‫Gemini למשתמשים ב-AutoML text

‫AutoML Text הוצא משימוש. בדף הזה מוצגות השוואות בין AutoML Text לבין Gemini, כדי לעזור למשתמשים ב-AutoML Text להבין איך להשתמש ב-Gemini.

כדאי לעיין בטבלאות שרלוונטיות לתרחיש השימוש שלכם ולבדוק את השינויים שצפויים להשפיע על תהליך העבודה.

שימוש כללי

ההבדלים האלה רלוונטיים לכל משתמשי Gemini.

פעולה טקסט של AutoML Gemini
פורמטים של נתוני אימון אפשר להשתמש בקובצי CSV או JSON Lines, למעט חילוץ ישויות טקסט, כדי לכלול קטעי טקסט מוטבעים או כדי להפנות למסמכים מהסוג TXT. חילוץ ישויות תומך רק בקובצי JSON Lines. אפשר להשתמש רק בקובצי JSON Line. כל שורה בקובץ צריכה לייצג דוגמה אחת לאימון. אתם יכולים להוריד מערך נתונים לדוגמה כדי לבצע כוונון עדין של מודלים של Gemini. הקבצים צריכים להיות מאוחסנים ב-Cloud Storage.
הערות למערך נתונים ההערות מקובצות יחד כאובייקט AnnotationSet. אפשר להשתמש בכמה קבוצות שונות של הערות עם אותו מערך נתונים. אי אפשר להשתמש ב-Gemini כדי להוסיף הערות למערכי נתונים.
ייבוא של מערכי נתונים מציינים ערכי שימוש ב-ML בעמודה אופציונלית ב-CSV, באותה שורה כמו הנתונים, או כתג ב-JSON Lines באותו אובייקט JSON כמו הנתונים. אם לא מציינים ערכים לשימוש ב-ML, הנתונים מפולחים אוטומטית לצורך אימון, בדיקה ואימות.
לניתוח סנטימנט, קובצי CSV צריכים לכלול את הערך המקסימלי של הסנטימנט בעמודה האחרונה של כל שורה.		 צריך שני קובצי JSONL נפרדים, אחד לאימון ואחד לאימות. קובץ האימות הוא אופציונלי. קובץ האימות צריך לכלול 10 עד 256 דוגמאות.
עלויות אחסון כשיוצרים מערך נתונים, הנתונים נטענים ל-Cloud Storage בפרויקט. אתם מחויבים על נפח האחסון הזה. מידע נוסף כשיוצרים מערך נתונים, הנתונים נטענים ל-Cloud Storage בפרויקט. אתם מחויבים על נפח האחסון הזה. מידע נוסף
יצירת תוויות לנתונים אתם מספקים הוראות לתיוג באמצעות כתובת URL. ההערות הן חלק מאובייקט Dataset ואי אפשר לשנות אותן באמצעות ה-API. אי אפשר להשתמש ב-Gemini כדי להוסיף תוויות לנתונים.
פריסת מודל יוצרים אובייקט Endpoint, שמספק משאבים להצגת מסקנות אונליין. לאחר מכן פורסים את המודל בנקודת הקצה. כדי לבקש מסקנות, מפעילים את ה-method‏ predict(). אחרי שמכווננים את Gemini, המודל מאוחסן במאגר המודלים של Vertex AI, ונקודת קצה נוצרת באופן אוטומטי. אפשר לבקש היקשים אונליין מהמודל שעבר כוונון באמצעות Python SDK,‏ API בארכיטקטורת REST או המסוף. כדי לבקש מסקנות, קודם מאחזרים את נקודת הקצה המכווננת ואז משתמשים בשיטה generate_content().
שימוש במספר הפרויקט או במזהה הפרויקט גם project-number וגם project-id פועלים ב-Vertex AI. ‫Gemini משתמש ב-project-id.
ציוני מהימנות מודל AutoML Text תומך בציוני מהימנות. ‫Gemini לא תומך בציוני מהימנות.

משתמשי API

מידע מפורט על ה-API זמין במסמכי העזר של Vertex AI Generative AI Tuning API.

פעולה או ישות טקסט של AutoML Gemini
יצירת מודל יוצרים אובייקט TrainingPipeline שמחזיר משימת אימון. יוצרים פעולת כוונון עדין בפיקוח שמחזירה את פעולת הכוונון.
שימוש בספריית הלקוח יש לקוחות API שונים לכל משאב API. אתם יכולים ליצור משימת כוונון עדין מפוקח ל-Gemini באמצעות Python SDK, ‏ API בארכיטקטורת REST או המסוף.
בקשת מסקנות כדי לבקש מסקנות, קוראים לשיטה predict() במשאב Endpoint. כדי לבקש מסקנות, קודם מאחזרים את נקודת הקצה המותאמת ואז משתמשים בשיטה generate_content.
נקודת קצה של הסקה אונליין בדוגמה הבאה, מחליפים את REGION באזור שבו נמצא מודל ההסקה.
REGION-aiplatform.googleapis.com. לדוגמה:
us-central1-aiplatform.googleapis.com		 בדוגמה הבאה, מחליפים את TUNING_JOB_REGION באזור שבו מופעלת משימת ההתאמה.
TUNING_JOB_REGION-aiplatform.googleapis.com. לדוגמה:
us-central1-aiplatform.googleapis.com
קבצים של סכימה והגדרה חלק מהשדות של הבקשות והתשובות מוגדרים בקובצי סכימה והגדרה. פורמטים של נתונים מוגדרים באמצעות קובצי סכימה מוגדרים מראש. כך אפשר ליהנות מגמישות בפורמטים של ה-API והנתונים. גוף הבקשה, פרמטרים של המודל וגוף התגובה זהים לאלה של מודלי Gemini שלא עברו כוונון. דוגמאות לבקשות
שם המארח aiplatform.googleapis.com aiplatform.googleapis.com
שם מארח אזורי חובה. לדוגמה:
us-central1-aiplatform.googleapis.com		 חובה. לדוגמה:
us-central1-aiplatform.googleapis.com

המאמרים הבאים