Insights generativos com o SQL do BigQuery e a Vertex AI

1. Introdução

Neste codelab, vamos criar um app de previsão e prescrição de classificação de sucesso de filmes com consultas SQL do BigQuery e a API PaLM da Vertex AI. O modelo usado para executar a geração de texto é o text-bison e está hospedado como uma função remota no BigQuery.

A lista de serviços usados é:

1. BigQuery ML
2. API PaLM da Vertex AI
3. Cloud Shell

O que você vai criar

Você vai criar

• Um conjunto de dados do BigQuery para conter o modelo
• Um modelo do BigQuery ML que prevê a pontuação de sucesso de um filme com base nos atributos genre e RUNTIME do filme
• Um modelo do BigQuery que hospeda a API PaLM da Vertex AI como uma função remota
• Uma conexão externa para estabelecer a conexão entre o BigQuery e a Vertex AI

2. Requisitos

• Use um navegador, como o Chrome ou o Firefox.
• Tenha um projeto do Google Cloud com o faturamento ativado.

Antes de começar

1. No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.
2. Verifique se o faturamento está ativado para seu projeto do Cloud. Saiba como verificar se o faturamento está ativado em um projeto.
3. Verifique se todas as APIs necessárias (API BigQuery, API Vertex AI, API BigQuery Connection) estão ativadas
4. Você usará o Cloud Shell, um ambiente de linha de comando em execução no Google Cloud que vem pré-carregado com bq. Consulte a documentação sobre comandos e uso da gcloud

No console do Cloud, clique em "Ativar o Cloud Shell" no canto superior direito:

Se o projeto não estiver definido, use este comando:

gcloud config set project <YOUR_PROJECT_ID>

5. Acesse o console do BigQuery digitando este URL no seu navegador: https://console.cloud.google.com/bigquery

3. Preparando os dados

Neste caso de uso, utilizaremos o conjunto de dados de filmes derivado da origem movielens.

1. Crie um conjunto de dados:

Um conjunto de dados do BigQuery é uma coleção de tabelas. Todas as tabelas em um conjunto de dados são armazenadas no mesmo local dos dados. Você também pode anexar controles de acesso personalizados para limitar o acesso a um conjunto de dados e às tabelas dele.

No Cloud Shell, use o comando bq mk para criar um conjunto de dados chamado "movie_insights".

bq mk --location=us-central1 movie_insights

2. Clone o arquivo de origem na máquina do Cloud Shell:

git clone https://github.com/AbiramiSukumaran/movie_score_genai_insights

3. Acesse o novo diretório do projeto criado na máquina do Cloud Shell:

cd movie_score_genai_insights

4. Use o comando "bq load" para carregar o arquivo CSV em uma tabela do BigQuery (você também pode fazer o upload diretamente da interface do BigQuery):

bq load --source_format=CSV --skip_leading_rows=1 movie_insights.movie_score \
./movies_data.csv \ Id:numeric,name:string,rating:string,genre:string,year:numeric,released:string,score:string,director:string,writer:string,star:string,country:string,budget:numeric,company:string,runtime:numeric,data_cat:string

5. Você pode consultar uma amostra para verificar se a tabela movie_score e os dados foram criados no conjunto de dados:

bq query --use_legacy_sql=false \
SELECT name, rating, genre, runtime FROM movie_insights.movie_score limit 3;

4. Dados para ML

Vamos criar um modelo de classificação para prever a pontuação de sucesso do filme com base nos atributos genre e RUNTIME. Usaremos a instrução CREATE MODEL com a opção "LOGISTIC_REG" para criar e treinar um modelo de regressão logística.

Execute a consulta abaixo na seção "Editor de consultas do SQL do Workspace no console do BigQuery":

CREATE OR REPLACE MODEL
  `movie_insights.model_rating_by_runtime_genre`
OPTIONS
  ( model_type='LOGISTIC_REG',
    auto_class_weights=TRUE,
    data_split_method='NO_SPLIT',
    model_registry='vertex_ai',   
    vertex_ai_model_version_aliases=['logistic_reg', 'experimental'],
    input_label_cols=['score']
  ) AS
SELECT name, genre,runtime, score
FROM
  movie_insights.movie_score
WHERE
  data_cat = 'TRAIN';

Detalhes da consulta:

1. A instrução CREATE MODEL treina um modelo usando os dados de treinamento na instrução SELECT.
2. A cláusula OPTIONS especifica o tipo de modelo e as opções de treinamento. Aqui, a opção LOGISTIC_REG especifica um tipo de modelo de regressão logística. Não é necessário especificar um modelo de regressão logística binária ou multiclasse: o BigQuery ML pode determinar qual deles treinar com base no número de valores únicos na coluna de rótulos.
3. data_split_method=‘NO_SPLIT' força o BQML a treinar com os dados de acordo com as condições da consulta (data_cat = "TRAIN"). É recomendável usar "AUTO_SPLIT" nesta opção para permitir que o framework (ou o serviço, neste caso) renda a partição das divisões de treinamento/teste.
4. A opção input_label_cols especifica qual coluna da instrução SELECT deve ser usada como a coluna do rótulo. Aqui, a coluna de rótulo é a pontuação, então o modelo vai aprender qual dos 10 valores de pontuação é mais provável com base nos outros valores presentes em cada linha.
5. O valor "auto_class_weights=TRUE" equilibra os rótulos de classe nos dados de treinamento. Por padrão, os dados de treinamento não são ponderados. Se os rótulos nos dados de treinamento estiverem desequilibrados, o modelo poderá aprender a prever com mais intensidade a classe mais conhecida de rótulos.
6. A instrução SELECT consulta a tabela que carregamos com os dados csv. A cláusula WHERE filtra as linhas na tabela de entrada para que apenas o conjunto de dados TRAIN seja selecionado nesta etapa.
7. As construções a seguir são OPCIONAIS para que o BigQuery ML possa registrá-las explicitamente no Vertex AI Model Registry. Saiba mais neste blog. model_registry='vertex_ai', vertex_ai_model_version_aliases=['logistic_reg', 'experimental']

Depois de criado, o seguinte aparece na seção "SCHEMA" do BigQuery SQL Workspace:

Depois de criar seu modelo, avalie o desempenho dele usando a função ML.EVALUATE. A função ML.EVALUATE avalia os valores previstos em relação aos dados reais.

Também é possível ver as métricas de avaliação do modelo na página MODEL:

Resumo das principais métricas:

Precisão: qual proporção de identificações positivas estava correta? Precisão = verdadeiro positivo / (verdadeiro positivo + falso positivo) Recall: qual proporção de positivos reais foi identificada corretamente? Recall = verdadeiro positivo / (verdadeiro positivo + falso negativo) Precisão: uma métrica para avaliar modelos de classificação, é a fração de previsões que nosso modelo realmente conseguiu Acurácia = Número de previsões corretas / Número total de previsões

5. Como prever a pontuação de filmes usando o modelo

Hora da previsão! A consulta a seguir prevê a pontuação de cada filme no conjunto de dados categorizado como "TEST" dados.

Execute a consulta abaixo na seção "Editor de consultas do SQL do Workspace no console do BigQuery":

SELECT
  *
FROM
  ML.PREDICT (MODEL movie_insights.model_rating_by_runtime_genre,
    (
    SELECT
      *
    FROM
      movie_insights.movie_score
    WHERE
      data_cat= 'TEST'
     )
  );

O resultado vai ficar assim:

O resultado do modelo mostra a predicted_score do filme em uma escala de 1 a 10 (classificação). Você deve estar se perguntando por que há várias linhas de previsão em cada filme. Isso ocorre porque o modelo retornou os possíveis rótulos previstos e a probabilidade de ocorrência de cada um deles em ordem decrescente.

Analise os resultados previstos e o modelo:

Você pode executar duas ótimas etapas de análise com a previsão para entender os resultados:

1. Para entender por que seu modelo está gerando esses resultados de previsão, use a função ML.EXPLAIN_PREDICT.
2. Para saber quais recursos são os mais importantes para determinar a faixa de renda em geral, use a função ML.GLOBAL_EXPLAIN.

Leia sobre essas etapas em detalhes na documentação.

6. De dados para IA generativa

Vamos fornecer insights sobre o conjunto de dados de filmes solicitando ao LLM (modelo de linguagem grande) o resumo dos fatores que influenciam a pontuação do filme a ser maior que 5, com a IA generativa usando o modelo text-bison (mais recente) da Vertex AI usando apenas consultas SQL.

1. A tabela que criamos movie_score também será a entrada para esta etapa.
2. Uma conexão externa será criada para estabelecer o acesso entre o BigQuery ML e os serviços da Vertex.
3. O construto GENERATE_TEXT do BigQuery será usado para invocar a API PaLM remotamente pela Vertex AI.

7. Criar uma conexão externa

Ative a API BQ Connection, se ainda não tiver feito isso, e anote o ID da conta de serviço nos detalhes de configuração da conexão:

1. Clique no botão +ADICIONAR no painel do BigQuery Explorer (à esquerda do console do BigQuery) e clique em "Conexão com fontes de dados externas" nas fontes conhecidas listadas
2. Selecione o tipo de conexão como "BigLake e funções remotas" e forneça o tipo de local como "Região". e o valor como "us-central1 (Iowa)". e "bq_llm_connection" como o ID da conexão

3. Depois que a conexão for criada, anote a conta de serviço gerada com base nos detalhes da configuração da conexão

Conceder permissões

Nesta etapa, vamos conceder permissões à conta de serviço para acessar o serviço da Vertex AI:

Abra o IAM e adicione a conta de serviço que você copiou depois de criar a conexão externa como a principal e selecione "Usuário da Vertex AI" Função

8. Criar um modelo de ML remoto

Crie o modelo remoto que representa um modelo de linguagem grande hospedado da Vertex AI:

CREATE OR REPLACE MODEL
  movie_insights.llm_model REMOTE
WITH CONNECTION `us-central1.bq_llm_connection` OPTIONS (remote_service_type = 'CLOUD_AI_LARGE_LANGUAGE_MODEL_V1');

Ele cria um modelo chamado llm_model no conjunto de dados movie_insights que usa a API CLOUD_AI_LARGE_LANGUAGE_MODEL_V1 da Vertex AI como uma função remota. O processo vai levar vários segundos para ser concluído.

9. Gerar texto usando o modelo de ML

Depois de criado, o modelo pode ser usado para gerar, resumir ou categorizar textos.

SELECT
  ml_generate_text_result['predictions'][0]['content'] AS generated_text,
  ml_generate_text_result['predictions'][0]['safetyAttributes']
    AS safety_attributes,
  * EXCEPT (ml_generate_text_result)
FROM
  ML.GENERATE_TEXT(
    MODEL `movie_insights.llm_model`,
    (
 SELECT
      CONCAT('FROM THE FOLLOWING TEXT ABOUT MOVIES, WHAT DO YOU THINK ARE THE FACTORS INFLUENCING A MOVIE SCORE TO BE GREATER THAN 5?: ', movie_data) AS prompt
    FROM (
      SELECT
        REPLACE(STRING_AGG( CONCAT('A movie named ',name, ' from the country ', country, ' with a censor rating of ',rating, ' and a budget of ', budget, ' produced by ', company, ' with a runtime of about ', runtime, ' and in the genre ', genre, ' starring ', star, ' has had a success score of ', score, '') ), ',','. ') AS movie_data
      FROM (
        SELECT
          *
        FROM
          `movie_insights.movie_score`
        WHERE
          CAST(SCORE AS INT64) > 5
        LIMIT
          50) ) AS MOVIES
    ),
    STRUCT(
      0.2 AS temperature,
      100 AS max_output_tokens));

**Explicação:

ml_generate_text_result** é a resposta do modelo de geração de texto no formato JSON que contém atributos de conteúdo e segurança: a. O conteúdo representa o texto gerado. b. Os atributos de segurança representam o filtro de conteúdo integrado com um limite ajustável ativado na API Vertex AI Palm para evitar respostas não intencionais ou imprevistas do modelo de linguagem grande. A resposta será bloqueada se violar o limite de segurança.

ML.GENERATE_TEXT é a construção que você usa no BigQuery para acessar o LLM da Vertex AI e realizar tarefas de geração de texto.

CONCAT anexa sua instrução PROMPT e o registro do banco de dados

movie_insights é o nome do conjunto de dados e movie_score é o nome da tabela que contém os dados que vamos usar no design do comando.

Temperatura é o parâmetro do comando para controlar a aleatoriedade da resposta. Quanto menor, melhor em termos de relevância.

Max_output_tokens é o número de palavras que você quer em resposta

A resposta da consulta é semelhante a esta:

Como você pode ver, a resposta está aninhada e não formatada.

10. Nivelar o resultado da consulta

Vamos nivelar o resultado para não precisar decodificar o JSON explicitamente na consulta:

SELECT
  *
FROM
  ML.GENERATE_TEXT( MODEL movie_insights.llm_model,
    (
    SELECT
      CONCAT('FROM THE FOLLOWING TEXT ABOUT MOVIES, WHAT DO YOU THINK ARE THE FACTORS INFLUENCING A MOVIE SCORE TO BE GREATER THAN 5?: ', movie_data) AS prompt
    FROM (
      SELECT
        REPLACE(STRING_AGG( CONCAT('A movie named ',name, ' from the country ', country, ' with a censor rating of ',rating, ' and a budget of ', budget, ' produced by ', company, ' with a runtime of about ', runtime, ' and in the genre ', genre, ' starring ', star, ' has had a success score of ', score, '') ), ',','. ') AS movie_data
      FROM (
        SELECT
          *
        FROM
          `movie_insights.movie_score`
        WHERE
          CAST(SCORE AS INT64) > 5
        LIMIT
          50) ) AS MOVIES),
    STRUCT( 0.2 AS temperature,
      100 AS max_output_tokens,
      TRUE AS flatten_json_output));

**Explicação:

Flatten_json_output** representa o booleano, que, se definido como verdadeiro, retorna um texto simples e compreensível extraído da resposta JSON.

A resposta da consulta é semelhante a esta:

11. Limpar

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados nesta postagem, é possível excluir o endpoint da Vertex AI criado como parte da etapa de ML. Para isso, acesse a página "Endpoint AI Endpoint".

12. Parabéns

Parabéns! Você criou um modelo BQML e executou análises com base em LLMs usando uma API Vertex AI no conjunto de dados de filmes usando apenas consultas SQL. Confira a documentação do produto LLM da Vertex AI para saber mais sobre os modelos disponíveis.