GSP354

Descripción general

En un lab de desafío, se le proporcionarán una situación y un conjunto de tareas. En lugar de seguir instrucciones paso a paso, deberás utilizar las habilidades aprendidas en los labs del curso para decidir cómo completar las tareas por tu cuenta. Un sistema automatizado de puntuación (en esta página) mostrará comentarios y determinará si completaste tus tareas correctamente.

En un lab de desafío, no se explican conceptos nuevos de Google Cloud, sino que se espera que amplíes las habilidades que adquiriste, como cambiar los valores predeterminados y leer o investigar los mensajes de error para corregir sus propios errores.

Debe completar correctamente todas las tareas dentro del período establecido para obtener una puntuación del 100%.

Se recomienda este lab a los estudiantes inscritos en el curso Build and Deploy Machine Learning Solutions on Vertex AI. ¿Aceptas el desafío?

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs son cronometrados y no se pueden pausar. El cronómetro, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar (se recomienda el navegador Chrome)

Nota: Usa una ventana de navegador privada o de Incógnito para ejecutar este lab. Así evitarás cualquier conflicto entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab: Recuerda que, una vez que comienzas un lab, no puedes pausarlo.

Nota: Si ya tienes un proyecto o una cuenta personal de Google Cloud, no los uses en este lab para evitar cargos adicionales en tu cuenta.

Situación del desafío

Recientemente, te contrataron como ingeniero de aprendizaje automático en el sitio web de una startup sobre opiniones de películas. El administrador te asignó la tarea de crear un modelo de aprendizaje automático para clasificar como positivas o negativas las opiniones de los usuarios sobre las películas. Estas predicciones se utilizarán como entrada en los sistemas finales de calificaciones de las películas y para exponer las opiniones más favorables y críticas en la aplicación del sitio web.

Según los requisitos de la empresa, el desafío es que solo dispones de 6 semanas para poner en producción un modelo con una exactitud superior al 75% a fin de mejorar la solución existente. Además, luego de realizar un análisis exploratorio en el almacén de datos de la startup, encontraste que solo tiene un conjunto de datos pequeño de 50,000 opiniones de texto para crear una solución con un mayor rendimiento.

Tu desafío

A fin de crear e implementar con rapidez un modelo de aprendizaje automático de alto rendimiento con datos limitados, aprenderás a entrenar e implementar un clasificador de opiniones personalizado de TensorFlow basado en BERT de modo que pueda realizar predicciones en línea en la plataforma Vertex AI de Google Cloud. Vertex AI es la plataforma de desarrollo de aprendizaje automático de nueva generación de Google Cloud, en la que puedes aprovechar los componentes precompilados de AA más recientes para mejorar de forma sustancial la productividad del desarrollo, la capacidad de escalar tus flujos de trabajo y la toma de decisiones basadas en datos, así como acelerar el tiempo de obtención de valor.

Primero, seguirás un flujo de trabajo típico de experimentación, en el que crearás tu modelo a partir de los componentes de BERT previamente entrenados de las capas de clasificación de TF‑Hub y tf.keras para entrenar y evaluar tu modelo en un notebook de Vertex. Luego, crearás un paquete con el código del modelo en un contenedor de Docker para entrenarlo en Vertex AI de Google Cloud. Por último, definirás y ejecutarás una canalización de Kubeflow en Vertex Pipelines para entrenar e implementar tu modelo en un extremo de Vertex que consultarás para obtener predicciones en línea.

Tarea 1: Abre el notebook en Vertex AI Workbench

1. En el menú de navegación de la consola de Google Cloud, haz clic en Vertex AI > Workbench.

2. Busca la instancia y haz clic en el botón Abrir JupyterLab.

La interfaz de JupyterLab para tu instancia de Workbench se abrirá en una pestaña nueva del navegador.

Tarea 2: Configura el notebook

1. En tu notebook, haz clic en la terminal.

2. Instala los paquetes necesarios para realizar el lab:

pip3 install -U -r requirements.txt --user

3. En el navegador de archivos de la izquierda, haz clic en el archivo .

4. Cuando se te pregunte qué kernel usar, selecciona Python 3 (ipykernel).

5. Revisa la sección Setup del notebook para instalar las bibliotecas requeridas y configurar tu entorno.

   • Para Project ID, usa y para Region, usa .

Ya se te proporcionó el resto del código para que importes y proceses el conjunto de datos. El resto de los pasos están incluidos en el archivo del notebook. Debes volver a consultar esta guía del lab para revisar tu progreso y obtener algunas sugerencias.

Tarea 3: Compila y entrena tu modelo de forma local en un notebook de Vertex

En esta sección, entrenarás tu modelo de forma local con TensorFlow.

Nota: Este lab adapta y extiende el instructivo oficial de clasificación de texto basada en BERT de TensorFlow para usar los servicios de Vertex AI. Consulta el instructivo si necesitas más información para ajustar modelos de BERT con TensorFlow.

Crea y compila un clasificador de opiniones basado en BERT de TensorFlow

1. Completa la sección #TODO para agregar un elemento hub.KerasLayer y preprocesar el texto con BERT.

2. Completa la sección #TODO para agregar un elemento hub.KerasLayer y codificar el texto con BERT.

3. Completa la sección #TODO para guardar tu clasificador de opiniones basado en BERT de forma local. Debes guardarlo en el directorio ./bert-sentiment-classifier-local.

Haz clic en Revisar mi progreso para verificar el objetivo.

Compilar y entrenar el modelo

Tarea 4: Usa Cloud Build para compilar y enviar tu contenedor de modelos a Artifact Registry

Crea un repositorio de Artifact Registry para crear imágenes de contenedor personalizadas

1. Completa la sección #TODO para crear un repositorio de Artifact Registry de Docker con la CLI de gcloud. Obtén más información al respecto en la documentación para crear repositorios de artefactos de gcloud.

Nota: Asegúrate de especificar las marcas location, repository-format y description.

Crea y envía tu imagen de contenedor a Artifact Registry a través de Cloud Build

1. Completa la sección #TODO para usar Cloud Build para crear y enviar tu contenedor del modelo personalizado a Artifact Registry. Obtén más información al respecto en la documentación de envío de compilaciones de gcloud.

Nota: Asegúrate de que la marca de configuración haga referencia a {MODEL_DIR}/cloudbuild.yaml (definida anteriormente) y que incluya tu directorio de modelos.

Haz clic en Revisar mi progreso para verificar el objetivo.

Compilar y enviar tu imagen de contenedor a Artifact Registry

Tarea 5: Define una canalización con el SDK de KFP

1. Completa la sección #TODO para agregar y configurar los componentes CustomContainerTrainingJobOp para tu canalización.

Nota: Los argumentos serán los mismos del CustomContainerTrainingJob anterior. Nota: Este proceso de entrenamiento y de implementación del modelo puede tardar entre 30 y 40 minutos.

Haz clic en Revisar mi progreso para verificar el objetivo.

Definir una canalización con el SDK de KFP

Tarea 6: Consulta el modelo implementado con el extremo de Vertex

1. Completa la sección #TODO para generar predicciones en línea con tu extremo de Vertex.

¡Felicitaciones!

¡Felicitaciones! En este lab, aprendiste a compilar y a implementar un clasificador de opiniones personalizado basado en BERT con Vertex AI. También aprendiste a usar Cloud Build para compilar y enviar el contenedor de tu modelo personalizado a Artifact Registry y a definir una canalización con el SDK de KFP. Ahora ya puedes compilar e implementar tus propios modelos personalizados con Vertex AI.

Obtén tu próxima insignia de habilidad

Este lab de autoaprendizaje es parte del curso Build and Deploy Machine Learning Solutions on Vertex AI. Si completas este curso, obtendrás la insignia de habilidad que se muestra arriba como reconocimiento de tu logro. Comparte la insignia en tu currículum y tus plataformas sociales, y anuncia tu logro con el hashtag #GoogleCloudBadge.

Este curso con insignia de habilidad forma parte de la ruta de aprendizaje Data Scientist/Machine Learning Engineer de Google. Si ya completaste los otros cursos con insignia de habilidad en esta ruta de aprendizaje, revisa el catálogo y encuentra más de 20 cursos con insignia de habilidad en las que puedes inscribirte.

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Última actualización del manual: 8 de agosto de 2024

Prueba más reciente del lab: 8 de agosto de 2024

Copyright 2024 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.