solutions genai llm workshop

Überblick

Dies ist Teil des japac generativen KI -technischen Workshops Qwiklabs. Der Workshop führt das Publikum durch:

• Google generative AI -Sprachangebote
• Langchain -Integration

Bereitstellung von Cloud -Ressourcen

1. Konfigurieren Sie die Google Cloud -Umgebung

   Wenn Sie das Labor in der QWIKLABS -Umgebung ausführen, können Sie Schritt 2 überspringen.

So konfigurieren Sie das Google Cloud -Projekt manuell:

2. Verwenden Sie Terraform, um die erforderlichen Ressourcen zu erstellen und zu konfigurieren.

• GOTO terraform/qwiklabs -Ordner.

   cd terraform/qwiklabs

• Erstellen Sie die Datei terraform.tfvars mit den folgenden Inhalten

   gcp_project_id = <YOUR GCP PROJECT ID>
  gcp_region = <DEFAULT GCP PROJECT ID> 
  gcp_zone = <DEFAULT GCP PROJECT ID> 

• Wenden Sie Terraform auf die Berechtigung an Google Cloud -Ressourcen.

  terraform init
  terraform plan -var-file=terraform.tfvars
  terraform apply -var-file=terraform.tfvars

  Dadurch werden folgende Ressourcen erstellt: 1. Ein VPC mit Firewall -Regeln, das 80, 8080, 23 TCP -Inboundhandel ermöglicht. 2. Service -Netzwerk späht mit dem VPC.

Zu diesem Zeitpunkt haben Sie die erforderlichen Cloud -Ressourcen bereitgestellt.

Erstellen Sie Scheitelpunkte AI Workbench als Laborumgebung.

In diesem Labor verwenden wir die Vertex AI Workbench als Laborumgebung.

1. Befolgen Sie die Anweisung zur Bereitstellung von Vertex -AI -Workbench -Instanz.

2. Sobald die Workbench -Instanz erstellt wurde. Öffnen Sie das Notizbuch.

   

3. Offenes Terminal.

   

4. Führen Sie die folgenden Befehle im Terminal aus.

    export GOOGLE_CLOUD_PROJECT= $( gcloud config get project )
   export GOOGLE_CLOUD_REGION=us-central1
   export GOOGLE_CLOUD_ZONE=us-central1-a
   
   git clone https://github.com/GoogleCloudPlatform/solutions-genai-llm-workshop
   
   cd solutions-genai-llm-workshop
   
   python3 -m venv .venv
   
   curl -sSL https://raw.githubusercontent.com/python-poetry/install.python-poetry.org/385616cd90816622a087450643fba971d3b46d8c/install-poetry.py | python3 -
   
   source .venv/bin/activate
   curl -sS https://bootstrap.pypa.io/get-pip.py | python3
   
   pip install -r requirements.in

5. Authentifizieren Sie sich mit dem Google Cloud -Projekt

   gcloud auth login # Login with project owner account
   gcloud auth application-default login # Login with project owner account
   

6. Weisen Sie dem Benutzer die erforderlichen Rollen zu.

    export USER_EMAIL= < USE ACCOUNT EMAIL >
   gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT --member=user: $USER_EMAIL --role=roles/ml.admin
   
   gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT --member=user: $USER_EMAIL --role=roles/aiplatform.admin
   
   gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT --member=user: $USER_EMAIL --role=roles/aiplatform.user
   
   gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT --member=user: $USER_EMAIL --role=roles/serviceusage.serviceUsageConsumer
   

7. Erstellen Sie BigQuery -Datensatz

   python3 1-create-and-copy-bq-data.py

8. Erstellen Sie den Scheitelpunkt -Matching -Engine. Dies kann etwa 60 Minuten dauern.

   curl -L https://tinyurl.com/genai-202307-dataset --output dataset.zip
   unzip dataset.zip
   rm dataset.zip
   
   python3 0-setup-matching-enging.py