GSP917

Visão geral

Neste laboratório, você vai usar o BigQuery para processar e analisar dados detalhadamente, além de treinar e implantar um modelo regressor personalizado do TensorFlow com a plataforma Vertex AI para prever o valor da vida útil do cliente. O objetivo do laboratório é apresentar a Vertex AI com um caso de uso real de alto valor, a previsão de CLV. Você vai começar com um fluxo de trabalho local no BigQuery e no TensorFlow, ferramentas que talvez já conheça. Depois, você vai treinar e implantar o modelo na nuvem com a Vertex AI.

A Vertex AI é uma plataforma unificada e de última geração do Google Cloud. Ela é usada para desenvolver machine learning e é a sucessora da AI Platform, como anunciamos no Google I/O em maio de 2021. Ao desenvolver soluções de machine learning na Vertex AI, você usa os componentes pré-criados de ML mais recentes e o AutoML para melhorar bastante a produtividade do desenvolvimento, a capacidade de escalonar o fluxo de trabalho e as decisões baseadas em dados, além de acelerar o retorno do investimento.

O que você vai aprender

• Treinar localmente um modelo do TensorFlow em um notebook da Vertex
• Criar um artefato de conjunto de dados tabular gerenciado para rastrear experimentos
• Conteinerizar o código de treinamento com o Cloud Build e enviar para o Artifact Registry do Google Cloud.
• Executar um job de treinamento personalizado da Vertex AI com o contêiner de modelo personalizado
• Usar o Vertex TensorBoard para ver o desempenho do modelo
• Implantar o modelo treinado em um endpoint de previsões on-line da Vertex para exibir as previsões
• Pedir uma previsão e uma explicação on-line e conferir a resposta

Configuração e requisitos

Antes de clicar no botão Start Lab

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é iniciado quando você clica em Começar o laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório---não se esqueça: depois de começar, não será possível pausar o laboratório.

Observação: não use seu projeto ou conta do Google Cloud neste laboratório para evitar cobranças extras na sua conta.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar, você verá um pop-up para selecionar a forma de pagamento. No painel Detalhes do laboratório à esquerda, você verá o seguinte:

   • O botão Abrir Console do Cloud
   • Tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações se forem necessárias

2. Clique em Abrir Console do Google. O laboratório ativa recursos e depois abre outra guia com a página Fazer login.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Caso seja preciso, copie o Nome de usuário no painel Detalhes do laboratório e cole esse nome na caixa de diálogo Fazer login. Clique em Avançar.

4. Copie a Senha no painel Detalhes do laboratório e a cole na caixa de diálogo Olá. Clique em Avançar.

   Importante: você precisa usar as credenciais do painel à esquerda. Não use suas credenciais do Google Cloud Ensina. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

5. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do GCP vai ser aberto nesta guia.

Observação: para ver uma lista dos produtos e serviços do Google Cloud, clique no Menu de navegação no canto superior esquerdo.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

1. Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.

Depois de se conectar, vai notar que sua conta já está autenticada, e que o projeto está configurado com seu PROJECT_ID. A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

2. (Opcional) É possível listar o nome da conta ativa usando este comando:

gcloud auth list

3. Clique em Autorizar.

4. A saída será parecida com esta:

Saída:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (Opcional) É possível listar o ID do projeto usando este comando:

gcloud config list project

Saída:

[core] project = <project_ID>

Exemplo de saída:

[core] project = qwiklabs-gcp-44776a13dea667a6 Observação: para conferir a documentação completa da gcloud, acesse o guia com informações gerais sobre a gcloud CLI no Google Cloud.

Tarefa 1: ative os serviços do Google Cloud

• No Cloud Shell, use a gcloud para ativar os serviços usados no laboratório:

gcloud services enable \ compute.googleapis.com \ iam.googleapis.com \ iamcredentials.googleapis.com \ monitoring.googleapis.com \ logging.googleapis.com \ notebooks.googleapis.com \ aiplatform.googleapis.com \ bigquery.googleapis.com \ artifactregistry.googleapis.com \ cloudbuild.googleapis.com \ container.googleapis.com

Tarefa 2: crie uma conta de serviço personalizada da Vertex AI para a integração do Vertex TensorBoard

1. Crie uma conta de serviço personalizada:

SERVICE_ACCOUNT_ID=vertex-custom-training-sa gcloud iam service-accounts create $SERVICE_ACCOUNT_ID \ --description="A custom service account for Vertex custom training with Tensorboard" \ --display-name="Vertex AI Custom Training"

2. Conceda à conta acesso ao Cloud Storage para gravar e recuperar os registros do TensorBoard:

PROJECT_ID=$(gcloud config get-value core/project) gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/storage.admin"

3. Conceda à conta acesso à fonte de dados do BigQuery para ler os dados no seu modelo do TensorFlow:

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/bigquery.admin"

4. Conceda à conta acesso à Vertex AI para executar o treinamento de modelos, a implantação e os jobs de explicação:

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/aiplatform.user"

Tarefa 3: criar um notebook do Vertex AI Workbench

Observação: use o TensorFlow Enterprise 2.13 para concluir este laboratório.

Para criar e iniciar um notebook do Vertex AI Workbench, faça o seguinte:

1. No Menu de navegação , clique em Vertex AI > Workbench.

2. Na página do Workbench, clique em Ativar API Notebooks caso não tenha feito isso antes.

3. Clique na guia Notebooks gerenciados pelo usuário e depois em Criar.

4. Nomeie o notebook.

5. Defina a Região como e a Zona como .

6. No menu Nova instância selecione a versão mais recente do TensorFlow Enterprise 2.x em Ambiente.

7. Clique em Opções avançadas para editar as propriedades da instância.

8. Clique em Tipo de máquina e selecione e2-standard-2.

9. Não altere os valores padrão dos outros campos e clique em Criar.

Depois de alguns minutos, a página Workbench vai listar sua instância junto da opção Abrir JupyterLab.

10. Clique nessa opção para abrir o JupyterLab em uma nova guia. Você pode ignorar a mensagem sobre a necessidade de incluir beatrix jupyterlab no build.

Clique em Verificar meu progresso para ver o objetivo. Crie um notebook da Vertex AI

Tarefa 4: clone o repositório do laboratório

Agora você vai clonar o repositório training-data-analyst na instância do JupyterLab.

Para clonar o repositório training-data-analyst na instância do JupyterLab, siga as etapas a seguir.

1. No JupyterLab, clique no ícone Terminal para abrir um novo terminal.

2. No prompt de linha de comando, digite o código a seguir e pressione ENTER:

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

3. Para confirmar que você clonou o repositório, no painel à esquerda, clique duas vezes na pasta training-data-analyst para conferir o conteúdo dela.

Esse processo leva vários minutos para ser concluído.

Clique em Verificar meu progresso para consultar o objetivo. Clone o repositório do laboratório

Tarefa 5: instale as dependências do laboratório

• Execute o seguinte comando para acessar a pasta training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart e depois instale requirements.txt usando pip3 install para adicionar as dependências do laboratório:

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip3 install --user -r requirements.txt

Navegue até o notebook do laboratório

1. No seu notebook, acesse training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart e abra lab_exercise.ipynb.

2. Continue o laboratório no notebook e execute cada célula. Para fazer isso, clique no ícone Executar na parte de cima da tela.

Como alternativa, é possível executar o código em uma célula pressionando as teclas SHIFT + ENTER.

Leia o conteúdo para entender o que está ocorrendo em cada célula.

Parabéns!

Neste laboratório, mostramos o fluxo de trabalho para criar um experimento de machine learning. Você usou o BigQuery do Google Cloud no armazenamento e na análise de dados e os serviços de machine learning da Vertex AI no treinamento e na implantação de um modelo do TensorFlow que prevê o Valor de vida útil do cliente. Você começou treinando um modelo do TensorFlow localmente e agora sabe como fazer isso na nuvem com a Vertex AI. Além disso, você usou muitos recursos da nova plataforma unificada, como o Vertex TensorBoard e as atribuições de recursos de previsão.

Termine a Quest

Este laboratório autoguiado faz parte das Quests Baseline: Data, ML, AI e Advanced ML: ML Infrastructure.

Este laboratório autoguiado também faz parte da Quest com selo de habilidade Build and Deploy Machine Learning Solutions on Vertex AI. Ao concluir uma Quest, você ganha um selo como reconhecimento da sua conquista. Compartilhe o selo no seu currículo e nas mídias sociais e use #GoogleCloudBadge para anunciar sua conquista.

Confira no catálogo mais de 20 Quests com selo de habilidade disponíveis para você.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 1º de novembro de 2023

Laboratório testado em 1º de novembro de 2023

Copyright 2024 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.