GSP944

概要

このラボでは、BigQuery ML XGBoost モデルをトレーニング、チューニング、評価、説明し、バッチおよびオンライン予測の生成を行います。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ます。また、BigQuery ML モデルを使ってバッチ予測を生成し、Vertex AI Python SDK を使用したオンライン予測のためにモデルを Vertex AI にエクスポートしてデプロイします。

BigQuery ML では、データの移動が不要でコード行数を減らせるため、標準 SQL クエリを使用した BigQuery での ML モデルの学習とバッチ推論を短時間で行うことができます。

Vertex AI は、Google Cloud が無料で提供する、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 の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とモニタリング用の MLOps ツールを活用できます。これにより、開発の生産性を高め、データを大規模なワークフローや意思決定に活かして、価値実現までの時間を短縮することができます。

注: BQML は、BigQuery ML とも呼ばれます。

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からヒントを得て、こ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 を使ったオンライン予測による BigQuery ML の機能拡張に焦点を当てます。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のための UI に組み込むことができるだけでなく、オンライン予測を直接ユーザー向けのアプリに組み込み、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行うことができます。

目標

このラボでは、次の方法について学びます。

• 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

こちらの説明をお読みください。ラボには時間制限があり、一時停止することはできません。タイマーは、Google Cloud のリソースを利用できる時間を示しており、[ラボを開始] をクリックするとスタートします。

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、ラボのアクティビティを行います。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）

注: このラボの実行には、シークレット モード（推奨）またはシークレット ブラウジング ウィンドウを使用してください。これにより、個人アカウントと受講者アカウント間の競合を防ぎ、個人アカウントに追加料金が発生しないようにすることができます。

• ラボを完了するための時間（開始後は一時停止できません）

注: このラボでは、受講者アカウントのみを使用してください。別の Google Cloud アカウントを使用すると、そのアカウントに料金が発生する可能性があります。

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。

1. 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。

2. ウィンドウで次の操作を行います。

   • Cloud Shell 情報ウィンドウで操作を進めます。
   • Cloud Shell が認証情報を使用して Google Cloud API を呼び出すことを承認します。

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。

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

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。

3. （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。

gcloud auth list

4. [承認] をクリックします。

出力:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （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。

gcloud config list project

出力:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注: Google Cloud における 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. Vertex AI Workbench インスタンスを作成する

1. Google Cloud コンソールのナビゲーション メニュー（）で [Vertex AI] を選択します。

2. [すべての推奨 API を有効化] をクリックします。

3. 左側の [ワークベンチ] をクリックします。

4. [ワークベンチ] ページの上部で、[インスタンス] ビューになっていることを確認します。

5. [新規作成] をクリックします。

6. インスタンスの構成:

   • 名前: lab-workbench
   • リージョン: リージョンを に設定します
   • [ゾーン]: ゾーンを に設定します
   • [詳細オプション]（任意）: 必要に応じて [詳細オプション] をクリックして、さらにカスタマイズします（マシンタイプ、ディスクサイズなど）。

7. [作成] をクリックします。

注: インスタンスの作成には数分かかります。作成が完了すると、インスタンス名の横に緑色のチェックマークが表示されます。

8. インスタンス名の横に表示されている [JupyterLab を開く] をクリックして、JupyterLab インターフェースを起動します。ブラウザで新しいタブが開きます。

9. [Terminal] アイコンをクリックしてターミナル ウィンドウを開きます。

ターミナル ウィンドウが新しいタブで開きます。これで、ターミナルでコマンドを実行して Workbench インスタンスを操作できるようになりました。

[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。 Vertex AI Workbench インスタンスを作成する

タスク 2. Cloud Storage バケットからノートブックをコピーする

1. ノートブックで以下のパスをコピーします。

gcloud storage cp {{{project_0.startup_script.gcs_path | "GCS PATH"}}}

[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。 Cloud Storage バケットからノートブックをコピーする

2. ノートブック ファイル lab_exercise.ipynb を開きます。

3. [Select Kernel] ダイアログで、使用可能なカーネルのリストから [TensorFlow 2-11] を選択します。

4. [定数の定義] セクションで、REGION 変数を に更新します。

5. 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、この説明に戻って演習（採点付き）に取り組んでください。

タスク 3. 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。 BigQuery データセットを作成する

タスク 4. 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。 BigQuery ML XGBoost のチャーン傾向モデルを作成する

タスク 5. 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。 BigQuery ML モデルを評価する

タスク 6. 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。 BigQuery ML モデルでユーザーのチャーンをバッチ予測する

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。これにより、離脱する可能性の高いユーザー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。

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。クラスでは、技術スキルとベスト プラクティスを迅速に身につけ、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: 2025 年 5 月 14 日

ラボの最終テスト日: 2025 年 5 月 14 日

Copyright 2025 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。