Sebagian atau seluruh informasi di halaman ini mungkin tidak berlaku untuk Cloud de Confiance dari S3NS. Lihat Perbedaan dengan Google Cloud untuk mengetahui detail selengkapnya.

Google menggunakan teknologi AI untuk menerjemahkan konten ke dalam bahasa pilihan Anda. Terjemahan AI mungkin mengandung kesalahan.

Membuat embedding dengan model transformer dalam format ONNX

Dalam tutorial ini, Anda akan menggunakan Hugging Face Optimum CLI untuk mengekspor model sentence-transformers/all-MiniLM-L6-v2 ke format Open Neural Network Exchange (ONNX). Anda menggunakan pernyataan CREATE MODEL untuk mengimpor model ONNX ke BigQuery. Terakhir, Anda menggunakan fungsi ML.PREDICT untuk membuat embedding dengan model ONNX yang diimpor.

Tutorial ini menggunakan model sentence-transformers/all-MiniLM-L6-v2. Model transformer kalimat ini dikenal karena performanya yang cepat dan efektif dalam membuat sematan kalimat. Embedding kalimat memungkinkan tugas seperti penelusuran semantik, pengelompokan, dan kemiripan kalimat dengan menangkap makna teks yang mendasarinya.

ONNX menyediakan format seragam yang dirancang untuk merepresentasikan framework machine learning (ML) apa pun. Dukungan BigQuery ML untuk ONNX memungkinkan Anda melakukan hal berikut:

Melatih model menggunakan framework favorit Anda.
Mengonversi model ke format model ONNX.
Impor model ONNX ke BigQuery dan buat prediksi menggunakan BigQuery ML.

Tujuan

Mengekspor model sentence-transformers/all-MiniLM-L6-v2 ke ONNX.
Mengimpor model ONNX ke BigQuery.
Gunakan fungsi ML.PREDICT untuk membuat embedding dengan model ONNX yang diimpor.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Cloud de Confiance by S3NSyang dapat ditagih berikut:

Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, baca bagian Pembersihan.

Sebelum memulai

In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance 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
Verifikasi bahwa penagihan diaktifkan untuk project Cloud de Confiance Anda.

Aktifkan BigQuery dan Cloud Storage API.
Peran yang diperlukan untuk mengaktifkan API
Untuk mengaktifkan API, Anda memerlukan izin serviceusage.services.enable. Jika Anda membuat project, kemungkinan Anda sudah memiliki izin ini melalui peran Pemilik (roles/owner). Jika tidak, Anda bisa mendapatkan izin ini melalui peran Admin Penggunaan Layanan (roles/serviceusage.serviceUsageAdmin). Pelajari cara memberikan peran.
Aktifkan API

Pastikan Anda memiliki izin yang diperlukan untuk melakukan tugas dalam dokumen ini.

Peran yang diperlukan

Untuk mendapatkan izin yang Anda perlukan untuk menyelesaikan tutorial ini, minta administrator Anda untuk memberi Anda peran IAM berikut di project:

Membuat set data, tabel, dan model, serta menjalankan tugas BigQuery: Admin BigQuery Studio (roles/bigquery.studioAdmin)
Buat bucket Cloud Storage dan buat objek penyimpanan (jika Anda mengonversi file model transformer ke ONNX secara manual): Storage Admin (roles/storage.admin)

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Anda mungkin juga bisa mendapatkan izin yang diperlukan melalui peran khusus atau peran bawaan lainnya.

Jika membuat project baru, Anda adalah pemilik project, dan Anda diberi semua izin Identity and Access Management (IAM) yang diperlukan untuk menyelesaikan tutorial ini.

Untuk mengetahui informasi selengkapnya tentang izin IAM di BigQuery, lihat Izin IAM.

Opsional: Mengonversi file model transformer ke ONNX secara manual

Jika Anda mengonversi model sentence-transformers/all-MiniLM-L6-v2 dan tokenizer secara manual ke ONNX, ikuti langkah-langkah di bagian berikut. Atau, Anda dapat menggunakan file contoh di bucket Cloud Storage gs://cloud-samples-data. File dalam bucket ini sudah dikonversi. Jika Anda menggunakan file contoh, lewati ke Membuat set data.

Jika memilih untuk mengonversi file secara manual, Anda harus memiliki lingkungan command line lokal yang telah menginstal Python. Untuk mengetahui informasi selengkapnya tentang cara menginstal Python, lihat download Python.

Mengekspor model transformer ke ONNX

Gunakan Hugging Face Optimum CLI untuk mengekspor model sentence-transformers/all-MiniLM-L6-v2 ke ONNX. Untuk mengetahui informasi selengkapnya tentang cara mengekspor model dengan Optimum CLI, lihat Mengekspor model ke ONNX dengan optimum.exporters.onnx.

Untuk mengekspor model, buka lingkungan command line dan ikuti langkah-langkah berikut:

Instal Optimum CLI:
```
pip install optimum[onnx]
```
Mengekspor model:
```
optimum-cli export onnx \
    --model sentence-transformers/all-MiniLM-L6-v2 \
    --task sentence-similarity \
    --opset 17 all-MiniLM-L6-v2/
```
Argumen --model menentukan ID model Hugging Face. Argumen --opset menentukan versi library ONNXRuntime dan ditetapkan ke 17 untuk mempertahankan kompatibilitas dengan library ONNXRuntime yang didukung oleh BigQuery.

File model diekspor ke direktori all-MiniLM-L6-v2 sebagai model.onnx.

Menerapkan kuantisasi pada model transformer

Gunakan Optimum CLI untuk menerapkan kuantisasi pada model transformer yang diekspor guna mengurangi ukuran model dan mempercepat inferensi. Untuk mengetahui informasi selengkapnya, lihat Kuantisasi.

Untuk menerapkan kuantisasi ke model, jalankan perintah berikut:

optimum-cli onnxruntime quantize \
    --onnx_model all-MiniLM-L6-v2/ \
    --avx512_vnni -o all-MiniLM-L6-v2_quantized

File model yang dikuantisasi diekspor ke direktori all-MiniLM-L6-v2_quantized sebagai model_quantized.onnx.

Mengonversi tokenizer ke ONNX

Untuk membuat embedding menggunakan model transformer dalam format ONNX, Anda biasanya menggunakan tokenizer untuk menghasilkan dua input ke model, input_ids dan attention_mask.

Untuk menghasilkan input ini, konversi tokenizer untuk model sentence-transformers/all-MiniLM-L6-v2 ke format ONNX menggunakan library onnxruntime-extensions. Setelah mengonversi tokenizer, Anda dapat melakukan tokenisasi langsung pada input teks mentah untuk menghasilkan prediksi ONNX.

Untuk mengonversi tokenizer, ikuti langkah-langkah berikut di command line:

Instal Optimum CLI:
```
pip install optimum[onnx]
```
Dengan menggunakan editor teks pilihan Anda, buat file bernama convert-tokenizer.py. Contoh berikut menggunakan editor teks nano:
```
nano convert-tokenizer.py
```

Salin dan tempel skrip Python berikut ke dalam file convert-tokenizer.py:

from onnxruntime_extensions import gen_processing_models

# Load the Huggingface tokenizer
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/all-MiniLM-L6-v2")

# Export the tokenizer to ONNX using gen_processing_models
onnx_tokenizer_path = "tokenizer.onnx"

# Generate the tokenizer ONNX model, and set the maximum token length.
# Ensure 'max_length' is set to a value less than the model's maximum sequence length, failing to do so will result in error during inference.
tokenizer_onnx_model = gen_processing_models(tokenizer, pre_kwargs={'max_length': 256})[0]

# Modify the tokenizer ONNX model signature.
# This is because certain tokenizers don't support batch inference.
tokenizer_onnx_model.graph.input[0].type.tensor_type.shape.dim[0].dim_value = 1

# Save the tokenizer ONNX model
with open(onnx_tokenizer_path, "wb") as f:
  f.write(tokenizer_onnx_model.SerializeToString())

Simpan file convert-tokenizer.py.
Untuk mengonversi tokenizer, jalankan skrip Python:
```
python convert-tokenizer.py
```

Tokenizer yang dikonversi diekspor ke direktori all-MiniLM-L6-v2_quantized sebagai tokenizer.onnx.

Mengupload file model yang dikonversi ke Cloud Storage

Setelah Anda mengonversi model transformer dan tokenizer, lakukan langkah-langkah berikut:

Buat bucket Cloud Storage untuk menyimpan file yang dikonversi.
Upload file model transformer dan tokenizer yang telah dikonversi ke bucket Cloud Storage Anda.

Membuat set data

Untuk membuat set data BigQuery, pilih salah satu opsi berikut:

Konsol

Di konsol Cloud de Confiance , buka halaman BigQuery.

Buka BigQuery
Di panel kiri, klik Explorer:

Jika Anda tidak melihat panel kiri, klik Luaskan panel kiri untuk membuka panel.
Di Explorer, luaskan project Anda, lalu klik Datasets.
Di halaman Set Data, klik Buat set data.
Di panel Create dataset, lakukan hal berikut:
- Untuk Dataset ID, masukkan bqml_tutorial.
- Untuk Lokasi data, pilih Amerika Serikat.
Biarkan setelan default yang tersisa seperti apa adanya.
Klik Create dataset.

bq

Untuk membuat set data baru, gunakan perintah bq mk --dataset.

Buat set data bernama bqml_tutorial dengan lokasi data yang ditetapkan ke US:

bq mk --dataset \
  --location=US \
  --description "BigQuery ML tutorial dataset." \
  bqml_tutorial

Pastikan set data telah dibuat:
```
bq ls
```

API

Panggil metode datasets.insert dengan resource set data yang ditentukan:

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery DataFrames

Sebelum mencoba contoh ini, ikuti petunjuk penyiapan BigQuery DataFrames di Panduan memulai BigQuery menggunakan BigQuery DataFrames. Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi BigQuery DataFrames.

Untuk melakukan autentikasi ke BigQuery, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan ADC untuk lingkungan pengembangan lokal.

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

Mengimpor model ONNX ke BigQuery

Impor model tokenizer yang dikonversi dan model sentence transformer sebagai model BigQuery ML.

Pilih salah satu opsi berikut:

Konsol

Di konsol Cloud de Confiance , buka halaman Studio BigQuery.

Buka Studio
Di editor kueri, jalankan pernyataan CREATE MODEL berikut untuk membuat model tokenizer:
```
 CREATE OR REPLACE MODEL `bqml_tutorial.tokenizer`
  OPTIONS (MODEL_TYPE='ONNX',
   MODEL_PATH='TOKENIZER_BUCKET_PATH');
```
Ganti TOKENIZER_BUCKET_PATH dengan jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TOKENIZER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/tokenizer.onnx.

Setelah operasi selesai, Anda akan melihat pesan di panel Query results yang mirip dengan berikut ini: Successfully created model named tokenizer.
Untuk membuka panel Detail, klik Buka model.
Untuk melihat input model dan output model di Kolom Label, tinjau bagian Kolom Fitur:
Untuk membuat model all-MiniLM-L6-v2, di editor kueri, jalankan pernyataan CREATE MODEL berikut:
```
 CREATE OR REPLACE MODEL `bqml_tutorial.all-MiniLM-L6-v2`
  OPTIONS (MODEL_TYPE='ONNX',
   MODEL_PATH='TRANSFORMER_BUCKET_PATH');
```
Ganti TRANSFORMER_BUCKET_PATH dengan jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TRANSFORMER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/model_quantized.onnx.

Setelah operasi selesai, Anda akan melihat pesan di panel Query results yang mirip dengan berikut ini: Successfully created model named all-MiniLM-L6-v2.
Untuk membuka panel Detail, klik Buka model.
Untuk melihat input model dan output model di Kolom Label, tinjau bagian Kolom Fitur:

bq

Jalankan pernyataan CREATE MODEL menggunakan perintah query alat command line bq.

Buat model tokenizer:
```
bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
`bqml_tutorial.tokenizer`
OPTIONS
(MODEL_TYPE='ONNX',
  MODEL_PATH='TOKENIZER_BUCKET_PATH')"
```
Ganti TOKENIZER_BUCKET_PATH dengan jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TOKENIZER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/tokenizer.onnx.

Setelah operasi selesai, Anda akan melihat pesan yang mirip dengan berikut: Successfully created model named tokenizer.
Buat model all-MiniLM-L6-v2:
```
bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
  `bqml_tutorial.all-MiniLM-L6-v2`
OPTIONS
  (MODEL_TYPE='ONNX',
    MODEL_PATH='TRANSFORMER_BUCKET_PATH')"
```
Ganti TRANSFORMER_BUCKET_PATH dengan jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TRANSFORMER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/model_quantized.onnx.

Setelah operasi selesai, Anda akan melihat pesan yang mirip dengan berikut: Successfully created model named all-MiniLM-L6-v2.

Setelah mengimpor model, verifikasi bahwa model muncul di set data.

bq ls -m bqml_tutorial

Outputnya mirip dengan hal berikut ini:

tableId            Type
------------------------
tokenizer          MODEL
all-MiniLM-L6-v2   MODEL

API

Gunakan metode jobs.insert untuk mengimpor model. Isi parameter query dari resource QueryRequest dalam isi permintaan dengan pernyataan CREATE MODEL.

Untuk membuat model tokenizer, gunakan parameter query berikut:
```
{
  "query": "CREATE MODEL `PROJECT_ID :bqml_tutorial.tokenizer` OPTIONS(MODEL_TYPE='ONNX' MODEL_PATH='TOKENIZER_BUCKET_PATH')"
}
```
Ganti kode berikut:
- PROJECT_ID: project ID Anda.
- TOKENIZER_BUCKET_PATH: jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TOKENIZER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/tokenizer.onnx.
Untuk membuat model all-MiniLM-L6-v2, gunakan nilai parameter query berikut:
```
{
  "query": "CREATE MODEL `PROJECT_ID :bqml_tutorial.all-MiniLM-L6-v2` OPTIONS(MODEL_TYPE='ONNX' MODEL_PATH='TRANSFORMER_BUCKET_PATH')"
}
```
Ganti kode berikut:
- PROJECT_ID: project ID Anda.
- TRANSFORMER_BUCKET_PATH: jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TRANSFORMER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/model_quantized.onnx.

BigQuery DataFrames

Untuk melakukan autentikasi ke BigQuery, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan ADC untuk lingkungan pengembangan lokal.

Impor model tokenizer dan sentence transformer menggunakan objek ONNXModel.

import bigframes
from bigframes.ml.imported import ONNXModel

bigframes.options.bigquery.project = PROJECT_ID

bigframes.options.bigquery.location = "US"

tokenizer = ONNXModel(
  model_path= "TOKENIZER_BUCKET_PATH"
)
imported_onnx_model = ONNXModel(
  model_path="TRANSFORMER_BUCKET_PATH"
)

Ganti kode berikut:

PROJECT_ID: project ID Anda.
TOKENIZER_BUCKET_PATH: jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TOKENIZER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/tokenizer.onnx.
TRANSFORMER_BUCKET_PATH: jalur ke model yang Anda upload ke Cloud Storage. Jika Anda menggunakan model sampel, ganti TRANSFORMER_BUCKET_PATH dengan nilai berikut: gs://cloud-samples-data/bigquery/ml/onnx/all-MiniLM-L6-v2/model_quantized.onnx.

Membuat embedding dengan model ONNX yang diimpor

Gunakan tokenizer yang diimpor dan model sentence transformer untuk membuat embedding berdasarkan data dari bigquery-public-data.imdb.reviews set data publik.

Pilih salah satu opsi berikut:

Konsol

Gunakan fungsi ML.PREDICT untuk membuat embedding dengan model.

Kueri menggunakan panggilan ML.PREDICT bertingkat untuk memproses teks mentah secara langsung melalui tokenizer dan model embedding sebagai berikut:

Tokenisasi (kueri dalam): panggilan ML.PREDICT dalam menggunakan model bqml_tutorial.tokenizer. Kueri ini mengambil kolom title dari set data publik bigquery-public-data.imdb.reviews sebagai input text-nya. Model tokenizer mengonversi string teks mentah menjadi input token numerik yang diperlukan model utama, termasuk input input_ids dan attention_mask.
Pembuatan embedding (kueri luar): panggilan ML.PREDICT luar menggunakan model bqml_tutorial.all-MiniLM-L6-v2. Kueri mengambil kolom input_ids dan attention_mask dari output kueri dalam sebagai inputnya.

Pernyataan SELECT mengambil kolom sentence_embedding, yang merupakan array nilai FLOAT yang merepresentasikan sematan semantik teks.

Untuk membuat embedding, ikuti langkah-langkah berikut:

Di konsol Cloud de Confiance , buka halaman Studio BigQuery.

Buka Studio

Di editor kueri, jalankan kueri berikut.

SELECT
sentence_embedding
FROM
ML.PREDICT (MODEL `bqml_tutorial.all-MiniLM-L6-v2`,
  (
  SELECT
    input_ids, attention_mask
  FROM
    ML.PREDICT(MODEL `bqml_tutorial.tokenizer`,
      (
      SELECT
        title AS text
      FROM
        `bigquery-public-data.imdb.reviews` limit 10))));

Hasilnya mirip dengan berikut ini:

+-----------------------+
| sentence_embedding    |
+-----------------------+
| -0.02361682802438736  |
| 0.02025664784014225   |
| 0.005168713629245758  |
| -0.026361213997006416 |
| 0.0655381828546524    |
| ...                   |
+-----------------------+

bq

Gunakan perintah query alat command line bq untuk menjalankan kueri. Kueri menggunakan fungsi ML.PREDICT untuk membuat embedding dengan model.

Kueri menggunakan panggilan ML.PREDICT bertingkat untuk memproses teks mentah secara langsung melalui tokenizer dan model embedding sebagai berikut:

Tokenisasi (kueri dalam): panggilan ML.PREDICT dalam menggunakan model bqml_tutorial.tokenizer. Kueri ini mengambil kolom title dari set data publik bigquery-public-data.imdb.reviews sebagai input text-nya. Model tokenizer mengonversi string teks mentah menjadi input token numerik yang diperlukan model utama, termasuk input input_ids dan attention_mask.
Pembuatan embedding (kueri luar): panggilan ML.PREDICT luar menggunakan model bqml_tutorial.all-MiniLM-L6-v2. Kueri mengambil kolom input_ids dan attention_mask dari output kueri dalam sebagai inputnya.

Pernyataan SELECT mengambil kolom sentence_embedding, yang merupakan array nilai FLOAT yang merepresentasikan sematan semantik teks.

Pada command line, jalankan perintah berikut untuk menjalankan kueri.

bq query --use_legacy_sql=false \
'SELECT
sentence_embedding
FROM
ML.PREDICT (MODEL `bqml_tutorial.all-MiniLM-L6-v2`,
  (
  SELECT
    input_ids, attention_mask
  FROM
    ML.PREDICT(MODEL `bqml_tutorial.tokenizer`,
      (
      SELECT
        title AS text
      FROM
        `bigquery-public-data.imdb.reviews` limit 10))))'

Hasilnya mirip dengan berikut ini:

+-----------------------+
| sentence_embedding    |
+-----------------------+
| -0.02361682802438736  |
| 0.02025664784014225   |
| 0.005168713629245758  |
| -0.026361213997006416 |
| 0.0655381828546524    |
| ...                   |
+-----------------------+

BigQuery DataFrames

Untuk melakukan autentikasi ke BigQuery, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan ADC untuk lingkungan pengembangan lokal.

Gunakan metode predict untuk membuat embedding menggunakan model ONNX.

import bigframes.pandas as bpd

df = bpd.read_gbq("bigquery-public-data.imdb.reviews", max_results=10)
df_pred = df.rename(columns={"title": "text"})
tokens = tokenizer.predict(df_pred)
predictions = imported_onnx_model.predict(tokens)
predictions.peek(5)

Outputnya mirip dengan hal berikut ini:

Output dari model transformer.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Konsol

Perhatian: Penghapusan project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika Anda menggunakan project yang ada untuk mengerjakan tugas di dokumen ini, saat Anda menghapusnya, pekerjaan lain dalam project tersebut juga akan dihapus.
Project ID kustom akan hilang. Saat membuat project ini, Anda mungkin juga membuat project ID kustom yang masih ingin digunakan pada masa mendatang. Agar tidak kehilangan URL yang menggunakan project ID tersebut, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

Di konsol Cloud de Confiance , buka halaman Manage resources.
Buka Kelola resource
Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

gcloud

Perhatian: Penghapusan project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika Anda menggunakan project yang ada untuk mengerjakan tugas di dokumen ini, saat Anda menghapusnya, pekerjaan lain dalam project tersebut juga akan dihapus.
Project ID kustom akan hilang. Saat membuat project ini, Anda mungkin juga membuat project ID kustom yang masih ingin digunakan pada masa mendatang. Agar tidak kehilangan URL yang menggunakan project ID tersebut, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

Menghapus Cloud de Confiance project:

gcloud projects delete PROJECT_ID

Menghapus resource satu per satu

Atau, untuk mempertahankan project dan menghapus resource yang digunakan dalam tutorial ini, ikuti langkah-langkah berikut:

Di konsol Cloud de Confiance , buka halaman Studio BigQuery.

Buka Studio
Di panel kiri, luaskan project Anda, lalu klik Set Data.
Untuk set data bqml_tutorial, klik Open actions > Delete.
Di dialog Hapus set data, klik Hapus untuk mengonfirmasi.
Jika Anda mengikuti langkah-langkah untuk mengonversi file model transformer ke ONNX secara manual, hapus bucket Cloud Storage.

Langkah berikutnya

Pelajari cara menggunakan embedding teks untuk penelusuran semantik dan retrieval-augmented generation (RAG).
Untuk mengetahui informasi selengkapnya tentang cara mengonversi model transformer ke ONNX, lihat Mengekspor model ke ONNX dengan optimum.exporters.onnx.
Untuk mengetahui informasi selengkapnya tentang cara mengimpor model ONNX, lihat Pernyataan CREATE MODEL untuk model ONNX.
Untuk mengetahui informasi selengkapnya tentang cara melakukan prediksi, lihat Fungsi ML.PREDICT.
Untuk ringkasan BigQuery ML, lihat Pengantar BigQuery ML.
Untuk mulai menggunakan BigQuery ML, lihat Membuat model machine learning di BigQuery ML.