GSP944

개요

이 실습에서는 BigQuery ML XGBoost 모델을 사용하여 일괄 예측과 온라인 예측을 학습, 조정, 평가, 설명, 생성해 봅니다. 실제 모바일 애플리케이션인 Flood it! (Android 앱, iOS 앱)의 Google 애널리틱스 4 데이터 세트를 사용하여 사용자가 애플리케이션을 다시 실행할 가능성을 판단합니다. BigQuery ML 모델을 사용하여 일괄 예측을 생성한 다음, Vertex AI Python SDK를 사용하여 온라인 예측을 위해 일괄 예측을 내보내고 Vertex AI에 배포합니다.

BigQuery ML을 사용하면 더 적은 코드 줄을 작성해 데이터 이동 없이도 표준 SQL 쿼리를 사용하여 더 빠르게 BigQuery에서 머신러닝 모델을 학습시키고 일괄 추론을 수행할 수 있습니다.

Vertex AI는 머신러닝 개발을 위한 Google Cloud의 무료 차세대 통합 플랫폼입니다. Vertex AI에서 BigQuery ML 머신러닝 솔루션을 개발 및 배포하면 확장 가능한 온라인 예측 서비스와 모델 재학습 및 모니터링을 위한 MLOps 도구를 활용하여 개발 생산성, 워크플로 확장 능력, 데이터를 바탕으로 한 의사결정 능력을 크게 개선하고 가치 창출 시간을 단축할 수 있습니다.

참고: BQML은 지금의 BigQuery ML을 말합니다.

이 실습은 Google 애널리틱스 4(GA4)와 BigQuery ML을 사용하는 게임 개발자의 앱 제거 예측을 바탕으로 심화했습니다. 블로그 게시물 및 함께 제공되는 튜토리얼에서 이 사용 사례와 BigQuery ML에 관해 더 자세히 알아보세요.

이 실습에서는 한 걸음 더 나아가 온라인 예측으로 Vertex AI에서 BigQuery ML의 기능을 확장하는 방법을 집중적으로 살펴봅니다. 이를 통해 고객 앱 제거에 대한 일괄 예측과 온라인 예측을 모두 Looker 대시보드와 같은 의사결정 UI에 통합하고, 온라인 예측을 고객 애플리케이션에 직접 통합하여 인센티브 등의 개입 타겟팅을 강화할 수 있습니다.

목표

이 실습에서는 다음을 수행하는 방법에 대해 알아봅니다.

• 머신러닝에 사용할 Google 애널리틱스 4 데이터 샘플을 BigQuery에서 살펴보고 전처리합니다.
• BigQuery ML XGBoost 분류기를 학습시켜 모바일 게임 애플리케이션에서 사용자 앱 제거를 예측합니다.
• BigQuery ML 하이퍼파라미터 조정 기능을 사용하여 BigQuery ML XGBoost 분류기를 조정합니다.
• BigQuery ML XGBoost 분류기의 성능을 평가합니다.
• BigQuery ML Explainable AI 전역 특성 기여 분석으로 XGBoost 모델을 설명합니다.
• BigQuery ML XGBoost 모델로 일괄 예측을 생성합니다.
• BigQuery ML XGBoost 모델을 Google Cloud Storage 버킷으로 내보냅니다.
• 온라인 예측을 위해 BigQuery ML XGBoost 모델을 Vertex AI 예측 엔드포인트에 업로드 및 배포합니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

Cloud Shell 활성화

Cloud Shell은 다양한 개발 도구가 탑재된 가상 머신으로, 5GB의 영구 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다.

1. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.

2. 다음 창을 클릭합니다.

   • Cloud Shell 정보 창을 통해 계속 진행합니다.
   • 사용자 인증 정보를 사용하여 Google Cloud API를 호출할 수 있도록 Cloud Shell을 승인합니다.

연결되면 사용자 인증이 이미 처리된 것이며 프로젝트가 학습자의 PROJECT_ID, (으)로 설정됩니다. 출력에 이 세션의 PROJECT_ID를 선언하는 줄이 포함됩니다.

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

gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 명령줄 자동 완성을 지원합니다.

3. (선택사항) 다음 명령어를 사용하여 활성 계정 이름 목록을 표시할 수 있습니다.

gcloud auth list

4. 승인을 클릭합니다.

출력:

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

5. (선택사항) 다음 명령어를 사용하여 프로젝트 ID 목록을 표시할 수 있습니다.

gcloud config list project

출력:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 참고: gcloud 전체 문서는 Google Cloud에서 gcloud CLI 개요 가이드를 참고하세요.

작업 1. Vertex AI Workbench 인스턴스 만들기

1. Google Cloud 콘솔의 탐색 메뉴()에서 Vertex AI를 선택합니다.

2. 모든 권장 API 사용 설정을 클릭합니다.

3. 왼쪽에서 Workbench를 클릭합니다.

4. Workbench 페이지 상단에서 인스턴스 뷰에 있는지 확인합니다.

5. 새로 만들기를 클릭합니다.

6. 인스턴스를 구성합니다.

   • 이름: lab-workbench
   • 리전: 리전을 (으)로 설정합니다.
   • 영역: 영역을 (으)로 설정합니다.
   • 고급 옵션(선택사항): 필요한 경우 '고급 옵션'을 클릭하여 추가 맞춤설정(예: 머신 유형, 디스크 크기)을 진행합니다.

7. 만들기를 클릭합니다.

참고: 인스턴스를 만드는 데 몇 분 정도 걸릴 수 있습니다. 준비되면 이름 옆에 녹색 체크표시가 나타납니다.

8. 인스턴스 이름 옆에 있는 JupyterLab 열기를 클릭하여 JupyterLab 인터페이스를 실행합니다. 그러면 브라우저에서 새 탭이 열립니다.

9. 터미널 아이콘을 클릭하여 터미널 창을 엽니다.

터미널 창이 새 탭에서 열립니다. 이제 터미널에서 명령어를 실행하여 Workbench 인스턴스와 상호작용할 수 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Vertex AI Workbench 인스턴스 만들기

작업 2. Cloud Storage 버킷에서 노트북 복사

1. 노트북에서 아래 경로를 복사합니다.

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

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Cloud Storage 버킷에서 노트북 복사

2. lab_exercise.ipynb 노트북 파일을 엽니다.

3. 커널 선택 대화상자에서 사용 가능한 커널 목록 중 TensorFlow 2-11을 선택합니다.

4. 상수 정의 섹션에서 REGION 변수를 (으)로 업데이트합니다.

5. 노트북에서 실습을 계속 진행하고 화면 상단의 Run(실행)() 아이콘을 클릭하여 각 셀을 실행합니다. 또는 SHIFT + ENTER를 사용하여 셀에서 코드를 실행할 수 있습니다.

설명을 읽고 각 셀의 변경된 상황을 파악합니다. 실습 노트북을 진행하면서 이 안내로 돌아와 평가 대상 연습 문제를 완료하세요.

작업 3. BigQuery 데이터 세트 만들기

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery 데이터 세트 만들기

작업 4. BigQuery ML XGBoost 앱 제거 경향 모델 만들기

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery ML XGBoost 앱 제거 경향 모델 만들기

작업 5. BigQuery ML 모델 평가

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery ML 모델 평가

작업 6. BigQuery ML 모델을 사용하여 사용자 앱 제거 일괄 예측 수행

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery ML 모델을 사용하여 사용자 앱 제거 일괄 예측 수행

수고하셨습니다

이 실습에서는 BigQuery ML 사용자 앱 제거 모델을 학습, 조정, 설명하고 Vertex AI에 배포하여 비즈니스에 큰 영향을 미치는 앱 제거의 일괄 예측과 온라인 예측을 생성했습니다. 이러한 예측으로 앱 제거 가능성이 높은 고객을 타겟팅하여 인게임 리워드나 리마인더 알림 등의 개입 조치를 취할 수 있습니다.

다음 단계/더 학습하기

Vertex AI 문서에서 Vertex AI에 관해 자세히 알아보세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 5월 14일

실습 최종 테스트: 2025년 5월 14일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.