GSP917

Visão geral

Neste laboratório, você vai usar o BigQuery para fazer processamento e análise exploratória de dados. Além disso, você vai 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 seguir para o treinamento e a implantação do modelo na nuvem com a Vertex AI.

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

Objetivos

• 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

• Solicitar uma previsão e uma explicação on-line e conferir a resposta

Configuração

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
	

Ative os serviços do Google Cloud

1. No Cloud Shell, use o 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

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="Treinamento personalizado do Vertex AI"

2. Conceda acesso ao GCS 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 acesso à fonte de dados do BigQuery para ler os dados no 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 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"

Implante a instância do notebook na Vertex

1. Clique no menu de navegação.

2. Vá até Vertex AI e depois acesse Workbench

3. Na página de instâncias do notebook, acesse a guia Notebooks gerenciados pelo usuário e clique em Novo notebook.

4. No menu "Personalizar instância", selecione TensorFlow Enterprise e escolha a versão TensorFlow Enterprise 2.3 (com LTS) > Sem GPUs.

5. Na caixa de diálogo Nova instância de notebook, em Região, selecione us-east4. Em Zona, escolha uma zona dentro da região selecionada, mantenha os outros campos com as opções padrão e clique em Criar.

Depois de alguns minutos, o console da Vertex AI vai exibir o nome da instância, seguido por Abrir Jupyterlab.

6. Clique em Abrir JupyterLab. Seu notebook está configurado.

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

Clone o repositório do laboratório

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

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

Observação: se solicitado, clique para Cancelar a versão recomendada.

2. Para clonar o repositório training-data-analyst do GitHub, digite o comando a seguir e pressione Enter.

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

3. Para confirmar que você clonou o repositório, clique duas vezes no diretório training-data-analyst e veja se o conteúdo aparece.

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

Instale as dependências do laboratório

1. Execute o seguinte comando para acessar a pasta training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart e depois instale requirements.txt com o pip para instalar as dependências do laboratório:

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip install -U -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 clique no ícone Executar () na parte de cima da tela para executar cada célula. Você também pode executar o código em uma célula pressionando as teclas SHIFT + ENTER.

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

Parabéns!

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 análise de dados e os serviços de machine learning da Vertex AI no treinamento e 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 , Advanced ML: ML Infrastructure do Qwiklabs.

Este laboratório autoguiado também faz parte da Quest Building Machine Learning Solutions with Vertex AI. Após a conclusão, você ganha o selo de habilidade acima como reconhecimento. 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 se inscrever.

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 21 de janeiro de 2022

Laboratório testado em 21 de janeiro 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.