans la section Déployer le modèle :

      1. Dans le champ ID de ressource, sélectionnez gemma-2b-it.

      2. Pour Nom du modèle et Nom du point de terminaison, acceptez les valeurs par défaut. Par exemple :

        • Nom du modèle : gemma2-2b-it-1234567891234
        • Nom du point de terminaison : gemma2-2b-it-mg-one-click-deploy

        Notez le nom du point de terminaison. Vous en aurez besoin pour trouver l'ID de point de terminaison utilisé dans les exemples de code.

    3. Dans la section Paramètres de déploiement :

      1. Acceptez l'option par défaut pour les paramètres de base.

      2. Pour Région, acceptez la valeur par défaut ou sélectionnez une région dans la liste. Notez la région. Vous en aurez besoin pour les exemples de code.

      3. Dans Spécifications de la machine, sélectionnez l'instance basée sur TPU : ct5lp-hightpu-1t (1 TPU_V5_LITEPOD; ct5lp-hightpu-1t).

  5. Cliquez sur Déployer. Une fois le déploiement terminé, vous recevez un e-mail contenant des informations sur votre nouveau point de terminaison. Vous pouvez également afficher les détails du point de terminaison en cliquant sur Prédiction en ligne > Points de terminaison et en sélectionnant votre région.

    Accéder à Endpoints

Effectuer une inférence du modèle Gemma 2 2B avec PredictionServiceClient

Après avoir déployé Gemma 2 2B, vous pouvez utiliser PredictionServiceClient pour obtenir des prédictions en ligne pour le prompt "Pourquoi le ciel est-il bleu ?"

Paramètres de code

Les exemples de code PredictionServiceClient nécessitent que vous mettiez à jour les éléments suivants.

  • PROJECT_ID : pour trouver l'ID de votre projet, procédez comme suit.

    1. Accédez à la page d'accueil de la console Google Cloud .

      Accéder à la page d'accueil

    2. Dans le sélecteur de projets situé en haut de la page, sélectionnez votre projet.

      Le nom ainsi que le numéro et l'ID du projet apparaissent après l'en-tête Bienvenue.

  • ENDPOINT_REGION : région dans laquelle vous avez déployé le point de terminaison.

  • ENDPOINT_ID : pour trouver l'ID de votre point de terminaison, affichez-le dans la console ou exécutez la commande gcloud ai endpoints list. Vous aurez besoin du nom et de la région du point de terminaison dans le volet Déployer le modèle.

    Console

    Vous pouvez afficher les détails du point de terminaison en cliquant sur Prédiction en ligne > Points de terminaison et en sélectionnant votre région. Notez le nombre qui s'affiche dans la colonne ID.

    Accéder à la page "Points de terminaison"

    gcloud

    Vous pouvez afficher les détails du point de terminaison en exécutant la commande gcloud ai endpoints list.

    gcloud ai endpoints list \
  --region=ENDPOINT_REGION \
  --filter=display_name=ENDPOINT_NAME

    Le résultat ressemble à ceci :

    Using endpoint [https://us-central1-aiplatform.googleapis.com/]
ENDPOINT_ID: 1234567891234567891
DISPLAY_NAME: gemma2-2b-it-mg-one-click-deploy

Exemple de code

Dans l'exemple de code correspondant à votre langage, modifiez PROJECT_ID, ENDPOINT_REGION et ENDPOINT_ID. Exécutez ensuite votre code.

Python

Pour savoir comment installer ou mettre à jour le SDK Vertex AI pour Python, consultez Installer le SDK Vertex AI pour Python. Pour en savoir plus, consultez la documentation de référence de l'API Python. 

"""
Sample to run inference on a Gemma2 model deployed to a Vertex AI endpoint with TPU accellerators.
"""

from google.cloud import aiplatform
from google.protobuf import json_format
from google.protobuf.struct_pb2 import Value

# TODO(developer): Update & uncomment lines below
# PROJECT_ID = "your-project-id"
# ENDPOINT_REGION = "your-vertex-endpoint-region"
# ENDPOINT_ID = "your-vertex-endpoint-id"

# Default configuration
config = {"max_tokens": 1024, "temperature": 0.9, "top_p": 1.0, "top_k": 1}

# Prompt used in the prediction
prompt = "Why is the sky blue?"

# Encapsulate the prompt in a correct format for TPUs
# Example format: [{'prompt': 'Why is the sky blue?', 'temperature': 0.9}]
input = {"prompt": prompt}
input.update(config)

# Convert input message to a list of GAPIC instances for model input
instances = [json_format.ParseDict(input, Value())]

# Create a client
api_endpoint = f"{ENDPOINT_REGION}-aiplatform.googleapis.com"
client = aiplatform.gapic.PredictionServiceClient(
    client_options={"api_endpoint": api_endpoint}
)

# Call the Gemma2 endpoint
gemma2_end_point = (
    f"projects/{PROJECT_ID}/locations/{ENDPOINT_REGION}/endpoints/{ENDPOINT_ID}"
)
response = client.predict(
    endpoint=gemma2_end_point,
    instances=instances,
)
text_responses = response.predictions
print(text_responses[0])

Node.js

Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js décrites dans le guide de démarrage rapide de la plate-forme d'agents à l'aide des bibliothèques clientes.

Pour vous authentifier auprès d'Agent Platform, configurez les Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local. 

// Imports the Google Cloud Prediction Service Client library
const {
  // TODO(developer): Uncomment PredictionServiceClient before running the sample.
  // PredictionServiceClient,
  helpers,
} = require('@google-cloud/aiplatform');
/**
 * TODO(developer): Update these variables before running the sample.
 */
const projectId = 'your-project-id';
const endpointRegion = 'your-vertex-endpoint-region';
const endpointId = 'your-vertex-endpoint-id';

// Prompt used in the prediction
const prompt = 'Why is the sky blue?';

// Encapsulate the prompt in a correct format for TPUs
// Example format: [{prompt: 'Why is the sky blue?', temperature: 0.9}]
const input = {
  prompt,
  // Parameters for default configuration
  maxOutputTokens: 1024,
  temperature: 0.9,
  topP: 1.0,
  topK: 1,
};

// Convert input message to a list of GAPIC instances for model input
const instances = [helpers.toValue(input)];

// TODO(developer): Uncomment apiEndpoint and predictionServiceClient before running the sample.
// const apiEndpoint = `${endpointRegion}-aiplatform.googleapis.com`;

// Create a client
// predictionServiceClient = new PredictionServiceClient({apiEndpoint});

// Call the Gemma2 endpoint
const gemma2Endpoint = `projects/${projectId}/locations/${endpointRegion}/endpoints/${endpointId}`;

const [response] = await predictionServiceClient.predict({
  endpoint: gemma2Endpoint,
  instances,
});

const predictions = response.predictions;
const text = predictions[0].stringValue;

console.log('Predictions:', text);

Java

Avant d'essayer cet exemple, suivez les instructions de configuration pour Java décrites dans le guide de démarrage rapide de la plate-forme d'agents à l'aide des bibliothèques clientes.

Pour vous authentifier auprès d'Agent Platform, configurez les Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local. 


import com.google.cloud.aiplatform.v1.EndpointName;
import com.google.cloud.aiplatform.v1.PredictResponse;
import com.google.cloud.aiplatform.v1.PredictionServiceClient;
import com.google.cloud.aiplatform.v1.PredictionServiceSettings;
import com.google.gson.Gson;
import com.google.protobuf.InvalidProtocolBufferException;
import com.google.protobuf.Value;
import com.google.protobuf.util.JsonFormat;
import java.io.IOException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

public class Gemma2PredictTpu {
  private final PredictionServiceClient predictionServiceClient;

  // Constructor to inject the PredictionServiceClient
  public Gemma2PredictTpu(PredictionServiceClient predictionServiceClient) {
    this.predictionServiceClient = predictionServiceClient;
  }

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "YOUR_PROJECT_ID";
    String endpointRegion = "us-west1";
    String endpointId = "YOUR_ENDPOINT_ID";

    PredictionServiceSettings predictionServiceSettings =
        PredictionServiceSettings.newBuilder()
            .setEndpoint(String.format("%s-aiplatform.googleapis.com:443", endpointRegion))
            .build();
    PredictionServiceClient predictionServiceClient =
        PredictionServiceClient.create(predictionServiceSettings);
    Gemma2PredictTpu creator = new Gemma2PredictTpu(predictionServiceClient);

    creator.gemma2PredictTpu(projectId, endpointRegion, endpointId);
  }

  // Demonstrates how to run inference on a Gemma2 model
  // deployed to a Vertex AI endpoint with TPU accelerators.
  public String gemma2PredictTpu(String projectId, String region,
           String endpointId) throws IOException {
    Map<String, Object> paramsMap = new HashMap<>();
    paramsMap.put("temperature", 0.9);
    paramsMap.put("maxOutputTokens", 1024);
    paramsMap.put("topP", 1.0);
    paramsMap.put("topK", 1);
    Value parameters = mapToValue(paramsMap);
    // Prompt used in the prediction
    String instance = "{ \"prompt\": \"Why is the sky blue?\"}";
    Value.Builder instanceValue = Value.newBuilder();
    JsonFormat.parser().merge(instance, instanceValue);
    // Encapsulate the prompt in a correct format for TPUs
    // Example format: [{'prompt': 'Why is the sky blue?', 'temperature': 0.9}]
    List<Value> instances = new ArrayList<>();
    instances.add(instanceValue.build());

    EndpointName endpointName = EndpointName.of(projectId, region, endpointId);

    PredictResponse predictResponse = this.predictionServiceClient
        .predict(endpointName, instances, parameters);
    String textResponse = predictResponse.getPredictions(0).getStringValue();
    System.out.println(textResponse);
    return textResponse;
  }

  private static Value mapToValue(Map<String, Object> map) throws InvalidProtocolBufferException {
    Gson gson = new Gson();
    String json = gson.toJson(map);
    Value.Builder builder = Value.newBuilder();
    JsonFormat.parser().merge(json, builder);
    return builder.build();
  }
}

Go

Avant d'essayer cet exemple, suivez les instructions de configuration pour Go décrites dans le guide de démarrage rapide de la plate-forme d'agents à l'aide des bibliothèques clientes.

Pour vous authentifier auprès d'Agent Platform, configurez les Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local. 

import (
	"context"
	"fmt"
	"io"

	"cloud.google.com/go/aiplatform/apiv1/aiplatformpb"

	"google.golang.org/protobuf/types/known/structpb"
)

// predictTPU demonstrates how to run interference on a Gemma2 model deployed to a Vertex AI endpoint with TPU accelerators.
func predictTPU(w io.Writer, client PredictionsClient, projectID, location, endpointID string) error {
	ctx := context.Background()

	// Note: client can be initialized in the following way:
	// apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	// client, err := aiplatform.NewPredictionClient(ctx, option.WithEndpoint(apiEndpoint))
	// if err != nil {
	// 	return fmt.Errorf("unable to create prediction client: %v", err)
	// }
	// defer client.Close()

	gemma2Endpoint := fmt.Sprintf("projects/%s/locations/%s/endpoints/%s", projectID, location, endpointID)
	prompt := "Why is the sky blue?"
	parameters := map[string]interface{}{
		"temperature":     0.9,
		"maxOutputTokens": 1024,
		"topP":            1.0,
		"topK":            1,
	}

	// Encapsulate the prompt in a correct format for TPUs.
	// Example format: [{'prompt': 'Why is the sky blue?', 'temperature': 0.9}]
	promptValue, err := structpb.NewValue(map[string]interface{}{
		"prompt":     prompt,
		"parameters": parameters,
	})
	if err != nil {
		fmt.Fprintf(w, "unable to convert prompt to Value: %v", err)
		return err
	}

	req := &aiplatformpb.PredictRequest{
		Endpoint:  gemma2Endpoint,
		Instances: []*structpb.Value{promptValue},
	}

	resp, err := client.Predict(ctx, req)
	if err != nil {
		return err
	}

	prediction := resp.GetPredictions()
	value := prediction[0].GetStringValue()
	fmt.Fprintf(w, "%v", value)

	return nil
}

Effectuer un nettoyage

Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

Supprimer le projet

  1. Dans la console Google Cloud , accédez à la page Gérer les ressources.

    Accéder à la page "Gérer les ressources"

  2. Dans la liste des projets, sélectionnez le projet que vous souhaitez supprimer, puis cliquez sur Supprimer.
  3. Dans la boîte de dialogue, saisissez l'ID du projet, puis cliquez sur Arrêter pour supprimer le projet.

Supprimer des ressources individuelles

Si vous souhaitez conserver votre projet, supprimez les ressources utilisées dans ce tutoriel :

  • Annuler le déploiement du modèle et supprimer le point de terminaison
  • Supprimer le modèle de Model Registry

Annuler le déploiement du modèle et supprimer le point de terminaison

Utilisez l'une des méthodes suivantes pour annuler le déploiement d'un modèle et supprimer le point de terminaison.

Console

  1. Dans la console Google Cloud , cliquez sur Prédiction en ligne, puis sur Points de terminaison.

    Accéder à la page "Points de terminaison"

  2. Dans la liste déroulante Région, sélectionnez la région dans laquelle vous avez déployé votre point de terminaison.

  3. Cliquez sur le nom du point de terminaison pour ouvrir la page d'informations. Par exemple : gemma2-2b-it-mg-one-click-deploy.

  4. Sur la ligne correspondant au modèle Gemma 2 (Version 1), cliquez sur Actions, puis sur Annuler le déploiement du modèle sur le point de terminaison.

  5. Dans la boîte de dialogue Annuler le déploiement du modèle sur le point de terminaison, cliquez sur Annuler le déploiement.

  6. Cliquez sur le bouton Retour pour revenir à la page Points de terminaison.

    Accéder à la page "Points de terminaison"

  7. Au bout de la ligne gemma2-2b-it-mg-one-click-deploy, cliquez sur Actions, puis sélectionnez Supprimer le point de terminaison.

  8. Dans l'invite de confirmation, cliquez sur Confirmer.

gcloud

Pour annuler le déploiement du modèle et supprimer le point de terminaison à l'aide de la Google Cloud CLI, procédez comme suit.

Dans ces commandes, remplacez :

  • PROJECT_ID par le nom de votre projet ;
  • LOCATION_ID par la région dans laquelle vous avez déployé le modèle et le point de terminaison ;
  • ENDPOINT_ID par l'ID du point de terminaison ;
  • DEPLOYED_MODEL_NAME par le nom à afficher du modèle ;
  • DEPLOYED_MODEL_ID par l'ID du modèle.

  1. Obtenez l'ID du point de terminaison en exécutant la commande gcloud ai endpoints list. Cette commande liste les ID de tous les points de terminaison de votre projet. Notez l'ID du point de terminaison utilisé dans ce tutoriel.

    gcloud ai endpoints list \
    --project=PROJECT_ID \
    --region=LOCATION_ID

    Le résultat ressemble à ceci : Dans la sortie, l'ID est appelé ENDPOINT_ID.

    Using endpoint [https://us-central1-aiplatform.googleapis.com/]
ENDPOINT_ID: 1234567891234567891
DISPLAY_NAME: gemma2-2b-it-mg-one-click-deploy

  2. Obtenez l'ID du modèle en exécutant la commande gcloud ai models describe. Notez l'ID du modèle que vous avez déployé dans ce tutoriel.

    gcloud ai models describe DEPLOYED_MODEL_NAME \
    --project=PROJECT_ID \
    --region=LOCATION_ID

    Le résultat abrégé se présente comme suit. Dans la sortie, l'ID est appelé deployedModelId.

    Using endpoint [https://us-central1-aiplatform.googleapis.com/]
artifactUri: [URI removed]
baseModelSource:
  modelGardenSource:
    publicModelName: publishers/google/models/gemma2
...
deployedModels:
- deployedModelId: '1234567891234567891'
  endpoint: projects/12345678912/locations/us-central1/endpoints/12345678912345
displayName: gemma2-2b-it-12345678912345
etag: [ETag removed]
modelSourceInfo:
  sourceType: MODEL_GARDEN
name: projects/123456789123/locations/us-central1/models/gemma2-2b-it-12345678912345
...

  3. Annulez le déploiement du modèle à partir du point de terminaison. Vous aurez besoin des ID de point de terminaison et de modèle utilisés dans les commandes précédentes.

    gcloud ai endpoints undeploy-model ENDPOINT_ID \
    --project=PROJECT_ID \
    --region=LOCATION_ID \
    --deployed-model-id=DEPLOYED_MODEL_ID

    Cette commande n'affiche aucun résultat.

  4. Exécutez la commande gcloud ai endpoints delete pour supprimer le point de terminaison.

    gcloud ai endpoints delete ENDPOINT_ID \
    --project=PROJECT_ID \
    --region=LOCATION_ID

    Lorsque vous y êtes invité, saisissez y pour confirmer. Cette commande n'affiche aucun résultat.

Supprimer le modèle

Console

  1. Accédez à la page Model Registry depuis la section "Agent Platform" de la console Google Cloud .

    Accéder à la page "Registre de modèles"

  2. Dans la liste déroulante Région, sélectionnez la région dans laquelle vous avez déployé votre modèle.

  3. À la fin de la ligne gemma2-2b-it-1234567891234, cliquez sur Actions.

  4. Sélectionnez Supprimer le modèle.

    Lorsque vous supprimez le modèle, toutes les versions et évaluations de modèle associées sont également supprimées de votre projet Google Cloud .

  5. Dans l'invite de confirmation, cliquez sur Supprimer.

gcloud

Pour supprimer le modèle à l'aide de la Google Cloud CLI, indiquez le nom à afficher et la région du modèle dans la commande gcloud ai models delete.

gcloud ai models delete DEPLOYED_MODEL_NAME \
    --project=PROJECT_ID \
    --region=LOCATION_ID

Remplacez DEPLOYED_MODEL_NAME par le nom à afficher du modèle. Remplacez PROJECT_ID par le nom de votre projet. Remplacez LOCATION_ID par la région dans laquelle vous avez déployé le modèle.

Étapes suivantes