GSP944

Ringkasan

Dalam lab ini, Anda akan melatih, menyesuaikan, mengevaluasi, menjelaskan, dan membuat prediksi batch dan online dengan model XGBoost BigQuery ML. Anda akan menggunakan set data Google Analytics 4 dari aplikasi seluler sungguhan, yakni Flood it! (Aplikasi Android, aplikasi iOS), untuk menentukan kemungkinan pengguna kembali ke aplikasi. Anda akan membuat prediksi batch dengan model BigQuery ML serta mengekspor dan men-deploy-nya ke Vertex AI untuk prediksi online menggunakan Vertex AI Python SDK.

BigQuery ML dapat Anda gunakan untuk melatih dan melakukan inferensi batch dengan model machine learning di BigQuery menggunakan kueri SQL standar secara lebih cepat. Hal ini dilakukan dengan menghilangkan kebutuhan memindahkan data dengan lebih sedikit baris kode.

Vertex AI adalah platform terpadu bebas biaya generasi berikutnya dari Google Cloud untuk pengembangan machine learning. Dengan mengembangkan dan men-deploy solusi machine learning BigQuery ML di Vertex AI, Anda dapat memanfaatkan layanan prediksi online skalabel dan alat MLOps untuk pelatihan ulang dan pemantauan model guna meningkatkan produktivitas pengembangan secara signifikan, memiliki kemampuan untuk menskalakan alur kerja dan pengambilan keputusan dengan data Anda, serta mempercepat waktu pencapaian hasil.

Catatan: BQML kini disebut sebagai BigQuery ML.

Lab ini terinspirasi oleh dan memperluas prediksi Churn untuk developer game menggunakan Google Analytics 4 (GA4) dan BigQuery ML. Baca postingan blog dan tutorial yang menyertainya untuk mendapatkan pemahaman lebih lanjut tentang kasus penggunaan ini dan BigQuery ML.

Dalam lab ini, Anda akan melangkah lebih lanjut dan berfokus pada cara Vertex AI memperluas kemampuan BigQuery ML melalui prediksi online, sehingga Anda dapat menggabungkan prediksi churn pelanggan ke dalam UI pengambilan keputusan seperti dasbor Looker. Anda juga dapat menggabungkan prediksi online secara langsung ke dalam aplikasi pelanggan untuk mendukung intervensi yang ditargetkan, seperti insentif yang ditargetkan.

Tujuan

Di lab ini, Anda akan mempelajari cara:

• Menjelajahi dan melakukan pra-pemrosesan pada sampel data Google Analytics 4 dalam BigQuery untuk machine learning.
• Melatih pengklasifikasi XGBoost BigQuery ML untuk memprediksi chum pengguna di aplikasi game seluler.
• Menyesuaikan pengklasifikasi XGBoost BigQuery ML menggunakan fitur penyesuaian hyperparameter BigQuery ML.
• Mengevaluasi performa pengklasifikasi XGBoost BigQuery ML.
• Menjelaskan model XGBoost dengan atribusi fitur global Explainable AI BigQuery ML.
• Membuat prediksi batch dengan model XGBoost BigQuery ML Anda.
• Mengekspor model XGBoost BigQuery ML ke bucket Google Cloud Storage.
• Mengupload dan men-deploy model XGBoost BigQuery ML ke Endpoint Prediksi Vertex AI untuk prediksi online.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Mengaktifkan Cloud Shell

Cloud Shell adalah mesin virtual yang dilengkapi dengan berbagai alat pengembangan. Mesin virtual ini menawarkan direktori beranda persisten berkapasitas 5 GB dan berjalan di Google Cloud. Cloud Shell menyediakan akses command-line untuk resource Google Cloud Anda.

1. Klik Activate Cloud Shell di bagian atas Konsol Google Cloud.

2. Klik jendela berikut:

   • Lanjutkan melalui jendela informasi Cloud Shell.
   • Beri otorisasi ke Cloud Shell untuk menggunakan kredensial Anda guna melakukan panggilan Google Cloud API.

Setelah terhubung, Anda sudah diautentikasi, dan project ditetapkan ke Project_ID, . Output berisi baris yang mendeklarasikan Project_ID untuk sesi ini:

gcloud adalah alat command line untuk Google Cloud. Alat ini sudah terinstal di Cloud Shell dan mendukung pelengkapan command line.

3. (Opsional) Anda dapat menampilkan daftar nama akun yang aktif dengan perintah ini:

4. Klik Authorize.

Output:

5. (Opsional) Anda dapat menampilkan daftar ID project dengan perintah ini:

Output:

Tugas 1. Membuat instance Vertex AI Workbench

1. Di Konsol Google Cloud, dari Navigation menu (), pilih Vertex AI.

2. Klik Enable All Recommended APIs.

3. Di sebelah kiri, klik Workbench.

4. Di bagian atas halaman Workbench, pastikan Anda berada di tampilan Instances.

5. Klik Create New.

6. Mengonfigurasi Instance:

   • Name: lab-workbench
   • Region: Tetapkan region ke
   • Zone: Tetapkan zona ke
   • Advanced Options (Opsional): Jika diperlukan, klik "Advanced Options" untuk melakukan penyesuaian lebih lanjut (misalnya, jenis mesin, ukuran disk)

7. Klik Create.

8. Klik Open JupyterLab di samping nama instance untuk meluncurkan antarmuka JupyterLab. Tindakan ini akan membuka tab baru di browser.

9. Klik ikon Terminal untuk membuka jendela terminal.

Jendela terminal akan terbuka di tab baru. Sekarang Anda dapat menjalankan perintah di terminal untuk berinteraksi dengan instance Workbench.

Klik Check my progress untuk memverifikasi tujuan. Membuat instance Vertex AI Workbench

Tugas 2. Menyalin notebook dari bucket Cloud Storage

1. Di notebook Anda, Salin jalur di bawah.

Klik Check my progress untuk memverifikasi tujuan. Menyalin notebook dari bucket Cloud Storage

2. Buka file notebook lab_exercise.ipynb.

3. Pada dialog Select Kernel, pilih TensorFlow 2-11 dari daftar kernel yang tersedia.

4. Di bagian Define constants, update variabel REGION dengan .

5. Lanjutkan lab di notebook, lalu jalankan tiap sel dengan mengklik ikon Run () di bagian atas layar. Atau, Anda dapat menjalankan kode dalam sel dengan menekan SHIFT + ENTER.

Baca narasinya dan pastikan Anda memahami hal yang terjadi di tiap sel. Seiring Anda melewati tahap dalam notebook lab, kembalilah ke petunjuk ini untuk menyelesaikan latihan bertahap.

Tugas 3. Membuat set data BigQuery

Klik Check my progress untuk memverifikasi tujuan. Membuat set data BigQuery

Tugas 4. Membuat model kecenderungan churn XGBoost BigQuery ML

Klik Check my progress untuk memverifikasi tujuan. Membuat model kecenderungan churn XGBoost BigQuery ML

Tugas 5. Mengevaluasi model BigQuery ML Anda

Klik Check my progress untuk memverifikasi tujuan. Mengevaluasi model BigQuery ML Anda

Tugas 6. Membuat prediksi batch terhadap churn pengguna dengan model BigQuery ML

Klik Check my progress untuk memverifikasi tujuan. Membuat prediksi terhadap sekelompok pengguna yang melakukan churn out dengan model BigQuery ML

Selamat!

Dalam lab ini, Anda telah melatih, menyesuaikan, menjelaskan, dan men-deploy model churn pengguna BigQuery ML ke Vertex AI untuk membuat prediksi churn batch dan online yang memiliki dampak bisnis tinggi untuk menarget pelanggan yang kemungkinan akan melakukan churn out dengan intervensi seperti reward dalam game dan notifikasi pengingat.

Langkah berikutnya/Pelajari lebih lanjut

Pelajari Vertex AI lebih lanjut dalam Dokumentasi Vertex AI.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 14 Mei 2025

Lab Terakhir Diuji pada 14 Mei 2025

Hak cipta 2025 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.