GSP944

Descripción general

En este lab, entrenarás, ajustarás, evaluarás, explicarás y generarás predicciones en línea y por lotes con un modelo XGBoost de BigQuery ML. Usarás un conjunto de datos de Google Analytics 4 perteneciente a Flood-It!, una app real para dispositivos móviles iOS y Android, para determinar la probabilidad de que los usuarios regresen a ella. Generarás predicciones por lotes con su modelo de BigQuery ML y las exportarás a Vertex AI, además de implementarlas en esa plataforma, a fin de realizar predicciones en línea mediante el SDK de Vertex para Python.

BigQuery ML permite entrenar y hacer inferencia por lotes con modelos de aprendizaje automático en BigQuery usando consultas en SQL estándar más rápidamente porque elimina la necesidad de mover datos con menos líneas de código.

Vertex AI es la plataforma unificada de nueva generación sin costo adicional de Google Cloud para el desarrollo del aprendizaje automático. Puedes aprovechar un servicio de predicción en línea escalable y herramientas de MLOps para el reentrenamiento y la supervisión de modelos a fin de mejorar significativamente tu productividad de desarrollo, la capacidad de escalar tu flujo de trabajo y la toma de decisiones con tus datos, así como acelerar el tiempo de obtención de valor desarrollando e implementando soluciones de aprendizaje automático de BigQuery ML en Vertex AI.

Nota: BQML ahora es BigQuery ML.

Este lab está inspirado en el artículo Churn prediction for game developers using Google Analytics 4 (GA4) and BigQuery ML y amplía su contenido. Consulta la entrada de blog y el instructivo incluido para obtener más información sobre este caso de uso y BigQuery ML.

En este lab, irás un paso más allá y te enfocarás en cómo Vertex AI amplía las capacidades de BigQuery ML a través de la predicción en línea para que puedas incorporar las predicciones de deserción de clientes en las IU de toma de decisiones (como los paneles de Looker) y las predicciones en línea directamente en las aplicaciones de los clientes para potenciar las intervenciones dirigidas, como los incentivos segmentados.

Aprendizajes esperados

• Explorar y preprocesar la muestra de datos de Google Analytics 4 en BigQuery para el aprendizaje automático
• Entrenar un clasificador XGBoost de BigQuery ML a fin de predecir la deserción de los usuarios en aplicaciones de juegos para dispositivos móviles
• Ajustar un clasificador XGBoost de BigQuery ML mediante las funciones de ajuste de hiperparámetros de BigQuery ML
• Evaluar el rendimiento de un clasificador XGBoost de BigQuery ML
• Explicar tu modelo XGBoost con las atribuciones de atributos globales de Explainable AI de BigQuery ML
• Generar predicciones por lote con tu modelo XGBoost de BigQuery ML
• Exportar un modelo XGBoost de BigQuery ML a un bucket de Google Cloud Storage
• Actualizar un modelo XGBoost de BigQuery ML e implementarlo en un extremo de Vertex AI Prediction para realizar predicciones en línea

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs son cronometrados y no se pueden pausar. El cronómetro, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar (se recomienda el navegador Chrome)

Nota: Usa una ventana de navegador privada o de Incógnito para ejecutar este lab. Así evitarás cualquier conflicto entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab: Recuerda que, una vez que comienzas un lab, no puedes pausarlo.

Nota: Si ya tienes un proyecto o una cuenta personal de Google Cloud, no los uses en este lab para evitar cargos adicionales en tu cuenta.

Activa Cloud Shell

Cloud Shell es una máquina virtual que cuenta con herramientas para desarrolladores. Ofrece un directorio principal persistente de 5 GB y se ejecuta en Google Cloud. Cloud Shell proporciona acceso de línea de comandos a tus recursos de Google Cloud.

1. Haz clic en Activar Cloud Shell en la parte superior de la consola de Google Cloud.

Cuando te conectes, habrás completado la autenticación, y el proyecto estará configurado con tu PROJECT_ID. El resultado contiene una línea que declara el PROJECT_ID para esta sesión:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud es la herramienta de línea de comandos de Google Cloud. Viene preinstalada en Cloud Shell y es compatible con la función de autocompletado con tabulador.

2. Puedes solicitar el nombre de la cuenta activa con este comando (opcional):

gcloud auth list

3. Haz clic en Autorizar.

4. Ahora, el resultado debería verse de la siguiente manera:

Resultado:

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

5. Puedes solicitar el ID del proyecto con este comando (opcional):

gcloud config list project

Resultado:

[core] project = <project_ID>

Resultado de ejemplo:

[core] project = qwiklabs-gcp-44776a13dea667a6 Nota: Para obtener toda la documentación de gcloud, consulta la guía con la descripción general de gcloud CLI en Google Cloud.

Tarea 1: Habilita los servicios de Google Cloud

• En Cloud Shell, usa los comandos de gcloud de esta manera para habilitar los servicios que se usarán en el lab:

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

Tarea 2: Implementa la instancia de notebook de Vertex

1. Haz clic en el menú de navegación () > Vertex AI > Workbench.

2. En la página Instancias de notebooks, navega a la pestaña Notebooks administrados por el usuario y haz clic en Crear nuevo.

3. En el menú para personalizar la nueva instancia, selecciona Entorno y elige la versión 2.11 de TensorFlow Enterprise.

4. En el diálogo Instancia nueva, selecciona la Región . Para la Zona, elige una que se encuentre en la región seleccionada y deja los demás campos con sus opciones predeterminadas. Por último, haz clic en Crear.

Después de unos minutos, la consola de Vertex AI mostrará el nombre de tu instancia, seguido de Abrir JupyterLab.

5. Haz clic en Abrir JupyterLab.

Tu notebook ya está configurado.

Haz clic en Revisar mi progreso para verificar el objetivo. Crear un notebook de Vertex AI

Tarea 3: Clona el repositorio del lab

A continuación, clonarás el notebook training-data-analyst en tu instancia de JupyterLab.

1. En JupyterLab, haz clic en el ícono de terminal para abrir una terminal nueva.

Nota: Si se te solicita, haz clic en Cancel para Build Recommended.

2. Para clonar el repositorio de GitHub training-data-analyst, ingresa el siguiente comando y presiona Intro:

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

3. Para verificar que se haya clonado el repositorio, haz doble clic en el directorio training-data-analyst y confirma que puedes ver su contenido.

Haz clic en Revisar mi progreso para verificar el objetivo. Clonar el repositorio del lab

Navega al notebook del lab

1. En el notebook, navega a training-data-analyst > quests > vertex-ai > vertex-bqml y abra lab_exercise.ipynb.

2. Continúa el lab en el notebook y haz clic en el ícono Ejecutar (), ubicado en la parte superior de la pantalla, para ejecutar cada celda. Como alternativa, puedes presionar MAYÚSCULAS + INTRO para ejecutar el código en una celda.

Lee el texto y asegúrate de comprender lo que sucede en cada celda. A medida que avanzas en el notebook del lab, vuelve a estas instrucciones para completar los ejercicios con calificación.

Tarea 4: Crea un conjunto de datos de BigQuery

Haz clic en Revisar mi progreso para verificar el objetivo. Crear un conjunto de datos de BigQuery

Tarea 5: Crea un modelo XGBoost de BigQuery ML sobre la tendencia a la deserción

Haz clic en Revisar mi progreso para verificar el objetivo. Crear un modelo XGBoost de BigQuery ML sobre la tendencia a la deserción

Tarea 6: Evalúa tu modelo de BigQuery ML

Haz clic en Revisar mi progreso para verificar el objetivo. Evaluar tu modelo de BigQuery ML

Tarea 7: Genera predicciones por lotes sobre la deserción de usuarios con tu modelo de BigQuery ML

Haz clic en Revisar mi progreso para verificar el objetivo. Generar predicciones por lotes sobre la deserción de usuarios con tu modelo de BigQuery ML

¡Felicitaciones!

En este lab, entrenaste, ajustaste, explicaste e implementaste un modelo de deserción de usuarios de BigQuery ML en Vertex AI para generar predicciones de alto impacto empresarial por lotes y en línea sobre la deserción para segmentar a los clientes con probabilidad de desertar mediante intervenciones como recompensas en el juego y notificaciones de recordatorio.

Finaliza la Quest

Este lab de autoaprendizaje es parte de la Quest Build and Deploy Machine Learning Solutions on Vertex AI. Una Quest es una serie de labs relacionados que forman una ruta de aprendizaje. Si completas esta Quest, obtendrás una insignia como reconocimiento por tu logro. Puedes hacer públicas tus insignias y agregar vínculos a ellas en tu currículum en línea o en tus cuentas de redes sociales. Inscríbete en esta Quest y obtén un crédito inmediato de realización. Consulta el catálogo de Google Cloud Skills Boost para ver todas las Quests disponibles.

Realiza tu próximo lab

Sigue la Quest Build and Deploy Machine Learning Solutions on Vertex AI con el siguiente lab, Vertex Pipelines: Qwik Start.

Próximos pasos y más información

Obtén más información en la documentación de Vertex AI.

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Actualización más reciente del manual: 1 de noviembre de 2023

Prueba más reciente del lab: 1 de noviembre de 2023

Copyright 2024 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.