Analisar dados no GKE usando o BigQuery, o Cloud Run e a Gemma

Autopilot Standard

Este tutorial demonstra como gerar insights de grandes conjuntos de dados usando o BigQuery, o Cloud Run e o Gemma LLM. Neste tutorial, você vai implantar um aplicativo de amostra no Google Kubernetes Engine (GKE). O app de exemplo usa o BigQuery para armazenamento e tratamento de dados, o Cloud Run para processamento de solicitações e o LLM Gemma para analisar dados e gerar previsões com base em comandos recebidos.

Este tutorial é destinado a administradores e arquitetos da plataforma de nuvem, especialistas em dados e IA, engenheiros de ML e profissionais de MLOps (DevOps). Antes de ler esta página, confira se você conhece o Kubernetes e um ambiente de notebook como o Jupyter.

Como pré-requisito para este tutorial, conclua o tutorial Disponibilizar modelos abertos do Gemma usando GPUs no GKE com o TGI Hugging Face. O framework TGI facilita o processo de disponibilização de modelos.

Por que o GKE e o BigQuery

O BigQuery é uma plataforma como serviço (PaaS), um data warehouse sem servidor totalmente gerenciado que permite análises escalonáveis em petabytes de dados. Com o BigQuery, você se concentra na análise de dados para encontrar insights relevantes usando SQL e machine learning integrados.

Usando GPUs no GKE com TGI, você pode implantar um modelo de linguagem Gemma para analisar e resumir interações do usuário em linguagem natural. Ao integrar o BigQuery ao GKE, você pode usar o BigQuery para processar com eficiência conjuntos de dados enormes (como o Google Analytics) e os recursos de compreensão de linguagem natural do modelo para gerar insights relevantes.

Por exemplo, como cientista ou analista de dados ou tomador de decisões de negócios em uma empresa de e-commerce, talvez você queira entender o comportamento do usuário no seu site ou app. Esse insight pode ajudar você a otimizar e personalizar as jornadas do usuário e tomar decisões de negócios fundamentadas para aumentar as vendas.

Nesse cenário, você pode usar dados brutos do Google Analytics no BigQuery, alimentar o modelo Gemma e receber insights e resumos de visitas à página em linguagem natural. O modelo Gemma, que é executado em uma infraestrutura escalonável com aceleração de GPU do GKE, processa rapidamente os dados da jornada do usuário, identificando padrões e tendências. Você pode receber insights para identificar combinações de produtos populares, revelar pontos de desistência comuns no processo de finalização da compra e destacar campanhas de marketing bem-sucedidas que geram tráfego para páginas de destino específicas.

Vantagens

Essa solução oferece um fluxo de trabalho simplificado com as seguintes vantagens:

• Integração com o BigQuery: use o BigQuery para armazenar e processar grandes conjuntos de dados, como os dados do Google Analytics neste tutorial. Isso permite consultar e agregar os dados necessários para a análise do modelo.
• Aceleração de GPU: execute o modelo Gemma em um cluster do GKE com suporte a GPU para acelerar o processo de inferência, gerando previsões muito mais rápido do que com os processadores baseados em CPU.
• Redução de custos e tempo: economize tempo e recursos usando o modelo de linguagem Gemma pré-treinado de código aberto, eliminando a necessidade de criar um modelo personalizado do zero.

Objetivos

Neste tutorial, você aprenderá a realizar as seguintes tarefas:

1. Implante e exponha o modelo: crie um arquivo YAML de serviço para definir um balanceador de carga interno e acessar o modelo Gemma.
2. Criar uma função remota do BigQuery: execute o código Python para definir uma função remota que usa dados do Google Analytics, cria comandos para o modelo, envia solicitações ao endpoint do modelo usando o balanceador de carga e retorna a resposta do modelo.
3. Configure a rede de nuvem privada virtual (VPC): configure uma rede VPC e um conector de VPC para ativar a comunicação segura entre o BigQuery e o cluster do GKE. Isso é fundamental para que a função remota acesse o endpoint do modelo.
4. Analisar dados: analise os dados usando BigQuery DataFrames ou diretamente em SQL usando a ferramenta de linha de comando bq. Execute os snippets de código fornecidos em um notebook do Colab Enterprise para:
   • Consulte dados do Google Analytics no BigQuery usando SQL.
   • Aplique a função remota aos dados para gerar insights com o modelo do Gemma.
   • Mostre os resultados.

Arquitetura

O diagrama de arquitetura a seguir mostra os componentes envolvidos e como eles interagem:

• Use um notebook do Colab Enterprise para executar seu código Python. Com o Python, é possível usar a biblioteca bigframes para simplificar suas interações com SQL.
• O BigQuery funciona como seu mecanismo de processamento de Big Data, permitindo o uso de SQL para interagir com os dados.
• A função remota invoca uma função do Cloud Run. Os dados são roteados automaticamente para a função remota, onde são preparados e enviados ao GKE para inferência.
• Os resultados são enviados de volta ao BigQuery e exibidos em uma tabela.

Custos

Neste documento, você vai usar os seguintes componentes faturáveis do Google Cloud:

• Compute Engine instances used by GKE
• GPU resources used by GKE
• BigQuery
• Cloud Load Balancing
• Cloud Run functions

Para gerar uma estimativa de custo baseada na projeção de uso deste tutorial, use a calculadora de preços.

Novos usuários do Google Cloud podem estar qualificados para um teste sem custo financeiro.

Ao concluir as tarefas descritas neste documento, é possível evitar o faturamento contínuo excluindo os recursos criados. Para mais informações, consulte Limpeza.

Antes de começar

Siga os seguintes pré-requisitos:

Escolha ou crie um projeto

Você pode usar um projeto existente ou criar um novo para fins deste tutorial.

Faça login na sua conta do Google Cloud . Se você começou a usar o Google Cloud, crie uma conta para avaliar o desempenho de nossos produtos em situações reais. Clientes novos também recebem US$ 300 em créditos para executar, testar e implantar cargas de trabalho.

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Ative as APIs

Ative as APIs Artifact Registry, Compute Engine, GKE, credenciais da conta de serviço do IAM, Cloud Functions, Cloud Build, Cloud Run Admin, Cloud Logging, acesso VPC sem servidor, BigQuery, Dataform e Vertex AI.

Funções necessárias para ativar APIs

Para ativar as APIs, é necessário ter o papel do IAM de administrador de uso do serviço (roles/serviceusage.serviceUsageAdmin), que contém a permissão serviceusage.services.enable. Saiba como conceder papéis.

Ativar as APIs

Configurar o Cloud Shell

Neste tutorial, use o Cloud Shell para executar os comandos gcloud e kubectl. O Cloud Shell é um ambiente shell para gerenciar recursos hospedados no Google Cloud. Ele vem pré-instalado com a Google Cloud CLI e a ferramenta de linha de comando kubectl.

No console do Google Cloud , ative o Cloud Shell.

Ativar o Cloud Shell

Uma sessão do Cloud Shell é aberta dentro de um quadro inferior no console.

Antes de executar comandos neste tutorial, verifique se o projeto padrão está definido como ID do projeto em que você quer implantar o aplicativo de amostra. Execute o seguinte comando no Cloud Shell, caso ele ainda não esteja definido:

gcloud config set project PROJECT_ID

Substitua PROJECT_ID pelo ID do projeto.

Conceder papéis do IAM

Verifique se sua conta de usuário e a conta de serviço padrão do Compute Engine no projeto têm os papéis de gerenciamento de identidade e acesso (IAM) necessários para este tutorial.

Atribua papéis à sua conta de usuário. Execute o seguinte comando uma vez para cada um dos seguintes papéis do IAM: roles/aiplatform.colabEnterpriseAdmin, roles/run.invoker, roles/container.admin, roles/iam.serviceAccountAdmin, roles/logging.logWriter

gcloud projects add-iam-policy-binding PROJECT_ID --member="user:USER_IDENTIFIER" --role=ROLE

Substitua:

• PROJECT_ID: o ID do projeto.
• USER_IDENTIFIER: o identificador da sua conta de usuário . Por exemplo, [e-mail].
• ROLE: o papel do IAM concedido à sua conta de usuário.

Conceda papéis à conta de serviço padrão do Compute Engine. Execute o comando a seguir uma vez para cada um dos seguintes papéis do IAM: roles/logging.logWriter, roles/artifactregistry.writer, roles/storage.objectViewer

gcloud projects add-iam-policy-binding PROJECT_ID --member="serviceAccount:[e-mail]" --role=ROLE

• Substitua PROJECT_ID pela ID do seu projeto.
• Substitua PROJECT_NUMBER pelo número do projeto para criar o domínio da conta de serviço padrão do Compute Engine. Por exemplo, [e-mail].
• Substitua ROLE por cada papel individual.

Disponibilizar um modelo Gemma

Acesse o tutorial Disponibilizar modelos abertos do Gemma usando GPUs no GKE com o TGI Hugging Face e siga as instruções de Antes de começar até Interagir com o modelo usando curl para garantir que o modelo Gemma seja implantado com sucesso e que você possa interagir com ele.

Para os fins deste tutorial, implante o modelo Gemma 2B-it.

Configurar a rede VPC

Crie ou use a rede VPC na região us-central1 para que sua função remota possa se conectar ao cluster do GKE. Neste tutorial, use a VPC Default.

Para garantir que o conjunto de dados do BigQuery, a função remota e as funções do Cloud Run subjacentes sejam implantados em locais compatíveis, a rede VPC precisa estar na mesma região que a função remota do BigQuery. Neste tutorial, ao definir as opções do BigQuery DataFrames ao criar uma função remota, você especifica US como um local para seu conjunto de dados, que é definido como padrão para a região us-central1 das funções do Cloud Run. Portanto, crie ou use a VPC na região us-central1.

Criar um balanceador de carga

Siga estas instruções para criar um balanceador de carga interno no cluster do GKE:

1. Crie o seguinte manifesto tgi-2b-lb-service.yaml:

   apiVersion: v1
   kind: Service
   metadata:
   name: llm-lb-service
   annotations:
       networking.gke.io/load-balancer-type: "Internal"
   spec:
   selector:
     app: gemma-server
   type: LoadBalancer
   ports:
   - protocol: TCP
     port: 8000
     targetPort: 8000
   

2. Abra um novo terminal do Cloud Shell e execute o seguinte comando para aplicar o manifesto:

   kubectl apply -f tgi-2b-lb-service.yaml
   

3. Consiga o endereço IP do balanceador de carga. Talvez seja necessário aguardar de um a dois minutos antes que esse endereço IP possa ser buscado:

   kubectl get service llm-lb-service --output yaml | grep ip:
   

Você vai usar esse endereço IP para se comunicar com o aplicativo gemma-server em execução por trás do balanceador de carga.

Criar um conector

Você usa um conector de acesso VPC sem servidor para enviar e receber solicitações pela rede VPC sem usar a Internet pública. Para mais informações, consulte Acesso VPC sem servidor.

Neste tutorial, você vai criar um conector com uma sub-rede nova e dedicada para evitar conflitos de endereços IP com recursos atuais na VPC. Para instruções, consulte a seção Criar um conector e siga as instruções gcloud para a seção Criar um conector e uma nova sub-rede.

Se preferir usar uma sub-rede, siga as instruções na seção Criar um conector usando uma sub-rede.

Observação: cada conector exige uma sub-rede /28 dedicada de finalidade PRIVATE com um intervalo de endereços IPv4 principal. Esta sub-rede não pode ser usada por outros recursos, como VMs, Private Service Connect ou balanceadores de carga. Google Cloud impõe esse requisito para garantir o gerenciamento eficiente de endereços IP e evitar possíveis conflitos.

Para mais informações, consulte Requisitos de sub-rede do conector.

Criar um notebook

Neste tutorial, você vai usar um notebook do Colab Enterprise para executar todo o código de definição da função remota do BigQuery e realizar a análise.

Para criar um bloco do Colab Enterprise usando o console Google Cloud :

1. No console do Google Cloud , acesse a página Notebooks do Colab Enterprise:

   Acesse o Notebooks

2. No menu Região, selecione us-central1. Essa é a mesma região em que você cria todos os serviços neste tutorial.

3. Ao lado de Arquivos, clique em Criar um notebook.

O novo notebook aparece na guia Meus notebooks.

Para executar o código no novo notebook, insira uma nova célula de código no notebook para cada comando ou snippet de código que você quer executar.

Criar uma função remota do BigQuery

Uma das maneiras de definir uma função remota do BigQuery é usando a biblioteca bigframes. Nesta seção, use bigframes para criar uma função remota chamada process_incoming. Essa função remota usa dados do Google Analytics como entrada, cria um comando e o envia para análise ao seu modelo da Gemma.

No bloco do Colab Enterprise que você criou:

1. Clique em + Código para inserir uma nova célula de código.

2. Copie o código a seguir na nova célula de código:

   # Install the necessary packages on the notebook runtime
   %pip install --upgrade bigframes --quiet
   
   import bigframes.pandas as bpd
   import os
   import ast
   import requests
   
   # Replace the following  variables
   # Use the format ip:port
   # For example, "10.128.05:8000"
   lb_url = "LOADBALANCER_IP_ADDRESS:8000"
   
   # Set BigQuery DataFrames options
   bpd.options.bigquery.project = "PROJECT_ID"
   bpd.options.bigquery.location = "US"
   # Update the VPC connector name with the one you created
   vpc_connector_name = "VPC_CONNECTOR_NAME"
   
   # Create a remote function using bigframes
   # https://cloud.google.com/bigquery/docs/remote-functions#bigquery-dataframes
   
   @bpd.remote_function(
     dataset="ga_demo",
     name="ga_explain_example",
     bigquery_connection="bigframes-rf-conn",
     reuse=True,
     packages=["requests"],
     cloud_function_vpc_connector=VPC_CONNECTOR_NAME,
     cloud_function_service_account="default",
   )
   def process_incoming(data: str) -> str:
     ga_data = ast.literal_eval(data)
     USER_PROMPT = """
         'The following are the results from Google Analytics.
         They are reverse ranked.
         reverse_event_number 1 is the last page visited.
         reverse_event_number 2 is the second last page visited.
         You are given the following data.
         {}
         Can you summarize what was the most popular page people landed on and what page they came from?
     """.format(ga_data)
   
     url = 'http://{}/generate'.format(lb_url)
   
     myobj = {
         "inputs": USER_PROMPT,
         "temperature": 0.90,
         "top_p": 0.95,
         "max_tokens": 2048
     }
     x = requests.post(url, json=myobj)
     result = x.text
     return (result)
   
   function_name = process_incoming.bigframes_remote_function
   print (f"The function name is: {function_name}")
   
   

   Substitua:

   • LOADBALANCER_IP_ADDRESS: o endereço IP e a porta do balanceador de carga interno que você criou antes, por exemplo, 10.128.05:8000.
   • PROJECT_ID: o ID do projeto.
   • VPC_CONNECTOR_NAME: o nome do conector de acesso VPC sem servidor que você criou anteriormente.

   Neste tutorial, a localização do conjunto de dados do BigQuery está definida como US, que usa a região us-central1 por padrão.

3. Clique em Executar célula.

A saída mostra o nome da função, semelhante a este:

The function name is: PROJECT_ID.ga_demo.ga_explain_example

Analisar o comportamento do usuário

Nesta seção, você vai analisar o comportamento do usuário no seu site usando a função remota process_incoming de uma das duas maneiras a seguir:

• usando os BigQuery DataFrames
• usando a ferramenta de linha de comando bq para executar uma consulta diretamente em SQL.

Usar DataFrames do BigQuery

Para executar a função remota usando o BigQuery DataFrames no notebook do Colab Enterprise que você criou:

1. Clique em + Código para inserir uma nova célula de código.
2. Copie o código a seguir na nova célula de código e clique em Executar célula.

# Generate a list of all matchups and their histories as a JSON

grouping_sql = """
with
data_table as (
 SELECT
 distinct
   user_pseudo_id,
   events.value.string_value,
   event_timestamp,
   rank() over (partition by user_pseudo_id order by event_timestamp desc) as reverse_event_number
 FROM
   `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_20210131` as events20210131,
   unnest (events20210131.event_params) as events
 where events.key = 'page_location'
 qualify reverse_event_number < 3
)
select
*,TO_JSON_STRING (data_table) as ga_history
from data_table
limit 10;

"""

ga_df = bpd.read_gbq(grouping_sql)
post_processed = ga_df.assign(results=ga_df['ga_history'].apply(process_incoming),axis=1)
post_processed.head(10)

A saída a seguir mostra os resultados de amostra da consulta:

user_pseudo_id	string_value	event_timestamp	reverse_event_number	ga_history	resultados	eixo
0	2342103247.0307162928	https://shop.googlemerchandisestore.com/Google...	1612096237169825	2	{"user_pseudo_id":"2342103247.0307162928","str...	{"generated_text":"\n 'The following are...
1	48976087.6959390698	https://www.googlemerchandisestore.com/	1612056537823270	2	{"user_pseudo_id":"48976087.6959390698","strin...	{"generated_text":"\n \n ```python\n imp...

Usar a ferramenta de linha de comando bq

Como alternativa, use a ferramenta de linha de comando bq para fazer análises diretamente com SQL.

Para executar a função remota usando a ferramenta de linha de comando bq no bloco de notas do Colab Enterprise que você criou:

1. Clique em + Código para inserir uma nova célula de código.

2. Copie o código a seguir na nova célula de código e substitua PROJECT_ID pelo ID do projeto.

   # Update with your PROJECT_ID
   
   function_name = 'PROJECT_ID.ga_demo.ga_explain_example'
   
   new_sql = """'with \
   data_table as ( \
   SELECT \
   distinct \
     user_pseudo_id, \
     events.value.string_value, \
     event_timestamp, \
     rank() over (partition by user_pseudo_id order by event_timestamp desc) as reverse_event_number \
   FROM \
     `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_20210131` as events20210131, \
     unnest (events20210131.event_params) as events \
   where events.key = "page_location" \
   qualify reverse_event_number < 3 \
   ) \
   select \
   *, `{}`(TO_JSON_STRING (data_table)) as result \
   from data_table \
   limit 10;' \
   """.format(function_name)
   
   # Run query using bq cli directly in a notebook cell
   
   !bq query --use_legacy_sql=false \
   {new_sql}
   

3. Clique em Executar célula.

A saída a seguir mostra os resultados de amostra da consulta:

user_pseudo_id	string_value	event_timestamp	reverse_event_number	result
86037838.0267811614	https://shop.googlemerchandisestore.com/Google+Redesign/Apparel/Google+Dino+Game+Tee	1612128627715585	1	Resposta: A página mais acessada foi https://shop.googlemerchandisestore.com/Google+Redesign/Apparel/Google+Dino+Game+Tee A próxima página mais acessada foi a de onde o usuário veio. Explicação: Os dados fornecidos mostram que o usuário atual visitou a loja de produtos oficiais do Google especificamente para o produto "Google Dino Game Tee". \n \nConsiderações importantes:\n\n* Interpretação de dados:não é possível afirmar definitivamente que o"}
4024190.3037653934	https://shop.googlemerchandisestore.com/Google+Redesign/Apparel/Google+Black+Cloud+Zip+Hoodie	1612085948486438	1	{"generated_text":"\n ```python\n import pandas as pd\n\n data = {'user_pseudo_id': ['4024190.3037653934', '4024190.3037653934', '4024190.3037653934'],\n 'string_value': ['https://shop.googlemerchandisestore.com"}

Sucesso :você aplicou a função remota aos dados para gerar insights do modelo Gemma.

Limpar

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto que os contém ou mantenha o projeto e exclua os recursos individuais.

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados neste tutorial, exclua os recursos individuais.

1. Exclua o notebook do Colab Enterprise.
2. Exclua o ambiente de execução do Colab Enterprise.
3. Exclua sua função do BigQuery. Verifique se a conta de serviço tem a permissão bigquery.routines.delete. Para mais informações, consulte Permissões do BigQuery.
4. Exclua sua conexão externa do BigQuery.
5. Exclua as funções do Cloud Run.
6. Exclua o cluster do GKE.
7. Exclua o conector de VPC.

A seguir

• Teste um codelab prático para um caso de uso de análise de dados estruturados e não estruturados.
• Consulte Práticas recomendadas para executar cargas de trabalho em lote no GKE.
• Saiba mais sobre casos de uso de IA/ML no BigQuery.
• Saiba mais sobre casos de uso de IA/ML no GKE.