GSP354

Ringkasan

Dalam challenge lab, Anda diberi sebuah skenario dan serangkaian tugas. Tidak ada petunjuk langkah demi langkah. Anda akan menggunakan keahlian yang dipelajari dari lab dalam kursus untuk mencari cara menyelesaikan sendiri tugas-tugas tersebut. Sistem pemberian skor otomatis (ditampilkan pada halaman ini) akan memberikan masukan tentang apakah Anda telah menyelesaikan tugas dengan benar atau tidak.

Saat mengikuti challenge lab, Anda tidak akan diajari konsep-konsep baru Google Cloud. Anda diharapkan dapat memperluas keahlian yang dipelajari, seperti mengubah nilai default dan membaca serta mengkaji pesan error untuk memperbaiki kesalahan Anda sendiri.

Untuk meraih skor 100%, Anda harus berhasil menyelesaikan semua tugas dalam jangka waktu tertentu.

Lab ini direkomendasikan bagi siswa yang sudah mendaftar di kursus Build and Deploy Machine Learning Solutions on Vertex AI. Apakah Anda siap menghadapi tantangan ini?

Penyiapan dan persyaratan

Sebelum mengklik tombol Start 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 interaktif ini dapat Anda gunakan untuk melakukan 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).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Skenario tantangan

Anda baru saja dipekerjakan sebagai Engineer Machine Learning di sebuah situs ulasan film startup. Manajer menugaskan Anda untuk membuat model machine learning untuk mengklasifikasikan sentimen ulasan film dari pengguna sebagai positif atau negatif. Prediksi ini akan digunakan sebagai masukan dalam sistem rating film downstream serta untuk menampilkan ulasan positif dan negatif teratas di aplikasi situs film.

Tantangan: persyaratan bisnisnya adalah Anda hanya memiliki waktu 6 minggu untuk memproduksi model yang mencapai akurasi lebih dari 75% untuk meningkatkan solusi tahap awal yang sudah ada. Selain itu, setelah melakukan beberapa analisis eksplorasi di data warehouse startup Anda, Anda menemukan bahwa Anda hanya memiliki set data kecil berisi 50 ribu ulasan teks untuk membangun solusi yang berperforma lebih tinggi.

Tantangan Anda

Untuk membangun dan men-deploy model machine learning berperforma tinggi dengan data terbatas secara cepat, Anda akan melatih dan men-deploy pengklasifikasi sentimen TensorFlow BERT kustom untuk prediksi online di platform Vertex AI Google Cloud. Vertex AI adalah platform pengembangan machine learning generasi berikutnya dari Google Cloud. Pada platform ini, Anda dapat memanfaatkan komponen bawaan ML terbaru dan AutoML untuk meningkatkan produktivitas pengembangan secara signifikan, memiliki kemampuan untuk menskalakan alur kerja dan mengambil keputusan dengan data Anda, serta mempercepat waktu untuk merealisasikan manfaat.

Pertama, Anda akan menjalani alur kerja eksperimen yang umum untuk membangun model Anda dari komponen BERT yang telah dilatih sebelumnya dari lapisan klasifikasi TF-Hub dan tf.keras, lalu melatih dan mengevaluasi model di Notebook Vertex. Selanjutnya, Anda akan mengemas kode model Anda ke dalam container Docker untuk dilatih di Vertex AI Google Cloud. Terakhir, Anda akan menentukan dan menjalankan Kubeflow Pipeline di Pipeline Vertex yang melatih serta men-deploy model ke Endpoint Vertex yang akan Anda kuerikan untuk prediksi online.

Tugas 1. Membuka notebook di Vertex AI Workbench

1. Di Konsol Google Cloud, pada Navigation menu (), klik Vertex AI > Workbench.

2. Cari instance lalu klik tombol Open JupyterLab.

Antarmuka JupyterLab untuk instance Workbench Anda akan terbuka di tab browser baru.

Tugas 2. Menyiapkan notebook

1. Pada notebook, klik Terminal.

2. Instal paket yang diperlukan untuk lab:

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

3. Di File Browser di sebelah kiri, klik file .

4. Saat ditanya kernel yang akan digunakan, pilih kernel Python 3 (ipykernel).

5. Jalankan instruksi di bagian Setup di notebook untuk menginstal library yang diperlukan dan menyiapkan lingkungan Anda.

   • Untuk Project ID, gunakan , dan untuk Region, gunakan .

Semua kode lainnya untuk mengimpor dan melakukan prapemrosesan set data telah disediakan untuk Anda. Langkah lainnya akan tersedia di dalam file notebook. Anda harus merujuk kembali ke panduan lab ini untuk memeriksa progres dan mendapatkan beberapa petunjuk.

Tugas 3. Membangun dan melatih model secara lokal di notebook Vertex

Di bagian ini, Anda akan melatih model Anda secara lokal menggunakan TensorFlow.

Catatan: Lab ini menyesuaikan dan memperluas tutorial klasifikasi teks TensorFlow BERT resmi untuk memanfaatkan layanan Vertex AI. Lihat tutorial untuk mengetahui cakupan tambahan terkait penyempurnaan model BERT menggunakan TensorFlow.

Membuat dan mengompilasi pengklasifikasi sentimen TensorFlow BERT

1. Isi bagian #TODO untuk menambahkan hub.KerasLayer untuk prapemrosesan teks BERT.

2. Isi bagian #TODO untuk menambahkan hub.KerasLayer untuk encoding teks BERT.

3. Isi bagian #TODO untuk menyimpan pengklasifikasi sentimen BERT Anda secara lokal. Anda harus menyimpannya ke direktori ./bert-sentiment-classifier-local.

Klik Check my progress untuk memverifikasi tujuan.

Membangun dan melatih model

Tugas 4. Gunakan Cloud Build untuk membangun dan mengirimkan container model Anda ke Artifact Registry

Membuat Artifact Registry untuk image container kustom

1. Isi bagian #TODO untuk membuat Artifact Registry Docker menggunakan gcloud CLI. Pelajari hal ini lebih lanjut dari dokumentasi pembuatan repositori artefak gcloud.

Catatan: Pastikan Anda menetapkan flag location, repository-format, dan description.

Membangun dan mengirimkan image container ke Artifact Registry menggunakan Cloud Build

1. Isi bagian #TODO untuk menggunakan Cloud Build guna membangun dan mengirimkan container model kustom Anda ke Artifact Registry. Pelajari hal ini lebih lanjut dari dokumentasi pengiriman build gcloud.

Catatan: Pastikan flag config diarahkan ke {MODEL_DIR}/cloudbuild.yaml, sebagaimana dijelaskan di atas, dan Anda menyertakan direktori model Anda.

Klik Check my progress untuk memverifikasi tujuan.

Membangun dan mengirimkan image container ke Artifact Registry

Tugas 5. Menetapkan pipeline menggunakan KFP SDK

1. Isi bagian #TODO untuk menambahkan dan mengonfigurasi komponen CustomContainerTrainingJobOp untuk pipeline Anda.

Catatan: Argumen akan sama dengan CustomContainerTrainingJob sebelumnya. Catatan: Pelatihan ini dapat memakan waktu sekitar 30-40 menit untuk melatih dan men-deploy model.

Klik Check my progress untuk memverifikasi tujuan.

Menetapkan pipeline menggunakan KFP SDK

Tugas 6. Mengkueri model yang di-deploy menggunakan endpoint Vertex

1. Isi bagian #TODO untuk menghasilkan prediksi online menggunakan Endpoint Vertex Anda.

Selamat!

Selamat! Dalam lab ini, Anda telah mempelajari cara membangun dan men-deploy pengklasifikasi sentimen BERT kustom menggunakan Vertex AI. Anda juga telah mempelajari cara menggunakan Cloud Build untuk membangun dan mengirimkan container model kustom ke Artifact Registry, dan cara menetapkan pipeline menggunakan KFP SDK. Anda sekarang siap untuk membangun dan men-deploy model kustom Anda sendiri menggunakan Vertex AI.

Mendapatkan badge keahlian Anda berikutnya

Lab mandiri ini merupakan bagian dari kursus Build and Deploy Machine Learning Solutions on Vertex AI. Dengan menyelesaikan kursus badge keahlian ini, Anda akan mendapatkan badge di atas sebagai pengakuan atas pencapaian Anda. Tampilkan badge di resume atau platform media sosial Anda, dan umumkan pencapaian Anda menggunakan hashtag #GoogleCloudBadge.

Kursus badge keahlian ini merupakan bagian dari jalur pembelajaran Data Scientist/Engineer Machine Learning Google. Jika Anda telah menyelesaikan kursus badge keahlian lainnya di jalur pembelajaran ini, telusuri katalog untuk mengetahui 20+ kursus badge keahlian lain yang dapat Anda daftarkan.

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 08 Agustus 2024

Lab Terakhir Diuji pada 08 Agustus 2024

Hak cipta 2025 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.