GSP917

Visão geral

Neste laboratório, você vai usar o BigQuery para processar e analisar os dados detalhadamente, além de treinar e implantar um modelo regressor personalizado do TensorFlow com a plataforma Vertex AI para prever o Valor de 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 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 ficarão disponíveis.

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

O que é necessário

Para fazer este laboratório, você precisa ter:

• acesso a um navegador de Internet padrão (recomendamos o Chrome);
• tempo para concluir as atividades.

Observação: não use seu projeto ou sua conta do Google Cloud neste laboratório.

Observação: se estiver usando um dispositivo Chrome OS, abra uma janela anônima para executar o laboratório.

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.

Ative o Google Cloud Shell

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

1. No Console do GCP, na barra de ferramentas superior direita, clique no botão Abrir o Cloud Shell.

   

2. Clique em Continue (continuar):

   

Demora alguns minutos para provisionar e conectar-se ao ambiente. Quando você está conectado, você já está autenticado e o projeto é definido como seu PROJECT_ID . Por exemplo:

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

É possível listar o nome da conta ativa com este comando:

gcloud auth list

Saída:

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

É possível listar o ID de projeto com este comando:

gcloud config list project
	

Saída:

[core]
project = <project_ID>
	

Exemplo de saída:

[core]
project = qwiklabs-gcp-44776a13dea667a6
	

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 escrever 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: crie um notebook do Vertex AI Workbench

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

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

2. Clique em Novo notebook na página Workbench.

3. No menu Personalizar instância, selecione TensorFlow Enterprise e escolha a versão mais recente do TensorFlow Enterprise 2.x (com LTS) > Sem GPUs.

4. Nomeie o notebook.

5. Defina a Região como e a Zona como qualquer uma nessa região.

6. Em Propriedades do notebook, clique no ícone de lápis  para editar a instância.

7. Role para baixo até Configuração da máquina e selecione e2-standard-2 como o tipo de máquina.

8. 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.

9. Clique nessa opção para abrir o JupyterLab em uma nova guia.

Clique em Verificar meu progresso para conferir 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 notebook training-data-analyst na sua instância de JupyterLab:

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

2. No prompt da linha de comando, digite o seguinte comando e pressione Enter.

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

3. Verifique-se que você clonou o repositório por clicando duas vezes no diretório training-data-analyst e garantindo que você pode ver o seu conteúdo.Os arquivos para todos os laboratórios baseados em notebooks Jupyter ao longo deste curso estão disponíveis neste diretório.

Esse processo leva vários minutos para ser concluído.

Clique em Verificar meu progresso para conferir 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

...ajuda 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 ajudam você a validar e comprovar suas habilidades e conhecimentos das tecnologias do Google Cloud.

Manual atualizado em 28 de fevereiro de 2023

Laboratório testado em 22 de setembro de 2022

Copyright 2020 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.