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 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 Mulai 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 praktik ini dapat Anda gunakan untuk melakukan sendiri 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.

Setelah terhubung, Anda sudah diautentikasi, dan project ditetapkan ke PROJECT_ID Anda. 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.

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

3. Klik Authorize.

4. Output Anda sekarang akan terlihat seperti ini:

Output:

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

Output:

Contoh output:

Tugas 1. Mengaktifkan layanan Google Cloud

• Di Cloud Shell, gunakan perintah gcloud untuk mengaktifkan layanan yang digunakan di lab:

Tugas 2. Men-deploy instance Notebook Vertex

1. Klik Navigation Menu () > Vertex AI > Workbench.

2. Di halaman instance Notebook, buka tab User-Managed Notebooks, lalu klik Create New.

3. Di menu Customize new instance, pilih Environment, lalu pilih versi TensorFlow Enterprise 2.11.

4. Dalam dialog New instance, untuk Region, pilih , untuk Zone, pilih , dan biarkan semua kolom lainnya dalam opsi default-nya, lalu klik Create.

Setelah beberapa menit, konsol Vertex AI akan menampilkan nama instance Anda, diikuti dengan Open Jupyterlab.

5. Klik Open JupyterLab.

Sekarang notebook Anda telah siap.

Klik Check my progress untuk memverifikasi tujuan. Membuat Notebook Vertex AI

Tugas 3. Membuat clone repositori lab

Selanjutnya, Anda akan membuat clone notebook training-data-analyst dalam instance JupyterLab.

1. Di JupyterLab, klik ikon Terminal untuk membuka terminal baru.

2. Untuk membuat clone repositori GitHub training-data-analyst, ketik perintah berikut, laku tekan Enter:

3. Untuk mengonfirmasi bahwa Anda telah membuat clone repositori, klik dua kali direktori training-data-analyst dan pastikan kontennya terlihat.

Klik Check my progress untuk memverifikasi tujuan. Membuat clone repositori lab

Membuka notebook lab

1. Di notebook Anda, buka training-data-analyst > quests > vertex-ai > vertex-bqml, lalu buka lab_exercise.ipynb.

2. 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 4. Membuat set data BigQuery

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

Tugas 5. Membuat model kecenderungan churn XGBoost BigQuery ML

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

Tugas 6. Mengevaluasi model BigQuery ML Anda

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

Tugas 7. 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 17 April 2024

Lab Terakhir Diuji pada 17 April 2024

Hak cipta 2024 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.