Utiliser la configuration à distance côté serveur avec Cloud Functions et Vertex AI

Ce guide explique comment commencer à utiliser Cloud Functions de 2e génération avec Remote Config côté serveur pour effectuer des appels côté serveur à Vertex AI Gemini API.

Dans ce tutoriel, vous allez ajouter Remote Config à une fonction semblable à un chatbot qui utilise le modèle Gemini pour répondre aux questions des utilisateurs. Remote Config gérera les entrées Gemini API (y compris une invite que vous ajouterez au début des requêtes utilisateur entrantes). Vous pouvez mettre à jour ces entrées à la demande depuis la console Firebase. Vous utiliserez également Firebase Local Emulator Suite pour tester et déboguer la fonction. Une fois que vous aurez vérifié qu'elle fonctionne, vous la déploierez et la testerez sur Google Cloud.

Prérequis

Ce guide suppose que vous savez utiliser JavaScript pour développer des applications.

Configurer un projet Firebase

Si vous ne disposez pas encore d'un projet Firebase:

  1. Connectez-vous à la console Firebase.

  2. Cliquez sur Créer un projet, puis utilisez l'une des options suivantes:

    • Option 1: créez un projet Firebase (et son projet Google Cloud sous-jacent automatiquement) en saisissant un nouveau nom de projet à la première étape du workflow "Create project" (Créer un projet).
    • Option 2: "Ajouter Firebase" à un projet Google Cloud existant en sélectionnant le nom de votre projet Google Cloud dans le menu déroulant de la première étape du workflow "Créer un projet".
  3. Lorsque vous y êtes invité, vous n'avez pas besoin de configurer Google Analytics pour utiliser cette solution.

  4. Suivez les instructions à l'écran pour créer votre projet.

Si vous disposez déjà d'un projet Firebase:

Passez à la section Configurer votre environnement de développement.

Configurer votre environnement de développement

Vous aurez besoin d'un environnement Node.js pour écrire des fonctions et de la CLI Firebase pour les déployer dans l'environnement d'exécution Cloud Functions.

  1. Installez Node.js et npm.

    Pour installer Node.js et npm, nous vous recommandons d'utiliser Node Version Manager.

  2. Installez la CLI Firebase à l'aide de la méthode de votre choix. Par exemple, pour installer la CLI à l'aide de npm, exécutez cette commande:

    npm install -g firebase-tools@latest
    

    Cette commande installe la commande firebase disponible à l'échelle mondiale. Si cette commande échoue, vous devrez peut-être modifier les autorisations npm.

    Pour passer à la dernière version de firebase-tools, exécutez à nouveau la même commande.

  3. Installez firebase-functions et firebase-admin, puis utilisez --save pour les enregistrer dans votre package.json:

    npm install firebase-functions@latest firebase-admin@latest --save
    

Vous êtes maintenant prêt à passer à l'implémentation de cette solution.

Implémentation

Pour créer, tester et déployer votre Cloud Functions de deuxième génération avec Remote Config et Vertex AI, procédez comme suit:

  1. Activez les API recommandées Vertex AI dans la console Google Cloud.
  2. Initialisez votre projet et installez les dépendances Node.
  3. Configurez les autorisations IAM pour votre compte de service Admin SDK et enregistrez votre clé.
  4. Créez la fonction.
  5. Créez un modèle Remote Config spécifique au serveur.
  6. Déployez votre fonction et testez-la dans Firebase Local Emulator Suite.
  7. Déployez votre fonction sur Google Cloud.

Étape 1: Activez les API recommandées Vertex AI dans la console Google Cloud

  1. Ouvrez la console Google Cloud, puis sélectionnez votre projet lorsque vous y êtes invité.
  2. Dans le champ Rechercher en haut de la console, saisissez Vertex AI, puis attendez que Vertex AI s'affiche dans les résultats.
  3. Sélectionnez Vertex AI. Le tableau de bord Vertex AI s'affiche.
  4. Cliquez sur Activer toutes les API recommandées.

    L'activation de l'API peut prendre quelques instants. Laissez la page active et ouverte jusqu'à la fin de l'activation.

  5. Si la facturation n'est pas activée, vous êtes invité à ajouter ou à associer un compte Cloud Billing. Après avoir activé un compte de facturation, revenez au tableau de bord Vertex AI et vérifiez que toutes les API recommandées sont activées.

Étape 2: Initialiser votre projet et installer les dépendances Node

  1. Ouvrez un terminal sur votre ordinateur et accédez au répertoire dans lequel vous prévoyez de créer votre fonction.
  2. Connectez-vous à Firebase:

    firebase login
    
  3. Exécutez la commande suivante pour initialiser Cloud Functions for Firebase:

    firebase init functions
    
  4. Sélectionnez Utiliser un projet existant, puis spécifiez l'ID de votre projet.

  5. Lorsque vous êtes invité à sélectionner la langue à utiliser, choisissez JavaScript, puis appuyez sur Entrée.

  6. Pour toutes les autres options, sélectionnez les valeurs par défaut.

    Un répertoire functions est créé dans le répertoire actuel. Vous y trouverez un fichier index.js que vous utiliserez pour créer votre fonction, un répertoire node_modules contenant les dépendances de votre fonction et un fichier package.json contenant les dépendances du package.

  7. Ajoutez les packages Admin SDK et Vertex AI en exécutant les commandes suivantes, en utilisant --save pour vous assurer qu'ils sont enregistrés dans votre fichier package.json:

    cd functions
    npm install firebase-admin@latest @google-cloud/vertexai --save
    

Votre fichier functions/package.json devrait maintenant se présenter comme suit, avec les dernières versions spécifiées:

  {
    "name": "functions",
    "description": "Cloud Functions for Firebase",
    "scripts": {
      "serve": "firebase emulators:start --only functions",
      "shell": "firebase functions:shell",
      "start": "npm run shell",
      "deploy": "firebase deploy --only functions",
      "logs": "firebase functions:log"
    },
    "engines": {
      "node": "20"
    },
    "main": "index.js",
    "dependencies": {
      "@google-cloud/vertexai": "^1.1.0",
      "firebase-admin": "^12.1.0",
      "firebase-functions": "^5.0.0"
    },
    "devDependencies": {
      "firebase-functions-test": "^3.1.0"
    },
    "private": true
  }

Notez que si vous utilisez ESLint, une strophe l'inclut. En outre, assurez-vous que la version du moteur de nœud correspond à la version installée de Node.js et à la version que vous exécutez sur Google Cloud. Par exemple, si la strophe engines de votre package.json est configurée en tant que version 18 de Node et que vous utilisez Node.js 20, mettez à jour le fichier pour utiliser la version 20:

  "engines": {
    "node": "20"
  },

Étape 3: Configurer les autorisations IAM pour votre compte de service Admin SDK et enregistrer votre clé

Dans cette solution, vous utiliserez le compte de service Admin SDK Firebase pour exécuter votre fonction.

  1. Dans la console Google Cloud, ouvrez la page IAM et administration, puis recherchez le compte de service Admin SDK (nommé firebase-adminsdk).
  2. Sélectionnez le compte, puis cliquez sur Modifier le compte principal. La page "Modifier l'accès" s'affiche.
  3. Cliquez sur Ajouter un autre rôle, puis sélectionnez Remote Config Lecteur.
  4. Cliquez sur Ajouter un autre rôle, puis sélectionnez Développeur AI Platform.
  5. Cliquez sur Ajouter un autre rôle, puis sélectionnez Vertex AI Utilisateur.
  6. Cliquez sur Ajouter un autre rôle, puis sélectionnez Demandeur Cloud Run.
  7. Cliquez sur Enregistrer.

Ensuite, exportez les identifiants du compte de service Admin SDK et enregistrez-les dans votre variable d'environnement GOOGLE_APPLICATION_CREDENTIALS.

  1. Dans la console Google Cloud, ouvrez la page Identifiants.
  2. Cliquez sur le compte de service Admin SDK pour ouvrir la page Détails.
  3. Cliquez sur Clés.
  4. Cliquez sur Ajouter une clé > Créer une clé.
  5. Assurez-vous que JSON est sélectionné comme type de clé, puis cliquez sur Créer.
  6. Téléchargez la clé dans un emplacement sécurisé sur votre ordinateur.
  7. Dans votre terminal, exportez la clé en tant que variable d'environnement:

    export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/service-account-key.json"
    

Étape 4: Créez la fonction

À cette étape, vous allez créer une fonction qui gère l'entrée utilisateur et génère des réponses optimisées par l'IA. Vous allez combiner plusieurs extraits de code pour créer une fonction complète qui initialise Admin SDK et Vertex AI Gemini API, configure les paramètres par défaut à l'aide de Remote Config, récupère les derniers paramètres Remote Config, traite les entrées utilisateur et renvoie une réponse à l'utilisateur.

  1. Dans votre codebase, ouvrez functions/index.js dans un éditeur de texte ou un IDE.
  2. Supprimez le contenu existant, puis ajoutez les SDK Admin SDK, Remote Config et Vertex AI, puis initialisez l'application en collant le code suivant dans le fichier:

    const { onRequest } = require("firebase-functions/v2/https");
    const logger = require("firebase-functions/logger");
    
    const { initializeApp } = require("firebase-admin/app");
    const { VertexAI } = require('@google-cloud/vertexai');
    const { getRemoteConfig } = require("firebase-admin/remote-config");
    
    // Set and check environment variables.
    const project = process.env.GCLOUD_PROJECT;
    
    // Initialize Firebase.
    const app = initializeApp();
    
  3. Configurez les valeurs par défaut que votre fonction utilisera si elle ne parvient pas à se connecter au serveur Remote Config. Cette solution configure textModel, generationConfig, safetySettings, textPrompt et location en tant que paramètres Remote Config correspondant aux paramètres Remote Config que vous configurerez plus loin dans ce guide. Pour en savoir plus sur ces paramètres, consultez le client Node.js Vertex AI.

    Vous pouvez également configurer un paramètre pour contrôler si vous accédez ou non à Vertex AI Gemini API (dans cet exemple, un paramètre appelé vertex_enabled). Cette configuration peut être utile lorsque vous testez votre fonction. Dans les extraits de code suivants, cette valeur est définie sur false, ce qui permet d'ignorer l'utilisation de Vertex AI lorsque vous testez le déploiement de fonctions de base. Si vous la définissez sur true, Vertex AI Gemini API sera appelé.

    // Define default (fallback) parameter values for Remote Config.
    const defaultConfig = {
    
      // Default values for Vertex AI.
      model_name: "gemini-1.5-flash-002",
      generation_config: [{
        "stopSequences": [], "temperature": 0.7,
        "maxOutputTokens": 64, "topP": 0.1, "topK": 20
      }],
      prompt: "I'm a developer who wants to learn about Firebase and you are a \
        helpful assistant who knows everything there is to know about Firebase!",
      safety_settings: [{
        "category":
          "HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT",
        "threshold": "HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE"
      }],
      location: 'us-central1',
    
      // Disable Vertex AI Gemini API access for testing.
      vertex_enabled: false
    };
    
  4. Créez la fonction et configurez Remote Config côté serveur:

    // Export the function.
    exports.generateWithVertex = onRequest(async (request, response) => {
    
      try {
    
        // Set up Remote Config.
        const rc = getRemoteConfig(app);
    
        // Get the Remote Config template and assign default values.
        const template = await rc.getServerTemplate({
          defaultConfig: defaultConfig
        });
    
        // Add the template evaluation to a constant.
        const config = template.evaluate();
    
        // Obtain values from Remote Config.
        const textModel = config.getString("model_name") ||
            defaultConfig.model_name;
        const textPrompt = config.getString("prompt") || defaultConfig.prompt;
        const generationConfig = config.getString("generation_config") ||
            defaultConfig.generation_config;
        const safetySettings = config.getString("safety_settings") ||
            defaultConfig.safety_settings;
        const location = config.getString("location") ||
            defaultConfig.location;
        const vertexEnabled = config.getBoolean("is_vertex_enabled") ||
            defaultConfig.vertex_enabled;
    
  5. Configurez Vertex AI et ajoutez la logique de chat et de réponse:

      // Allow user input.
      const userInput = request.query.prompt || '';
    
      // Instantiate Vertex AI.
        const vertex_ai = new VertexAI({ project: project, location: location });
        const generativeModel = vertex_ai.getGenerativeModel({
          model: textModel,
          safety_settings: safetySettings,
          generation_config: generationConfig,
        });
    
        // Combine prompt from Remote Config with optional user input.
        const chatInput = textPrompt + " " + userInput;
    
        if (!chatInput) {
          return res.status(400).send('Missing text prompt');
        }
        // If vertexEnabled isn't true, do not send queries to Vertex AI.
        if (vertexEnabled !== true) {
          response.status(200).send({
            message: "Vertex AI call skipped. Vertex is not enabled."
          });
          return;
        }
    
        logger.log("\nRunning with model ", textModel, ", prompt: ", textPrompt,
          ", generationConfig: ", generationConfig, ", safetySettings: ",
          safetySettings, " in ", location, "\n");
    
        const result = await generativeModel.generateContentStream(chatInput); 
        response.writeHead(200, { 'Content-Type': 'text/plain' });
    
        for await (const item of result.stream) {
          const chunk = item.candidates[0].content.parts[0].text;
          logger.log("Received chunk:", chunk);
          response.write(chunk);
        }
    
        response.end();
    
      } catch (error) {
        logger.error(error);
        response.status(500).send('Internal server error');
      }
    });
    
  6. Enregistrez et fermez le fichier.

Étape 5: Créez un modèle Remote Config spécifique au serveur

Ensuite, créez un modèle Remote Config côté serveur et configurez les paramètres et les valeurs à utiliser dans votre fonction. Pour créer un modèle Remote Config spécifique au serveur:

  1. Ouvrez la console Firebase. Dans le menu de navigation, développez Exécuter, puis sélectionnez Remote Config.
  2. Sélectionnez Server (Serveur) dans le sélecteur Client/Server (Client/Serveur) en haut de la page Remote Config.

    • Si vous utilisez Remote Config ou des modèles de serveur pour la première fois, cliquez sur Create Configuration (Créer une configuration). Le volet Créer votre premier paramètre côté serveur s'affiche.
    • Si vous utilisez déjà des modèles de serveur Remote Config, cliquez sur Ajouter un paramètre.
  3. Définissez les paramètres Remote Config suivants:

    Nom du paramètre Description Type Valeur par défaut
    model_name Nom du modèle
    Pour obtenir des listes à jour des noms de modèles à utiliser dans votre code, consultez les pages Versions et cycles de vie des modèles ou Noms de modèles disponibles.
    Chaîne gemini-1.5-flash-002
    prompt Invite à ajouter au début de la requête de l'utilisateur. Chaîne I'm a developer who wants to learn about Firebase and you are a helpful assistant who knows everything there is to know about Firebase!
    generation_config Paramètres à envoyer au modèle JSON [{"stopSequences": ["I hope this helps"],"temperature": 0.7,"maxOutputTokens": 512, "topP": 0.1,"topK": 20}]
    safety_settings Paramètres de sécurité pour Vertex AI JSON [{"category": "HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT", "threshold": "HarmBlockThreshold.BLOCK_LOW_AND_ABOVE"}]
    location Emplacement pour exécuter le service et le modèle Vertex AI Chaîne us-central1
    is_vertex_enabled Paramètre facultatif qui contrôle si les requêtes sont envoyées à Vertex AI. Booléen true
  4. Une fois que vous avez terminé d'ajouter des paramètres, vérifiez-les et que leurs types de données sont corrects, puis cliquez sur Publier les modifications.

Étape 6: Déployer votre fonction et la tester dans Firebase Local Emulator Suite

Vous êtes maintenant prêt à déployer et à tester votre fonction localement avec Firebase Local Emulator Suite.

  1. Assurez-vous d'avoir défini GOOGLE_APPLICATION_CREDENTIALS comme variable d'environnement, comme décrit dans l'étape 3: Configurer les autorisations IAM pour votre compte de service Admin SDK et enregistrer votre clé. Ensuite, à partir du répertoire parent de votre répertoire functions, déployez votre fonction dans l'émulateur Firebase:

    firebase emulators:start --project PROJECT_ID --only functions
    
  2. Ouvrez la page des journaux de l'émulateur. Votre fonction devrait se charger.

  3. Accédez à votre fonction en exécutant la commande suivante, où PROJECT_ID correspond à l'ID de votre projet et LOCATION à la région dans laquelle vous avez déployé la fonction (par exemple, us-central1):

    curl http://localhost:5001/PROJECT_ID/LOCATION/generateWithVertex
    
  4. Attendez une réponse, puis revenez à la page des journaux de l'émulateur Firebase ou à votre console, et recherchez d'éventuelles erreurs ou avertissements.

  5. Essayez d'envoyer une entrée utilisateur, en notant que, comme is_vertex_enabled est configuré dans votre modèle de serveur Remote Config, il devrait accéder à Gemini via Vertex AI Gemini API et que des frais peuvent s'appliquer:

    curl http://localhost:5001/PROJECT_ID/LOCATION/generateWithVertex?prompt=Tell%20me%20everything%20you%20know%20about%20cats
    
  6. Modifiez votre modèle de serveur Remote Config dans la console Firebase, puis accédez à nouveau à votre fonction pour observer les modifications.

Étape 7: Déployez votre fonction dans Google Cloud

Une fois que vous avez testé et validé votre fonction, vous pouvez la déployer sur Google Cloud et la tester en direct.

Déployer la fonction

Déployez votre fonction à l'aide de la CLI Firebase:

firebase deploy --only functions

Bloquer l'accès non authentifié à la fonction

Lorsque des fonctions sont déployées à l'aide de Firebase, les appels non authentifiés sont autorisés par défaut si la règle de votre organisation ne les restreint pas. Lors des tests et avant de sécuriser avec App Check, nous vous recommandons de bloquer les accès non authentifiés.

Pour bloquer l'accès non authentifié à la fonction:

  1. Dans la console Google Cloud, ouvrez Cloud Run.

  2. Cliquez sur generateWithVertex, puis sur l'onglet Sécurité.

  3. Activez l'option Exiger l'authentification, puis cliquez sur Enregistrer.

Configurer votre compte utilisateur pour qu'il utilise les identifiants du compte de service Admin SDK

Étant donné que le compte de service Admin SDK dispose de tous les rôles et autorisations nécessaires pour exécuter la fonction et interagir avec Remote Config et Vertex AI Gemini API, vous devez l'utiliser pour exécuter votre fonction. Pour ce faire, vous devez pouvoir créer des jetons pour le compte à partir de votre compte utilisateur.

Les étapes suivantes décrivent comment configurer votre compte utilisateur et la fonction à exécuter avec les droits du compte de service Admin SDK.

  1. Dans la console Google Cloud, activez l'API IAM Service Account Credentials.
  2. Attribuez le rôle Créateur de jetons de compte de service à votre compte utilisateur: dans la console Google Cloud, ouvrez IAM et Administration > IAM, sélectionnez votre compte utilisateur, puis cliquez sur Modifier le compte principal > Ajouter un autre rôle.
  3. Sélectionnez Créateur de jetons de compte de service, puis cliquez sur Enregistrer.

    Pour en savoir plus sur l'usurpation d'identité d'un compte de service, consultez la section Emprunter l'identité d'un compte de service dans la documentation Google Cloud.

  4. Ouvrez la page Google Cloud console Cloud Functions et cliquez sur la fonction generateWithVertex dans la liste Functions (Fonctions).

  5. Sélectionnez Trigger > Edit (Déclencheur > Modifier) et développez Runtime, build, connections and security settings (Paramètres d'exécution, de compilation, de connexion et de sécurité).

  6. Dans l'onglet Environnement d'exécution, remplacez le compte de service d'exécution par le compte du SDK Admin.

  7. Cliquez sur Suivant, puis sur Déployer.

Configurer gcloud CLI

Pour exécuter et tester de manière sécurisée votre fonction depuis la ligne de commande, vous devez vous authentifier auprès du service Cloud Functions et obtenir un jeton d'authentification valide.

Pour activer la génération de jetons, installez et configurez gcloud CLI:

  1. Si elle n'est pas déjà installée sur votre ordinateur, installez la CLI gcloud comme décrit dans Installer la CLI gcloud.

  2. Obtenez les identifiants d'accès à votre compte Google Cloud:

    gcloud auth login
    
  3. Définissez votre ID de projet dans gcloud:

    gcloud config set project PROJECT_ID
    

Tester votre fonction

Vous êtes maintenant prêt à tester votre fonction dans Google Cloud. Pour tester la fonction, exécutez la commande suivante:

curl -X POST https://LOCATION-PROJECT_ID.cloudfunctions.net/generateWithVertex \
  -H "Authorization: bearer $(gcloud auth print-identity-token)" \
  -H "Content-Type: application/json"

Réessayez avec des données fournies par l'utilisateur:

curl -X POST https://LOCATION-PROJECT_ID.cloudfunctions.net/generateWithVertex?prompt=Tell%20me%20everything%20you%20know%20about%20dogs \
 -H "Authorization: bearer $(gcloud auth print-identity-token)" \
 -H "Content-Type: application/json"

Vous pouvez désormais modifier votre modèle de serveur Remote Config, publier ces modifications et tester différentes options.

Étapes suivantes