Gemini AI: Quick Start con Vertex AI, Paso a Paso para Principiantes
Introducción
En la cresta de la ola de la Inteligencia Artificial Generativa (IAG), Vertex AI de Google Cloud (GCP) ofrece todo lo necesario para crear tus proyectos utilizando esta tecnología, desde soluciones de IA hasta búsqueda y conversación, y un pull de más de 130 modelos de base en una plataforma unificada.
Este artículo te presento una guía práctica sobre cómo inicializar Vertex AI, y una comparativa de las características respecto a AWS y Azure. La participación de Vertex AI como un actor más en el ecosistema de cloud computing representa un paso significativo hacia un análisis de datos más accesible y abre la puerta nuevas posibilidades y avances en muchos sectores.
Background
Estamos en una nueva primavera de la Inteligencia Artificial (IA) y el subcampo del machine learning está en constante evolución. Plataformas como Vertex AI de Google Cloud están en el centro de esta transformación.
Así lo destacava Esteve Almirall en el periódico de La Vanguardia: “El cloud es necesario para la IA, debido al tamaño de los modelos fundacionales actuales. A partir de ahora la IA será ‘Cloud IA’. Por tanto, las empresas tendrán que saber combinar data science con cloud enginnering.”
Vertex AI, descrito en su página oficial, ofrece una integración completa de herramientas de ML, facilitando desde la creación hasta el despliegue de modelos. Esta plataforma destaca por su enfoque en la eficiencia y escalabilidad, en contraste con las soluciones ofrecidas por AWS y Azure, que aunque también son robustas, tienen diferencias en cuanto a integración y facilidad de uso.
La elección de la plataforma adecuada es clave. En la siguiente tabla se puede ver la matriz de servicios AI PaaS (Plataform as a Service) de los principales proveedores de nube pública, como AWS, Azure y Google. Esta matriz es un ejemplo del catálogo de servicios AI PaaS disponible.
Hands-On: Inicializando Vertex AI
Empezar a utilizar Vertex AI es un proceso sencillo.
El código proporcionado muestra cómo autenticar y configurar un proyecto en Google Colab a través de Google Cloud. El proceso incluye autenticación de usuario, configuración del proyecto y la región, seguido de la inicialización de Vertex AI utilizando la biblioteca vertexai.
Esta configuración inicial es el primer paso para aprovechar las capacidades de machine learning de Vertex AI. En la documentación oficial de Vertex AI también puedes ver más información.
El código para inicializar Vertex AI en Google Colab es el siguiente:
import sys
# Autenticación adicional para Google Colab
if "google.colab" in sys.modules:
from google.colab import auth
auth.authenticate_user()
# @param {type:"string"}
PROJECT_ID = "tu-project-id" # Sustituye con tu Project ID
# @param {type:"string"}
LOCATION = "us-central1" # Elige tu región
if "google.colab" in sys.modules:
import vertexai
vertexai.init(project=PROJECT_ID, location=LOCATION)Este script comienza con la autenticación del usuario en Google Cloud, crucial para acceder a los recursos de GCP. Luego, se definen el ID del proyecto y la región, que son esenciales para localizar y administrar los recursos de GCP. Finalmente, se importa y se inicializa Vertex AI con estas configuraciones.
Posibles errores que te puedes encontrar:
- Google Generative AI API error: “User location is not supported for the API use.” En algunas ubicaciones aún no está disponible el acceso a la API. En ese caso puedes solucionarlo con herramientas de VPN, como la solución de Nord VPN.
- DefaultCredentialsError: Your default credentials were not found. To set up Application Default Credentials, see https://cloud.google.com/docs/authentication/external/set-up-adc for more information.
En este caso puedes enfocarlo de esta manera:
- Configurando las credenciales de la cuenta de servicio y descargando un archivo .json. Puedes seguir estos pasos de la documentación oficial.
- Usar
vertexai.init()como se indicaba en el código de arriba, pero añadiendo la ruta a las credenciales que has descargado antes.
vertexai.init(project='your-project-id', credentials='path/to/your/service-account-file.json')- O también aplicar la configuración a través de Google Cloud SDK
Una vez lo tengas configurado te puedes encontrar con este error también:
- An error occurred: 503 Getting metadata from plugin failed with error: ‘str’ object has no attribute ‘before_request’. Esto es simplemente que has pasado un string drectamente como argumento de las credenciales y no puedes hacerlo así. En su defecto utiliza:
from google.oauth2 import service_account
CREDENTIALS = service_account.Credentials.from_service_account_file('path/to/your/service-account-file.json')
vertexai.init(project=PROJECT_ID, location=LOCATION, credentials=CREDENTIALS)Conclusion
En resumen, Vertex AI es una herramienta innovadora y accesible en el ámbito del machine learning, y ofrece algunas ventajas y características interesantes respecto a AWS y Azure. Su integración con el ecosistema de Google Cloud, junto con su facilidad de uso y personalización, es una una opción atractiva a tener en cuenta.
What’s Next, próximos pasos:
- Quick Start con Vertex AI: Paso a Paso para principiantes
- Gemini AI y Llama Index en acción: una demo práctica paso a paso
- Búqueda en tiempo real automatizada con Google Maps y Selenium
- Web scraping para extraer información utilizando requests y BeautifulSoup en Python
- Extracción de datos estructurados con Gemini Pro Vision y Pydantic
- Data mining: extracción de información, topics, keywords y etiquetas
Comparte tu experiencia:
Estoy abierto a colaborar y discutir sobre las posibilidades que ofrece la inteligencia artificial y cómo trabajar juntos para explorar y construir soluciones en diferentes sectores. Si tienes ideas, preguntas o simplemente quieres hablar de ello, escríbeme:
- GitHub: https://github.com/albertgilopez
- LinkedIn: https://www.linkedin.com/in/albertgilopez/
- Inteligencia Artificial Generativa en español: https://www.codigollm.es/
