GSP944

Übersicht

In diesem Lab trainieren Sie ein BigQuery ML-XGBoost-Modell, stimmen es ab, bewerten und erklären es und generieren damit Batch- und Onlinevorhersagen. Sie verwenden ein Google Analytics 4-Dataset aus der App Flood it! (Android-App, iOS-App), um herauszufinden, wie wahrscheinlich es ist, dass Nutzer die App erneut aufrufen. Sie erstellen mit Ihrem BigQuery ML-Modell Batch-Vorhersagen, exportieren es und stellen es in Vertex AI für Onlinevorhersagen mit dem Vertex Python SDK bereit.

Mit BigQuery ML können Sie Modelle für maschinelles Lernen in BigQuery trainieren und Batch-Inferenzen mithilfe standardmäßiger SQL-Abfragen schneller durchführen, da die Daten nicht verschoben werden müssen und weniger Codezeilen erforderlich sind.

Vertex AI ist die kostenlose, einheitliche ML‑Entwicklungsplattform der nächsten Generation von Google Cloud. Durch das Entwickeln und Bereitstellen von BigQuery ML-Lösungen für maschinelles Lernen in Vertex AI profitieren Sie von einem skalierbaren Dienst für Onlinevorhersagen sowie MLOps-Tools für das erneute Trainieren und das Monitoring von Modellen. So können Sie deutlich produktiver entwickeln, Ihren Workflow und die Entscheidungsfindung anhand Ihrer Daten optimieren und die Wertschöpfung beschleunigen.

Hinweis: BQML ist jetzt BigQuery ML.

Dieses Lab ist von dem Blogpost Churn prediction for game developers using Google Analytics 4 (GA4) and BigQuery ML inspiriert und baut darauf auf. Wenn Sie sich intensiver mit diesem Anwendungsfall und BigQuery ML befassen möchten, sollten Sie den Blogpost und das zugehörige Tutorial lesen.

In diesem Lab gehen Sie noch einen Schritt weiter und sehen sich an, wie Vertex AI die Möglichkeiten von BigQuery ML durch Onlinevorhersagen erweitert. So lassen sich beide Vorhersagen zur Kundenabwanderung in Tools zur Entscheidungsfindung wie Looker-Dashboards einbinden. Sie können Onlinevorhersagen aber auch direkt in Kundenanwendungen für gezielte Interventionen wie Incentives nutzen.

Lernziele

Aufgaben in diesem Lab:

• Google Analytics 4-Stichprobe in BigQuery ansehen und für maschinelles Lernen vorverarbeiten
• BigQuery ML-XGBoost-Klassifikator für die Vorhersage der Nutzerabwanderung bei einer Spiele-App trainieren
• BigQuery ML-XGBoost-Klassifikator mit BigQuery ML-Funktionen für die Hyperparameter-Abstimmung abstimmen
• Leistung eines BigQuery ML-XGBoost-Klassifikators bewerten
• Ihr XGBoost-Modell mit globalen Feature-Attributionen von BigQuery ML Explainable AI erklären
• Mit Ihrem BigQuery ML-XGBoost-Modell Batch-Vorhersagen erstellen
• BigQuery ML-XGBoost-Modell in einen Google Cloud Storage-Bucket exportieren
• BigQuery ML-XGBoost-Modell für Onlinevorhersagen in einen Vertex AI Prediction-Endpunkt hochladen und dort bereitstellen

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange die Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung selbst durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus, um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Wenn Sie über ein persönliches Google Cloud-Konto oder -Projekt verfügen, verwenden Sie es nicht für dieses Lab. So werden zusätzliche Kosten für Ihr Konto vermieden.

Cloud Shell aktivieren

Cloud Shell ist eine virtuelle Maschine, auf der Entwicklertools installiert sind. Sie bietet ein Basisverzeichnis mit 5 GB nichtflüchtigem Speicher und läuft auf Google Cloud. Mit Cloud Shell erhalten Sie Befehlszeilenzugriff auf Ihre Google Cloud-Ressourcen.

1. Klicken Sie oben in der Google Cloud Console auf Cloud Shell aktivieren .

Wenn Sie verbunden sind, sind Sie bereits authentifiziert und das Projekt ist auf Ihre Project_ID, eingestellt. Die Ausgabe enthält eine Zeile, in der die Project_ID für diese Sitzung angegeben ist:

Ihr Cloud-Projekt in dieser Sitzung ist festgelegt als {{{project_0.project_id | "PROJECT_ID"}}}

gcloud ist das Befehlszeilentool für Google Cloud. Das Tool ist in Cloud Shell vorinstalliert und unterstützt die Tab-Vervollständigung.

2. (Optional) Sie können den aktiven Kontonamen mit diesem Befehl auflisten:

gcloud auth list

3. Klicken Sie auf Autorisieren.

Ausgabe:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} Um das aktive Konto festzulegen, führen Sie diesen Befehl aus: $ gcloud config set account `ACCOUNT`

4. (Optional) Sie können die Projekt-ID mit diesem Befehl auflisten:

gcloud config list project

Ausgabe:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Hinweis: Die vollständige Dokumentation für gcloud finden Sie in Google Cloud in der Übersicht zur gcloud CLI.

Aufgabe 1: Google Cloud-Dienste aktivieren

• Aktivieren Sie in Cloud Shell über gcloud-Befehle die für dieses Lab verwendeten Dienste:

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

Aufgabe 2: Vertex-Notebook-Instanz bereitstellen

1. Klicken Sie auf Navigationsmenü () > Vertex AI > Workbench.

2. Rufen Sie auf der Seite mit den Notebook-Instanzen den Tab Nutzerverwaltete Notebooks auf und klicken Sie auf Neu erstellen.

3. Wählen Sie im Menü zum Anpassen der neuen Instanz die Option Umgebung aus und dann die Version TensorFlow Enterprise 2.11.

4. Wählen Sie im Dialogfeld Neue Instanz für Region und für Zone aus. Lassen Sie in allen anderen Feldern die Standardoptionen unverändert und klicken Sie auf Erstellen.

Nach ein paar Minuten werden in der Console von Vertex AI der Name Ihrer Instanz sowie Open Jupyterlab angezeigt.

5. Klicken Sie auf Open Jupyterlab.

Ihr Notebook ist jetzt eingerichtet.

Klicken Sie auf Fortschritt prüfen. Vertex AI-Notebook erstellen

Aufgabe 3: Lab-Repository klonen

Jetzt klonen Sie das Notebook training-data-analyst in Ihrer JupyterLab-Instanz.

1. Klicken Sie in JupyterLab auf das Symbol Terminal, um ein neues Terminal zu öffnen.

Hinweis: Wenn Sie dazu aufgefordert werden, klicken Sie unter „Build Recommended“ auf Cancel.

2. Geben Sie zum Klonen des GitHub-Repositorys training-data-analyst den folgenden Befehl ein und drücken Sie die Eingabetaste:

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

3. Doppelklicken Sie auf das Verzeichnis training-data-analyst und prüfen Sie, ob der Inhalt angezeigt wird. So stellen Sie sicher, dass das Repository geklont wurde.

Klicken Sie auf Fortschritt prüfen. Lab-Repository klonen

Lab-Notebook öffnen

1. Gehen Sie im Notebook zu training-data-analyst > quests > vertex-ai > vertex-bqml und öffnen Sie lab_exercise.ipynb.

2. Fahren Sie mit dem Lab im Notebook fort und führen Sie jede einzelne Zelle aus. Klicken Sie dazu oben auf dem Bildschirm auf das Symbol Ausführen (). Alternativ können Sie den Code in einer Zelle über UMSCHALTTASTE + EINGABETASTE ausführen.

Lesen Sie die Beschreibung, um zu verstehen, was genau in jeder Zelle stattfindet. Kehren Sie beim Durchgehen des Lab-Notebooks immer wieder zur Anleitung zurück, um die benoteten Aufgaben zu absolvieren.

Aufgabe 4: BigQuery-Dataset erstellen

Klicken Sie auf Fortschritt prüfen. BigQuery-Dataset erstellen

Aufgabe 5: BigQuery ML-XGBoost-Modell zur Abwanderungsneigung erstellen

Klicken Sie auf Fortschritt prüfen. BigQuery ML-XGBoost-Modell zur Abwanderungsneigung erstellen

Aufgabe 6: Ihr BigQuery ML-Modell bewerten

Klicken Sie auf Fortschritt prüfen. Ihr BigQuery ML-Modell bewerten

Aufgabe 7: Mit dem BigQuery ML-Modell Batch-Vorhersagen zur Nutzerabwanderung erstellen

Klicken Sie auf Fortschritt prüfen. Mit dem BigQuery ML-Modell Batch-Vorhersagen zur Nutzerabwanderung erstellen

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

In diesem Lab haben Sie ein BigQuery ML-Modell trainiert, abgestimmt, erklärt und in Vertex AI bereitgestellt, um für das Geschäft wichtige Batch- und Onlinevorhersagen zur Nutzerabwanderung zu generieren. Auf dieser Grundlage können Kunden mit einer hohen Abwanderungsneigung durch Interventionen wie In-Game-Prämien und Benachrichtigungen gezielt angesprochen werden.

Weitere Informationen

Dokumentation zu Vertex AI

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 17. April 2024 aktualisiert

Lab zuletzt am 17. April 2024 getestet

© 2024 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.