GSP354

概要

チャレンジラボでは、シナリオと一連のタスクが提供されます。手順ガイドに沿って進める形式ではなく、コース内のラボで習得したスキルを駆使して、ご自身でタスクを完了していただきます。タスクが適切に完了したかどうかは、このページに表示される自動スコアリング システムで確認できます。

チャレンジラボは、Google Cloud の新しいコンセプトについて学習するためのものではありません。デフォルト値を変更する、エラー メッセージを読み調査を行ってミスを修正するなど、習得したスキルを応用する能力が求められます。

100% のスコアを達成するには、制限時間内に全タスクを完了する必要があります。

このラボは、「Vertex AI での ML ソリューションの構築とデプロイ 」コースに登録している受講者を対象としています。準備が整ったらチャレンジを開始しましょう。

設定と要件

[ラボを開始] ボタンをクリックする前に

こちらの説明をお読みください。ラボには時間制限があり、一時停止することはできません。タイマーは、Google Cloud のリソースを利用できる時間を示しており、[ラボを開始] をクリックするとスタートします。

このハンズオンラボでは、シミュレーションやデモ環境ではなく実際のクラウド環境を使って、ラボのアクティビティを行います。そのため、ラボの受講中に Google Cloud にログインおよびアクセスするための、新しい一時的な認証情報が提供されます。

このラボを完了するためには、下記が必要です。

• 標準的なインターネット ブラウザ（Chrome を推奨）

注: このラボの実行には、シークレット モード（推奨）またはシークレット ブラウジング ウィンドウを使用してください。これにより、個人アカウントと受講者アカウント間の競合を防ぎ、個人アカウントに追加料金が発生しないようにすることができます。

• ラボを完了するための時間（開始後は一時停止できません）

注: このラボでは、受講者アカウントのみを使用してください。別の Google Cloud アカウントを使用すると、そのアカウントに料金が発生する可能性があります。

チャレンジ シナリオ

あなたは最近、映画レビュー ウェブサイトを運営するスタートアップ企業に機械学習エンジニアとして採用されました。上司から、ユーザーの映画レビューを肯定的か否定的かで分類するための ML モデルを構築するよう指示されました。これらの予測はダウンストリームの映画評価システムで入力として使用され、映画ウェブサイトのアプリケーションに上位の好意的なレビューと批判的なレビューをそれぞれ表示します。

課題: ビジネス上の要件は、既存の独自ソリューションの改良として、75% を超える精度を達成するモデルを 6 週間以内に運用化することです。また、会社のデータ ウェアハウスで多少の探索的分析を行った結果、より高性能なソリューションを構築するのに、5 万件のテキスト レビューから成る小さなデータセットしか利用できないことがわかりました。

チャレンジ

高いパフォーマンスの機械学習モデルを限られたデータからすばやく構築してデプロイするために、Google Cloud の Vertex AI プラットフォームでオンライン予測を行えるよう、カスタムの TensorFlow BERT 感情分類器をトレーニングしてデプロイするプロセスを学習します。Vertex AI は Google Cloud の次世代の ML 開発プラットフォームであり、最新の事前構築済み ML コンポーネントと AutoML を活用しながら、開発の生産性、データによってワークフローや意思決定をスケーリングする能力、価値実現までの時間をそれぞれ大きく向上させることができます。

最初に、一般的なテスト ワークフローとして、TF-Hub および tf.keras 分類レイヤからの事前トレーニング済み BERT コンポーネントを基にモデルを構築し、Vertex ノートブックでモデルをトレーニングして評価します。次に、モデルのコードを Docker コンテナにパッケージ化して、Google Cloud の Vertex AI でトレーニングします。最後に、Vertex Pipelines で Kubeflow パイプラインを定義して実行することで、モデルをトレーニングし、オンライン予測のクエリを実行する Vertex Endpoint にデプロイします。

タスク 1. Vertex AI Workbench でノートブックを開く

1. Google Cloud コンソールのナビゲーション メニュー（）で、[Vertex AI] > [ワークベンチ] の順にクリックします。

2. インスタンスを見つけて、[JupyterLab を開く] ボタンをクリックします。

Workbench インスタンスの JupyterLab インターフェースが新しいブラウザタブで開きます。

注: JupyterLab にノートブックが表示されない場合は、次の追加手順でインスタンスを再設定してください。

1. JupyterLab のブラウザタブを閉じて、Workbench のホームページに戻ります。

2. インスタンス名の横にあるチェックボックスをオンにして、[リセット] をクリックします。

3. [JupyterLab を開く] ボタンが再度有効になったら、1 分待ってから [JupyterLab を開く] をクリックします。

タスク 2. ノートブックを設定する

1. ノートブックで [Terminal] をクリックします。

2. ラボに必要なパッケージをインストールします。

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

3. 左側の [File Browser] で、 ファイルをクリックします。

4. 使用するカーネルを尋ねられたら、[Python 3（ipykernel）] カーネルを選択します。

5. ノートブックの [Setup] セクションをすべて実行して、必要なライブラリをインストールし、環境を設定します。

   • [Project ID] に を使用し、[Region] に を使用します。

データセットのインポートと前処理に使用する残りのコードが、すべて提供されています。残りのステップはノートブック ファイル内にあります。進行状況やヒントを確認するには、このラボガイドを再び参照してください。

タスク 3. Vertex ノートブックでモデルをローカルで構築してトレーニングする

このセクションでは、TensorFlow を使用してモデルをローカルでトレーニングします。

注: このラボは、公式の TensorFlow BERT テキスト分類チュートリアルを、Vertex AI サービスを使用できるように拡張したものです。TensorFlow を使用した BERT モデルの微調整については、チュートリアルをご覧ください。

TensorFlow BERT 感情分類器を作成してコンパイルする

1. #TODO セクションに、BERT テキストの前処理用の hub.KerasLayer を追加するコードを記入します。

2. #TODO セクションに、BERT テキストのエンコード用の hub.KerasLayer を追加するコードを記入します。

3. #TODO セクションに、BERT 感情分類器をローカルに保存するコードを記入します。保存先は ./bert-sentiment-classifier-local ディレクトリとします。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

モデルを構築してトレーニングする

タスク 4. Cloud Build を使用してモデルコンテナをビルドし、Artifact Registry に送信する

カスタム コンテナ イメージ用の Artifact Registry を作成する

1. #TODO セクションに、gcloud CLI を使用して Docker Artifact Registry を作成するコードを記入します。詳しくは、gcloud artifacts repositories create のドキュメントをご覧ください。

ヒント: 必ず location、repository-format、description の各フラグを指定してください。

Cloud Build を使用してコンテナ イメージを構築し、Artifact Registry に送信する

1. #TODO セクションに、Cloud Build を使用してカスタム モデルコンテナを構築し、Artifact Registry に送信するコードを記入します。詳しくは、gcloud builds submit のドキュメントをご覧ください。

ヒント: config フラグには、上で定義した {MODEL_DIR}/cloudbuild.yaml を指定し、実際のモデル ディレクトリを含めてください。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

コンテナ イメージを構築して Artifact Registry に送信する

タスク 5. KFP SDK を使用してパイプラインを定義する

1. #TODO セクションにパイプラインの CustomContainerTrainingJobOp コンポーネントを追加して構成します。

ヒント: 引数は前の CustomContainerTrainingJob と同じになります。 注: モデルのトレーニングとデプロイには、30～40 分かかる場合があります。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

KFP SDK を使用してパイプラインを定義する

タスク 6. デプロイしたモデルに対して、Vertex エンドポイントを使用してクエリを実行する

1. #TODO セクションに、Vertex Endpoint でオンライン予測を生成するコードを記入します。

お疲れさまでした

これで完了です。このラボでは、Vertex AI を使用してカスタムの BERT 感情分類器を構築してデプロイする方法を学習しました。また、Cloud Build を使用してカスタムモデル コンテナを構築し、Artifact Registry に送信する方法、KFP SDK を使用してパイプラインを定義する方法も学習しました。これで、Vertex AI を使用して独自のカスタムモデルを構築し、デプロイする準備が整いました。

次のスキルバッジを獲得する

このセルフペース ラボは、「Vertex AI での ML ソリューションの構築とデプロイ」コースの一部です。このコースを完了すると成果が認められて上のようなバッジが贈られます。獲得したバッジを履歴書やソーシャル プラットフォームに記載し、#GoogleCloudBadge を使用して成果を公表しましょう。

このスキルバッジ コースは、Google Cloud のデータ サイエンティスト / ML エンジニア向け学習プログラムの一部です。この学習プログラムの他のスキルバッジ コースを修了済みの場合は、他の 20 科目以上の登録可能なスキルバッジ コースをカタログから検索してみてください。

Google Cloud トレーニングと認定資格

Google Cloud トレーニングと認定資格を通して、Google Cloud 技術を最大限に活用できるようになります。必要な技術スキルとベスト プラクティスについて取り扱うクラスでは、学習を継続的に進めることができます。トレーニングは基礎レベルから上級レベルまであり、オンデマンド、ライブ、バーチャル参加など、多忙なスケジュールにも対応できるオプションが用意されています。認定資格を取得することで、Google Cloud テクノロジーに関するスキルと知識を証明できます。

マニュアルの最終更新日: 2024 年 8 月 8 日

ラボの最終テスト日: 2024 年 8 月 8 日

Copyright 2025 Google LLC. All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。