チェックポイント
Create a Vertex AI Notebook
/ 30
Clone the lab repository
/ 30
Create a BigQuery dataset
/ 30
Create a BQML model to predict user churn
/ 30
Evaluate BQML model
/ 30
Batch predict user churn
/ 30
オンライン予測用の Vertex AI に BigQuery ML Customer Churn Classifier をデプロイ
GSP944
概要
このラボでは、BigQuery ML XGBoost モデルによるトレーニング、チューニング、評価、説明、バッチおよびオンライン予測の生成などを行います。実際のモバイルアプリ「Flood it!」（Android アプリ、iOS アプリ）の Google アナリティクス 4 データセットを使って、ユーザーがアプリケーションに戻る可能性を判断していただきます。BigQuery ML モデルによるバッチ予測の生成と、Vertex Python SDK を用いたオンライン予測のための Vertex AI へのエクスポートとデプロイを行います。
BigQuery ML では、BigQuery の ML モデルに対して、標準的な SQL クエリを使用することで、データ移動の必要性をなくし、コード行数を減らして、より速く学習とバッチ推論を行うことができます。
Vertex AI は、Google Cloud が料金なしで提供する、ML 開発のための次世代統合プラットフォームです。Vertex AI 上で BigQuery ML 機械学習ソリューションを開発およびデプロイすることで、スケーラブルなオンライン予測サービスや、モデルの再トレーニング / モニタリング用の MLOps ツールを活用しながら、開発の生産性、データによってワークフローや意思決定をスケーリングする能力、価値実現までの時間をそれぞれ大きく向上させることができます。
このラボは、Google アナリティクス 4（GA4）と BigQuery ML を使用した、ゲーム デベロッパーのためのチャーン予測に基づき、それを拡張したものです。このユースケースと BigQuery ML に関する詳細については、ブログ投稿と付属のチュートリアルをお読みください。
このラボでは、さらに一歩進んで、Vertex AI がオンライン予測によって BigQuery ML 機能を拡張する方法に焦点を当てます。これにより、顧客チャーン予測を Looker ダッシュボードなどの意思決定 UI に組み込むだけでなく、オンライン予測を直接顧客アプリケーションに組み込み、ターゲット インセンティブのような対象を絞った介入を推進することができます。
学習内容
- Google Analytics 4 のデータサンプルを BigQuery で探索し、ML のための前処理を行う。
- モバイルゲーム アプリでのユーザーのチャーンを予測するために、BigQuery ML XGBoost 分類器のトレーニングを行う。
- BigQuery ML XGBoost 分類器を BigQuery ML ハイパーパラメータ調整機能でチューニングする。
- BigQuery ML XGBoost 分類器の性能を評価する。
- BigQuery ML Explainable AI のグローバル特徴アトリビューションで XGBoost モデルを説明する。
- BigQuery ML XGBoost モデルでバッチ予測を生成する。
- BigQuery ML XGBoost モデルを Google Cloud Storage のバケットにエクスポートする。
- オンライン予測のために BigQuery ML XGBoost モデルを Vertex AI 予測エンドポイントにアップロードしてデプロイする。
設定と要件
[ラボを開始] ボタンをクリックする前に
こちらの手順をお読みください。ラボの時間は記録されており、一時停止することはできません。[ラボを開始] をクリックするとスタートするタイマーは、Google Cloud のリソースを利用できる時間を示しています。
このハンズオンラボでは、シミュレーションやデモ環境ではなく、実際のクラウド環境を使ってご自身でラボのアクティビティを行うことができます。そのため、ラボの受講中に Google Cloud にログインおよびアクセスするための、新しい一時的な認証情報が提供されます。
このラボを完了するためには、下記が必要です。
- 標準的なインターネット ブラウザ（Chrome を推奨）
- ラボを完了するために十分な時間を確保してください。ラボをいったん開始すると一時停止することはできません。
Cloud Shell をアクティブにする
Cloud Shell は、開発ツールと一緒に読み込まれる仮想マシンです。5 GB の永続ホーム ディレクトリが用意されており、Google Cloud で稼働します。Cloud Shell を使用すると、コマンドラインで Google Cloud リソースにアクセスできます。
- Google Cloud コンソールの上部にある「Cloud Shell をアクティブにする」アイコン
をクリックします。
接続した時点で認証が完了しており、プロジェクトに各自の PROJECT_ID が設定されます。出力には、このセッションの PROJECT_ID を宣言する次の行が含まれています。
gcloud は Google Cloud のコマンドライン ツールです。このツールは、Cloud Shell にプリインストールされており、タブ補完がサポートされています。
- （省略可）次のコマンドを使用すると、有効なアカウント名を一覧表示できます。
-
[承認] をクリックします。
-
出力は次のようになります。
出力:
- （省略可）次のコマンドを使用すると、プロジェクト ID を一覧表示できます。
出力:
出力例:
gcloud ドキュメントの全文については、gcloud CLI の概要ガイドをご覧ください。
タスク 1. Google Cloud のサービスを有効にする
- Cloud Shell で
gcloudを使用し、ラボで使用する次のサービスを有効にします。
タスク 2. Vertex ノートブック インスタンスをデプロイする
-
ナビゲーション メニュー（
）をクリックして、[Vertex AI]、[ワークベンチ] の順に選択します。
-
[ノートブック] インスタンス ページで、[ユーザー管理のノートブック] タブに移動し、[新規作成] をクリックします.
-
新しいインスタンスのカスタマイズ メニューで [環境] を選択し、[TensorFlow Enterprise 2.11] のバージョンを選択します。
-
新しいインスタンスのダイアログ内の [リージョン] を
に設定し、[ゾーン] を、指定したリージョン内のいずれかのゾーンに設定します。他のすべての項目はデフォルト値のままにして [作成] をクリックします。
数分後、Vertex AI のコンソールにインスタンス名が表示され、[JUPYTERLAB を開く] が表示されます。
- [JUPYTERLAB を開く] をクリックします。
これで、ノートブックのセットアップが完了しました。
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
タスク 3. ラボのリポジトリのクローンを作成する
training-data-analyst ノートブックのクローンを JupyterLab インスタンス内に作成するには、次の手順を踏みます。
- JupyterLab で、[Terminal] アイコンをクリックして新しいターミナルを開きます。
Cancel] をクリックします。-
training-data-analystGitHub リポジトリのクローンを作成するには、次のコマンドを入力し、Enter キーを押します。
- リポジトリのクローンが作成されたことを確認するには、
training-data-analystディレクトリをダブルクリックし、リポジトリのコンテンツが表示されることを確認します。
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
ラボのノートブックに移動する
-
ノートブックで training-data-analyst > quests > vertex-ai > vertex-bqml に移動し、lab_exercise.ipynb を開きます。
-
ノートブックでラボを続け、画面上部の実行（
）アイコンをクリックして各セルを実行します。または、Shift+Enter キーを押してセルでコードを実行します。
説明を読んで、各セルの実行内容を十分に理解してください。ラボのノートブックを進めながら、この説明に戻って採点式の演習を完成させてください。
タスク 4. BigQuery データセットを作成する
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
タスク 5. BigQuery ML XGBoost のチャーン傾向モデルを作成する
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
タスク 6. BigQuery ML モデルを評価する
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
タスク 7. BigQuery ML モデルでユーザーのチャーンをバッチ予測する
[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。
お疲れさまでした
このラボでは、BigQuery ML のユーザー チャーンモデルを Vertex AI でトレーニング、チューニング、説明、デプロイして、ビジネスへの影響が大きいチャーン予測をバッチおよびオンラインで生成しました。それにより、解約する可能性のある顧客にターゲットを絞って、ゲーム内特典やリマインダー通知などの介入を行うことができます。
クエストを完了する
このセルフペース ラボは、「Build and Deploy Machine Learning Solutions on Vertex AI」クエストの一部です。クエストとは学習プログラムを構成する一連のラボのことで、完了すると成果が認められてバッジが贈られます。バッジは公開して、オンライン レジュメやソーシャル メディア アカウントにリンクできます。このラボの修了後、こちらのクエストに登録すれば、すぐにクレジットを受け取ることができます。受講可能な全クエストについては、Google Cloud Skills Boost カタログをご覧ください。
次のラボを受講する
「Build and Deploy Machine Learning Solutions on Vertex AI」クエストを継続し、次のラボ「Vertex Pipelines: Qwik Start」に進みます。
次のステップと詳細情報
Vertex AI の詳細については、Vertex AI のドキュメントをご覧ください。
Google Cloud トレーニングと認定資格
Google Cloud トレーニングと認定資格を通して、Google Cloud 技術を最大限に活用できるようになります。必要な技術スキルとベスト プラクティスについて取り扱うクラスでは、学習を継続的に進めることができます。トレーニングは基礎レベルから上級レベルまであり、オンデマンド、ライブ、バーチャル参加など、多忙なスケジュールにも対応できるオプションが用意されています。認定資格を取得することで、Google Cloud テクノロジーに関するスキルと知識を証明できます。
マニュアルの最終更新日: 2023 年 11 月 1 日
ラボの最終テスト日: 2023 年 11 月 1 日
Copyright 2024 Google LLC All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。