GSP917

Présentation

Dans cet atelier, vous allez utiliser BigQuery pour traiter des données et effectuer une analyse exploratoire de celles-ci, ainsi que la plate-forme Vertex AI pour entraîner et déployer un modèle de régression TensorFlow personnalisé qui prédit la valeur vie client (CLV). L'objectif de cet atelier est de vous présenter Vertex AI à travers un cas d'utilisation réel et parlant : la prédiction de la CLV. Vous allez commencer à travailler dans un workflow local BigQuery et TensorFlow que vous connaissez peut-être déjà, avant d'entraîner et de déployer votre modèle dans le cloud avec Vertex AI.

Vertex AI est la plate-forme nouvelle génération unifiée de Google Cloud pour le développement du machine learning qui succède à AI Platform, comme annoncé lors de Google I/O en mai 2021. En développant des solutions de machine learning sur Vertex AI, vous pouvez exploiter les derniers composants de ML prédéfinis et AutoML pour considérablement améliorer la productivité lors du développement, ainsi que la capacité à faire évoluer votre workflow et vos décisions à l'aide de vos données. Cela vous permet également d'accélérer le retour sur investissement.

Objectifs de l'atelier

• Entraîner un modèle TensorFlow en local dans un notebook Vertex hébergé

• Créer un artefact d'ensemble de données tabulaire géré pour le suivi des tests

• Conteneuriser votre code d'entraînement avec Cloud Build et le transférer vers Google Cloud Artifact Registry

• Exécuter un job d'entraînement Vertex AI personnalisé avec votre conteneur de modèle personnalisé

• Utiliser Vertex TensorBoard pour visualiser les performances de votre modèle

• Déployer votre modèle entraîné sur un point de terminaison Vertex de prédiction en ligne pour diffuser des prédictions

• Demander une prédiction et une explication en ligne et afficher la réponse

Avant de commencer l'atelier

Avant de cliquer sur le bouton Start Lab (Démarrer l'atelier)

Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Start Lab (Démarrer l'atelier), indique combien de temps les ressources Google Cloud resteront accessibles.

Cet atelier pratique Qwiklabs vous permet de suivre vous-même les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Des identifiants temporaires vous sont fournis pour vous permettre de vous connecter à Google Cloud le temps de l'atelier.

Conditions requises

Pour réaliser cet atelier, vous devez :

• avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome) ;
• disposer de suffisamment de temps pour réaliser l'atelier en une fois.

Remarque : Si vous possédez déjà votre propre compte ou projet Google Cloud, veillez à ne pas l'utiliser pour réaliser cet atelier.

Remarque : Si vous utilisez un appareil Chrome OS, exécutez cet atelier dans une fenêtre de navigation privée.

Démarrer l'atelier et se connecter à la console Google Cloud

1. Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, un pop-up s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau Détails concernant l'atelier, qui contient les éléments suivants :

   • Le bouton Ouvrir la console Google
   • Le temps restant
   • Les identifiants temporaires que vous devez utiliser pour cet atelier
   • Des informations complémentaires vous permettant d'effectuer l'atelier

2. Cliquez sur Ouvrir la console Google. L'atelier lance les ressources, puis ouvre la page Se connecter dans un nouvel onglet.

   Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.

   Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte.

3. Si nécessaire, copiez le nom d'utilisateur inclus dans le panneau Détails concernant l'atelier et collez-le dans la boîte de dialogue Se connecter. Cliquez sur Suivant.

4. Copiez le mot de passe inclus dans le panneau Détails concernant l'atelier et collez-le dans la boîte de dialogue de bienvenue. Cliquez sur Suivant.

   Important : Vous devez utiliser les identifiants fournis dans le panneau de gauche. Ne saisissez pas vos identifiants Google Cloud Skills Boost. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés.

5. Accédez aux pages suivantes :

   • Acceptez les conditions d'utilisation.
   • N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
   • Ne vous inscrivez pas aux essais offerts.

Après quelques instants, la console Cloud s'ouvre dans cet onglet.

Remarque : Vous pouvez afficher le menu qui contient la liste des produits et services Google Cloud en cliquant sur le menu de navigation en haut à gauche.

Activer Google Cloud Shell

Google Cloud Shell est une machine virtuelle qui contient des outils pour les développeurs. Elle comprend un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud. Google Cloud Shell offre un accès en ligne de commande à vos ressources GCP.

1. Dans la console GCP, dans la barre d'outils située en haut à droite, cliquez sur le bouton Ouvrir Cloud Shell.

   

2. Cliquez sur Continue (Continuez):

   

Il faut quelques instants pour mettre en service et se connecter à l'environnement. Lorsque vous êtes connecté, vous êtes déjà authentifié et le projet est défini sur votre PROJECT_ID. Par exemple:

gcloud est l'outil de ligne de commande associé à Google Cloud Platform. Pré-installé sur Cloud Shell, il est également compatible avec la saisie semi-automatique via la touche de tabulation.

Vous pouvez répertorier les noms des comptes actifs à l'aide de cette commande :

gcloud auth list

Résultat :

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

Pour répertorier les ID de projet, exécutez la commande suivante :

gcloud config list project
	

Résultat :

[core]
project = <ID_Projet>
	

Exemple de résultat :

[core]
project = qwiklabs-gcp-44776a13dea667a6
	

Tâche 1 : Activer les services Google Cloud

• Dans Cloud Shell, utilisez gcloud pour activer les services requis pour l'atelier :

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

Tâche 2 : Créer un compte de service Vertex AI personnalisé pour l'intégration à Vertex TensorBoard

1. Créez un compte de service personnalisé.

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. Donnez-lui accès à Cloud Storage afin de pouvoir écrire et récupérer les journaux 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. Donnez-lui accès à votre source de données BigQuery afin de pouvoir lire les données dans votre modèle TensorFlow :

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

4. Donnez-lui accès à Vertex AI afin de pouvoir exécuter les jobs d'entraînement, de déploiement et d'explication du modèle :

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

Tâche 3 : Lancer un notebook Vertex AI Workbench

Pour créer et lancer un notebook Vertex AI Workbench :

1. Dans le menu de navigation , cliquez sur Vertex AI > Workbench.

2. Sur la page Workbench, cliquez sur Nouveau notebook.

3. Dans le menu Personnaliser l'instance, cliquez sur TensorFlow Enterprise, puis sélectionnez la dernière version de TensorFlow Enterprise 2.x (avec LTS) > Sans GPU.

4. Nommez le notebook.

5. Définissez le champ Région sur et le champ Zone sur n'importe quelle zone de la région désignée.

6. Dans Propriétés du notebook, cliquez sur l'icône en forme de crayon pour modifier les propriétés de l'instance.

7. Faites défiler la page jusqu'à Configuration de la machine, puis sélectionnez e2-standard-2 dans le champ "Type de machine".

8. Conservez les valeurs par défaut dans les autres champs, puis cliquez sur Créer.

Après quelques minutes, la page Workbench affiche le nom de votre instance, suivi de Ouvrir JupyterLab.

9. Cliquez sur Ouvrir JupyterLab pour ouvrir JupyterLab dans un nouvel onglet.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer un notebook Vertex AI

Tâche 4 : Cloner le dépôt de l'atelier

À présent, vous allez cloner le dépôt training-data-analyst dans votre instance JupyterLab.

Pour cloner le bloc-notes training-data-analyst dans votre instance JupyterLab:

1. Dans JupyterLab, cliquez sur l'icône Terminal pour ouvrir un nouveau terminal.

2. À l'invite de ligne de commande, tapez la commande suivante et appuyez sur Entrée.

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

3. Confirmez que vous avez cloné le référentiel en double-cliquant sur le répertoire training-data-analyst et en vous assurant de pouvoir visualiser son contenu. Les fichiers de tous les travaux pratiques effectués sur ce bloc-notes au cours de ce cours sont disponibles dans ce répertoire.

Le clonage du dépôt prendra quelques minutes.

Cliquez sur Vérifier ma progression pour valider l'objectif. Cloner le dépôt de l'atelier

Tâche 5 : Installer les dépendances de l'atelier

• Pour installer les dépendances de l'atelier, exécutez la commande suivante vous permettant d'accéder au dossier training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart, puis au fichier pip3 install requirements.txt :

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

Accéder au notebook de l'atelier

1. Dans votre notebook, accédez à training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart, puis ouvrez le fichier lab_exercise.ipynb.

2. Continuez l'atelier dans le notebook et exécutez chaque cellule en cliquant sur l'icône Exécuter en haut de l'écran.

Vous pouvez aussi exécuter le code d'une cellule en appuyant sur MAJ+ENTRÉE.

Lisez les explications et assurez-vous de bien comprendre ce qui se passe dans chaque cellule.

Félicitations !

Dans cet atelier, vous avez exécuté un workflow de machine learning expérimental avec Google Cloud BigQuery pour stocker et analyser des données. Ensuite, vous avez entraîné en local un modèle TensorFlow qui prédit la valeur vie client, avant de l'entraîner et de le déployer dans le cloud à l'aide des services de machine learning de Vertex AI. Enfin, vous avez exploité plusieurs nouvelles fonctionnalités de la plate-forme unifiée telles que Vertex TensorBoard et les attributions de caractéristiques de prédiction.

Terminer votre quête

Cet atelier d'auto-formation fait partie des quêtes Baseline: Data, ML, AI et Advanced ML: ML Infrastructure.

Il figure également dans la quête Build and Deploy Machine Learning Solutions on Vertex AI. Si vous terminez cette quête, vous obtenez un badge de compétence attestant de votre réussite. Ajoutez votre badge à votre CV et partagez-le sur les réseaux sociaux en utilisant le hashtag #GoogleCloudBadge.

Parcourez le catalogue pour découvrir plus de 20 autres quêtes auxquelles vous pouvez vous inscrire pour gagner un badge de compétence.

Google Cloud Training & Certification

...helps you make the most of Google Cloud technologies. Our classes include technical skills and best practices to help you get up to speed quickly and continue your learning journey. We offer fundamental to advanced level training, with on-demand, live, and virtual options to suit your busy schedule. Certifications help you validate and prove your skill and expertise in Google Cloud technologies.

Dernière mise à jour du manuel : 28 février 2023

Dernier test de l'atelier : 22 septembre 2022

Copyright 2020 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.