GSP944

Visão geral

Neste laboratório, você vai treinar, ajustar, avaliar, explicar e gerar previsões on-line e em lote com um modelo da XGBoost no BigQuery ML. Você vai usar um conjunto de dados do Google Analytics 4 extraído de um aplicativo real para dispositivos móveis, o Flood it! (Android e iOS), para determinar a probabilidade dos usuários utilizarem o app novamente. Você vai gerar previsões em lote com o modelo do BigQuery ML, além de exportar e implantá-lo na Vertex AI para fazer previsões on-line usando o SDK Vertex Python.

O BigQuery ML permite que você treine e faça inferências em lote mais rápido com modelos de machine learning no BigQuery usando as consultas SQL padrão. Para isso, a ferramenta elimina a necessidade de migrar dados com menos linhas de código.

A Vertex AI é uma plataforma de última geração unificada e sem custo financeiro do Google Cloud para desenvolvimento de machine learning. Ao desenvolver e implantar as soluções de machine learning do BigQuery ML na Vertex AI, você aproveita um serviço de previsão on-line escalonável e ferramentas de MLOps para retreinar e monitorar modelos. Assim, é possível melhorar significativamente a produtividade do desenvolvimento, a capacidade de escalonar o fluxo de trabalho e a tomada de decisões com base em dados, além de acelerar o retorno do investimento.

Observação: o BQML agora se chama BigQuery ML.

Este laboratório é inspirado e amplia a Previsão de desistência de usuários para desenvolvedores de jogos que usam o Google Analytics 4 (GA4) e o BigQuery ML. Leia a postagem do blog e confira o tutorial para saber mais detalhes sobre este caso de uso e o BigQuery ML.

Neste laboratório, você vai ver como a Vertex AI amplia os recursos do BigQuery ML usando previsões on-line. Isso vai permitir a incorporação de previsões sobre desligamentos de usuários às UIs de tomada de decisão, como os painéis do Looker (em inglês), assim como possibilitar previsões on-line diretamente nos aplicativos do cliente para embasar intervenções, como iniciativas segmentadas.

Objetivos

Neste laboratório, você vai aprender a:

• Explorar e fazer o pré-processamento de uma amostra de dados do Google Analytics 4 no BigQuery para usar no machine learning
• Treinar um classificador da XGBoost (em inglês) no BigQuery ML para prever a desistência de usuários em um aplicativo de jogo para dispositivos móveis
• Ajustar um classificador da XGBoost no BigQuery ML usando os recursos de ajustes de hiperparâmetros do BigQuery ML
• Avaliar o desempenho de um classificador da XGBoost no BigQuery ML
• Explicar o modelo da XGBoost com atribuições de recursos globais da Explainable AI no BigQuery ML
• Gerar previsões em lote com o modelo da XGBoost no BigQuery ML
• Exportar um modelo da XGBoost no BigQuery ML para um bucket do Google Cloud Storage
• Fazer upload e implantar um modelo da XGBoost no BigQuery ML em um endpoint de previsão da Vertex AI para gerar previsões on-line

Configuração e requisitos

Antes de clicar no botão Start Lab

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é iniciado quando você clica em Começar o laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório---não se esqueça: depois de começar, não será possível pausar o laboratório.

Observação: não use seu projeto ou conta do Google Cloud neste laboratório para evitar cobranças extras na sua conta.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

1. Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.

Depois de se conectar, vai notar que sua conta já está autenticada, e que o projeto está configurado com seu PROJECT_ID. A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

2. (Opcional) É possível listar o nome da conta ativa usando este comando:

gcloud auth list

3. Clique em Autorizar.

4. A saída será parecida com esta:

Saída:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (Opcional) É possível listar o ID do projeto usando este comando:

gcloud config list project

Saída:

[core] project = <project_ID>

Exemplo de saída:

[core] project = qwiklabs-gcp-44776a13dea667a6 Observação: para conferir a documentação completa da gcloud, acesse o guia com informações gerais sobre a gcloud CLI no Google Cloud.

Tarefa 1: ativar os serviços do Google Cloud

• No Cloud Shell, use os comandos gcloud para ativar os serviços usados no laboratório:

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

Tarefa 2: implantar a instância do notebook na Vertex

1. Clique no Menu de navegação () > Vertex AI > Workbench.

2. Na página Instâncias de notebook, navegue até a guia Notebooks gerenciados pelo usuário e clique em Criar novo.

3. No menu de personalização da nova instância, clique em Ambiente e selecione a versão TensorFlow Enterprise 2.11.

4. Na caixa de diálogo Nova instância, em Região, selecione . Em Zona, escolha . Deixe os demais campos com as opções padrão e clique em Criar.

Depois de alguns minutos, o console da Vertex AI vai mostrar o nome da instância seguido por Open Jupyterlab.

5. Clique em Abrir o JupyterLab.

Seu notebook está configurado.

Clique em Verificar meu progresso para conferir o objetivo. Crie um notebook da Vertex AI

Tarefa 3: clonar o repositório do laboratório

Agora você vai clonar o notebook training-data-analyst na instância do JupyterLab.

1. No JupyterLab, clique no ícone Terminal para abrir um novo terminal.

Observação: se for solicitado, clique em Cancelar no build recomendado.

2. Para clonar o repositório training-data-analyst do GitHub, digite o comando a seguir e pressione Enter:

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

3. Para confirmar que você clonou o repositório, clique duas vezes no diretório training-data-analyst e veja se o conteúdo aparece.

Clique em Verificar meu progresso para conferir o objetivo. Clone o repositório do laboratório

Navegue até o notebook do laboratório

1. No seu notebook, acesse training-data-analyst > quests > vertex-ai > vertex-bqml e abra lab_exercise.ipynb.

2. Continue o laboratório no notebook e clique no ícone Executar () na parte de cima da tela para executar cada célula. Você também pode executar o código em uma célula pressionando as teclas SHIFT + ENTER.

Leia o conteúdo para entender o que está ocorrendo em cada célula. À medida que você avança no notebook do laboratório, retorne a essas instruções para concluir os exercícios e receber uma nota.

Tarefa 4: criar um conjunto de dados do BigQuery

Clique em Verificar meu progresso para conferir o objetivo. Crie um conjunto de dados do BigQuery

Tarefa 5: criar um modelo da XGBoost no BigQuery ML para analisar a probabilidade do desligamento de usuários

Clique em Verificar meu progresso para conferir o objetivo. Crie um modelo da XGBoost no BigQuery ML para analisar a probabilidade do desligamento de usuários

Tarefa 6: avaliar o modelo do BigQuery ML

Clique em Verificar meu progresso para conferir o objetivo. Avalie o modelo do BigQuery ML

Tarefa 7: gerar previsões em lote sobre a desistência de usuários com o modelo do BigQuery ML

Clique em Verificar meu progresso para conferir o objetivo. Gere previsões em lote sobre o desligamento de usuários com o modelo do BigQuery ML

Parabéns!

Neste laboratório, você treinou, ajustou, explicou e desenvolveu um modelo de previsão de desistência de usuários no BigQuery ML usando a Vertex AI. Seu modelo gerou previsões on-line e em lote de alto impacto comercial sobre os clientes propensos a deixar de usar o aplicativo. Para lidar com isso, você usou intervenções como recompensas no jogo e notificações de lembrete.

Próximas etapas / Saiba mais

Leia a documentação da Vertex AI para saber mais.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 17 de abril de 2024

Laboratório testado em 17 de abril de 2024

Copyright 2024 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.