使用 BigQuery 串接 Vertex AI 進行文本生成 (分析 Google Cloud 公開資料庫)

2024/06/02閱讀時間約 6 分鐘

Overview

在文中將會使用 BigQuery 的 hosted remote functions 和 Vertex AI 的大型語言模型（LLM）進行文本生成（text-bison）來分析並生成 GitHub 程式碼公開資料庫的摘要和程式語言識別。

資料庫來自 GitHub Archive Project，該項目包含超過 280 萬個開源 GitHub 存儲庫的完整快照，存儲在 Google BigQuery 公共數據集中。

Preparing the data

在 BigQuery 控制台中，點擊“+ADD”，點擊 “Public Datasets” 並搜索 “github_repos”。

在搜尋結果中，選擇 “GitHub Activity Data”，並點擊 “View Datasets”

展開 github_repos 數據集並選擇 sample_contents 表，點擊 “Preview”，可以預覽部分的數據。

Create the BigQuery dataset

點擊 Project ID 旁的三個點，選擇 "Create Dataset"。
輸入 "bq_llm" 作為 Dataset ID，然後點擊 "Create Dataset"，該 Dataset 將用於儲存下一步創建的模型。

Create the external connection

點擊 “+ ADD” 按鈕，選擇“Connections to external data sources”。
選擇連接類型為 “Vertex AI remote models, remote functions and BigLake (Cloud Resource)” 並將 Connection ID 設置為 “llm-connection”。
點擊 “CREATE CONNECTION”。

複製剛剛建立 Connection 的 Service Account ID
瀏覽到 IAM & Admin 的 console 頁面，在 IAM 頁面上點擊 “+ GRANT ACCESS”。
貼上 Connection 的 Service Account ID 並賦予 Vertex AI User 權限，點擊 “SAVE”

Create a remote ML model

在 BigQuery 頁面，點擊 “+ Compose new query” ，建立一個新查詢。
輸入以下語法

CREATE OR REPLACE MODEL bq_llm.llm_model
  REMOTE WITH CONNECTION `us.llm-connection`
  OPTIONS (remote_service_type = 'CLOUD_AI_LARGE_LANGUAGE_MODEL_V1');

這會創建一個名稱為 llm_model 的模型在。該模型利用 Vertex AI 的 CLOUD_AI_LARGE_LANGUAGE_MODEL_V1 作為遠程函數。完成後，您會在剛剛建立的dataset (bq_llm)看到該模型。

Generate text using the ML model

在 BigQuery 頁面，建立一個新查詢，並執行以下語法進行文本的生成。

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 `bq_llm.llm_model`,
    (
  SELECT
        CONCAT('Can you read the code in the following text and generate a summary for what the code is doing and what language it is written in:', content) AS prompt
  FROM
        `bigquery-public-data.github_repos.sample_contents`
  LIMIT 5
    ),
    STRUCT(
      0.2 AS temperature,
      100 AS max_output_tokens));

該 SQL 語法的解釋：

ml_generate_text_result 是從 text generation model 獲取的回應( JSON 格式)，包含生成的文本和安全屬性：
- content 代表生成的文本結果。
- safetyAttributes 內建的內容過濾器，以避免 LLM 產生任何無意的或意想不到的回應。
ML.GENERATE_TEXT 是 BigQuery 中用於訪問 Vertex AI LLM 以執行文本生成任務的函數。
CONCAT 函數將提供的提示詞附加到數據庫記錄中。
github_repos 是公共數據集的名稱，而 sample_contents 是使用的 Table 名稱。
temperature 是控制回應隨機性的提詞參數—數值越小，相關性越高。
max_output_tokens 是您希望回應中包含的詞數。