Genera incorporaciones de texto con la función ML.GENERATE_OPTIMIDING

En este documento, se muestra cómo crear un modelo remoto de BigQuery ML que hace referencia al modelo de base de incorporación de Vertex AI. Luego, usa ese modelo con la función ML.GENERATE_EMBEDDING para crear incorporaciones de texto con los datos de una tabla estándar de BigQuery.

Roles obligatorios

Para crear una conexión, necesitas membresía en el siguiente rol de Identity and Access Management (IAM):
- roles/bigquery.connectionAdmin
Para otorgar permisos a la cuenta de servicio de la conexión, necesitas el siguiente permiso:
- resourcemanager.projects.setIamPolicy
Para crear el modelo con BigQuery ML, necesitas los siguientes permisos de IAM:
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
- bigquery.models.updateMetadata
Para ejecutar inferencias, necesitas los siguientes permisos:
- bigquery.tables.getData en la tabla
- bigquery.models.getData en el modelo
- bigquery.jobs.create

Antes de comenzar

En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

Nota: Si no planeas conservar los recursos que creaste durante este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

Ir al selector de proyectos
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
Habilita las API de BigQuery, BigQuery Connection, and Vertex AI.
Habilita las API

Crea un conjunto de datos

Crea un conjunto de datos de BigQuery para almacenar tu modelo de AA:

En la consola de Google Cloud, ve a la página de BigQuery.

Ir a la página de BigQuery
En el panel Explorador, haz clic en el nombre de tu proyecto.
Haz clic en Ver acciones > Crear conjunto de datos.
En la página Crear conjunto de datos, haz lo siguiente:
- En ID del conjunto de datos, ingresa bqml_tutorial.
- En Tipo de ubicación, selecciona Multirregión y, luego, EE.UU. (varias regiones en Estados Unidos).
  
  Los conjuntos de datos públicos se almacenan en la multirregión US. Para que sea más simple, almacena tu conjunto de datos en la misma ubicación.
- Deja la configuración predeterminada restante como está y haz clic en Crear conjunto de datos.

Crear una conexión

Crea una conexión de recurso de Cloud y obtén la cuenta de servicio de la conexión. Crea la conexión en la misma ubicación que el conjunto de datos que creaste en el paso anterior.

Selecciona una de las opciones siguientes:

Console

Ve a la página de BigQuery.

Ir a BigQuery
Para crear una conexión, haz clic en Agregar y, luego, en Conexiones a fuentes de datos externas.
En la lista Tipo de conexión, selecciona Modelos remotos de Vertex AI, funciones remotas y BigLake (Cloud Resource).
En el campo ID de conexión, escribe un nombre para tu conexión.
Haga clic en Crear conexión.
Haz clic en Ir a la conexión.
En el panel Información de conexión, copia el ID de la cuenta de servicio para usarlo en un paso posterior.

bq

En un entorno de línea de comandos, crea una conexión:
```
bq mk --connection --location=REGION --project_id=PROJECT_ID \
    --connection_type=CLOUD_RESOURCE CONNECTION_ID
```
El parámetro --project_id anula el proyecto predeterminado.

Reemplaza lo siguiente:
- REGION: tu región de conexión
- PROJECT_ID: El ID del proyecto de Google Cloud.
- CONNECTION_ID: Es un ID para tu conexión.
Cuando creas un recurso de conexión, BigQuery crea una cuenta de servicio del sistema única y la asocia con la conexión.

Solución de problemas: Si recibes el siguiente error de conexión, actualiza el SDK de Google Cloud:
```
Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
```

Recupera y copia el ID de cuenta de servicio para usarlo en un paso posterior:

bq show --connection PROJECT_ID.REGION.CONNECTION_ID

El resultado es similar al siguiente:

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

Terraform

Agrega la siguiente sección a tu archivo main.tf.

 ## This creates a cloud resource connection.
 ## Note: The cloud resource nested object has only one output only field - serviceAccountId.
 resource "google_bigquery_connection" "connection" {
    connection_id = "CONNECTION_ID"
    project = "PROJECT_ID"
    location = "REGION"
    cloud_resource {}
}

Reemplaza lo siguiente:

CONNECTION_ID: Es un ID para tu conexión.
PROJECT_ID: El ID del proyecto de Google Cloud.
REGION: tu región de conexión

Otorga acceso a la cuenta de servicio

Otorga permiso a tu cuenta de servicio para usar la conexión. Si no se otorga permiso, se produce un error. Selecciona una de las opciones siguientes:

Console

Ir a la página IAM y administración

Ir a IAM y administración
Haz clic en Otorgar acceso.

Se abre el cuadro de diálogo Agregar principales.
En el campo Principales nuevas (New principals), ingresa el ID de la cuenta de servicio que copiaste antes.
En el campo Selecciona un rol, selecciona Vertex AI y, luego, Usuario de Vertex AI.
Haz clic en Guardar.

gcloud

Usa el comando gcloud projects add-iam-policy-binding:

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

Reemplaza lo siguiente:

PROJECT_NUMBER: Es el número de tu proyecto.
MEMBER: el ID de la cuenta de servicio que copiaste antes

Crear un modelo

En la consola de Google Cloud, ve a la página de BigQuery.

Ir a BigQuery
Crea un modelo remoto con el editor de SQL:
```
CREATE OR REPLACE MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID`
OPTIONS (ENDPOINT = 'ENDPOINT');
```
Reemplaza lo siguiente:
- PROJECT_ID: el ID de tu proyecto
- DATASET_ID: el ID del conjunto de datos que contendrá el modelo
- MODEL_NAME: Es el nombre del modelo.
- REGION: la región que usa la conexión.
- CONNECTION_ID: el ID de tu conexión de BigQuery
  Cuando ves los detalles de conexión en la consola de Google Cloud, este es el valor en la última sección del ID de conexión completamente calificado que se muestra en Conexión ID, por ejemplo, projects/myproject/locations/connection_location/connections/myconnection.
- ENDPOINT: el LLM de la incorporación que se usará. Por ejemplo, ENDPOINT='multimodalembedding'.
  Para algunos tipos de modelos, puedes especificar una versión particular del modelo si agregas @version al nombre del modelo. Por ejemplo, textembedding-gecko@001. A fin de obtener información sobre las versiones de modelo compatibles para diferentes tipos de modelos, consulta ENDPOINT.

Genera incorporaciones de texto con datos de una tabla

Generar incorporaciones de texto con la función ML.GENERATE_EMBEDDING mediante datos de texto de una columna de tabla.

Por lo general, deseas usar un modelo textembedding-gecko o textembedding-gecko-multilingual para casos de uso de solo texto y un modelo multimodalembedding para casos de uso de búsqueda multimodal, en los que lo siguiente: las incorporaciones para texto y contenido visual se generan en el mismo espacio semántico.

`textembedding-gecko*`

Genera incorporaciones de texto con un modelo remoto sobre el LLM textembedding-gecko o textembedding-gecko-multilingual:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(FLATTEN_JSON AS flatten_json_output,
    TASK_TYPE AS task_type)
);

Reemplaza lo siguiente:

PROJECT_ID: el ID de tu proyecto
DATASET_ID: El ID del conjunto de datos que contiene el modelo.
MODEL_NAME: el nombre del modelo remoto sobre un modelo textembedding-gecko o textembedding-gecko-multilingual.
TABLE_NAME: es el nombre de la tabla que contiene el texto que se incorporará. Esta tabla debe tener una columna llamada content, o puedes usar un alias para usar una columna con nombre diferente.
FLATTEN_JSON: un valor BOOL que indica si se debe analizar la incorporación en una columna separada. El valor predeterminado es TRUE.
TASK_TYPE: un literal de STRING que especifica la aplicación descendente deseada para ayudar al modelo a producir incorporaciones de mejor calidad. TASK_TYPE acepta los siguientes valores:
- RETRIEVAL_QUERY: especifica que el texto dado es una consulta en un parámetro de configuración de búsqueda o recuperación.
- RETRIEVAL_DOCUMENT: especifica que el texto dado de un documento en un parámetro de configuración de búsqueda o recuperación.
  Cuando se usa este tipo de tarea, es útil incluir el título del documento en la declaración de consulta para mejorar la calidad de la incorporación. Puedes usar la opción title para especificar el nombre de la columna que contiene el título del documento; de lo contrario, el título del documento debe estar en una columna con el nombre title o con un alias como title, por ejemplo:
```
      SELECT *
      FROM
        ML.GENERATE_EMBEDDING(
          MODEL mydataset.embedding_model,
          (SELECT abstract as content, header as title, publication_number
          FROM mydataset.publications),
          STRUCT(TRUE AS flatten_json_output, 'RETRIEVAL_DOCUMENT' as task_type)
      );
      
```
- SEMANTIC_SIMILARITY: especifica que el texto dado se usará para la similitud textual semántica (STS).
- CLASSIFICATION: especifica que las incorporaciones se usarán para la clasificación.
- CLUSTERING: especifica que las incorporaciones se usarán para el agrupamiento en clústeres.

`multimodalembedding`

Genera incorporaciones de texto con un modelo remoto sobre el LLM multimodalembedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(FLATTEN_JSON AS flatten_json_output)
);

Reemplaza lo siguiente:

PROJECT_ID: el ID de tu proyecto
DATASET_ID: El ID del conjunto de datos que contiene el modelo.
MODEL_NAME: el nombre del modelo remoto sobre un modelo multimodalembedding@001.
TABLE_NAME: es el nombre de la tabla que contiene el texto que se incorporará. Esta tabla debe tener una columna llamada content, o puedes usar un alias para usar una columna con nombre diferente.
FLATTEN_JSON: Una BOOL que indica si se debe analizar la incorporación en una columna separada. El valor predeterminado es TRUE.

Genera incorporaciones de texto con datos de una consulta

Genera incorporaciones de texto con elML.GENERATE_EMBEDDING función mediante datos de texto proporcionados por una consulta y un modelo remoto sobre el LLM textembedding-gecko o textembedding-gecko-multilingual:

`textembedding-gecko*`

Genera incorporaciones de texto con un modelo remoto sobre el LLM textembedding-gecko o textembedding-gecko-multilingual:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (CONTENT_QUERY),
  STRUCT(FLATTEN_JSON AS flatten_json_output,
    TASK_TYPE AS task_type
  );

Reemplaza lo siguiente:

PROJECT_ID: el ID de tu proyecto
DATASET_ID: El ID del conjunto de datos que contiene el modelo.
MODEL_NAME: el nombre del modelo remoto sobre un modelo textembedding-gecko o textembedding-gecko-multilingual.
CONTENT_QUERY: Una consulta cuyo resultado contiene una columna STRING llamada content.
FLATTEN_JSON: un valor BOOL que indica si se debe analizar la incorporación en una columna separada. El valor predeterminado es TRUE.
TASK_TYPE: un literal de STRING que especifica la aplicación descendente deseada para ayudar al modelo a producir incorporaciones de mejor calidad. TASK_TYPE Acepta los siguientes valores:
- RETRIEVAL_QUERY: especifica que el texto dado es una consulta en un parámetro de configuración de búsqueda o recuperación.
- RETRIEVAL_DOCUMENT: especifica que el texto dado de un documento en un parámetro de configuración de búsqueda o recuperación.
  Cuando se usa este tipo de tarea, es útil incluir el título del documento en la declaración de consulta para mejorar la calidad de la incorporación. Puedes usar la opción title para especificar el nombre de la columna que contiene el título del documento; de lo contrario, el título del documento debe estar en una columna con el nombre title o con un alias como title, por ejemplo:
```
          SELECT *
          FROM
            ML.GENERATE_EMBEDDING(
              MODEL mydataset.embedding_model,
              (SELECT abstract as content, header as title, publication_number
              FROM mydataset.publications),
              STRUCT(TRUE AS flatten_json_output, 'RETRIEVAL_DOCUMENT' as task_type)
          );
          
```
- SEMANTIC_SIMILARITY: especifica que el texto dado se usará para la similitud textual semántica (STS).
- CLASSIFICATION: especifica que las incorporaciones se usarán para la clasificación.
- CLUSTERING: especifica que las incorporaciones se usarán para el agrupamiento en clústeres.

`multimodalembedding`

Genera incorporaciones de texto con un modelo remoto sobre el LLM multimodalembedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (CONTENT_QUERY),
  STRUCT(FLATTEN_JSON AS flatten_json_output)
);

Reemplaza lo siguiente:

PROJECT_ID: el ID de tu proyecto
DATASET_ID: El ID del conjunto de datos que contiene el modelo.
MODEL_NAME: el nombre del modelo remoto sobre un modelo multimodalembedding@001.
CONTENT_QUERY: Una consulta cuyo resultado contiene una columna STRING llamada content.
FLATTEN_JSON: Una BOOL que indica si se debe analizar la incorporación en una columna separada. El valor predeterminado es TRUE.

Ejemplos

En los siguientes ejemplos, se muestra cómo llamar a la función ML.GENERATE_EMBEDDING en una tabla y una consulta.

Cómo incorporar texto en una tabla

En el siguiente ejemplo, se muestra una solicitud para incorporar la columna content de la tabla text_data:

SELECT *
FROM
  ML.GENERATE_EMBEDDING(
    MODEL `mydataset.embedding_model`,
    TABLE mydataset.text_data,
    STRUCT(TRUE AS flatten_json_output)
  );

Usa incorporaciones para clasificar la similitud semántica

En el siguiente ejemplo, se incorpora una colección de reseñas de películas y las ordena por distancia de coseno a la opinión “Esta película fue promedio” mediante la función ML.DISTANCE. Una distancia menor indica una similitud más semántica.

WITH movie_review_embeddings AS (
  SELECT *
  FROM
    ML.GENERATE_EMBEDDING(
      MODEL `bqml_tutorial.embedding_model`,
      (
        SELECT "Movie 1" AS title, "This movie was fantastic" AS content
        UNION ALL
        SELECT "Movie 2" AS title, "This was the best movie I've ever seen!!" AS content
        UNION ALL
        SELECT "Movie 3" AS title, "This movie was just okay..." AS content
        UNION ALL
        SELECT "Movie 4" AS title, "This movie was terrible." AS content
      ),
      STRUCT(TRUE AS flatten_json_output)
    )
),
average_review_embedding AS (
  SELECT ml_generate_embedding_result
  FROM
    ML.GENERATE_EMBEDDING(
      MODEL `bqml_tutorial.embedding_model`,
      (SELECT "This movie was average" AS content),
      STRUCT(TRUE AS flatten_json_output)
    )
)
SELECT
  content,
  ML.DISTANCE(
    (SELECT ml_generate_embedding_result FROM average_review_embedding),
    ml_generate_embedding_result,
    'COSINE'
  ) AS distance_to_average_review
FROM
  movie_review_embeddings
ORDER BY distance_to_average_review;

El resultado es el siguiente:

+------------------------------------------+----------------------------+
| content                                  | distance_to_average_review |
+------------------------------------------+----------------------------+
| This movie was fantastic                 | 0.10028859431058901        |
| This movie was terrible.                 |   0.142427236973374        |
| This was the best movie I've ever seen!! | 0.46742391210381995        |
| This movie was just okay...              | 0.47399255715360622        |
+------------------------------------------+----------------------------+