In questo lab userai Vertex AI per addestrare e gestire un modello di machine learning per prevedere il rischio di prestito con un set di dati tabulare.
Imparerai a:
Leggi le seguenti istruzioni. I lab sono a tempo e non possono essere messi in pausa. Il timer si avvia quando fai clic su Avvia lab e ti mostra per quanto tempo avrai a disposizione le risorse Google Cloud.
Con questo lab pratico Qwiklabs avrai la possibilità di completare le attività in prima persona, in un ambiente cloud reale e non di simulazione o demo. Riceverai delle nuove credenziali temporanee che potrai utilizzare per accedere a Google Cloud per la durata del lab.
Per completare il lab, avrai bisogno di:
Nota: se hai già un account o un progetto Google Cloud personale, non utilizzarli per questo lab.
Nota: se utilizzi un Pixelbook, apri una finestra di navigazione in incognito per avviare questo lab.
Fai clic sul pulsante Avvia lab. Se devi effettuare il pagamento per il lab, si apre una finestra popup per permetterti di selezionare il metodo di pagamento. Sul lato sinistro trovi un riquadro con le credenziali temporanee da utilizzare per il lab.
Copia il nome utente, quindi fai clic su Apri console Google. Il lab avvia le risorse e apre un'altra scheda che mostra la pagina Scegli un account.
Nella pagina Scegli un account, fai clic su Utilizza un altro account. Si apre la pagina di accesso.
Qui incolla il nome utente che hai copiato dal riquadro Dettagli connessione, quindi copia e incolla la password.
Dopo qualche istante, la console Cloud si apre in questa scheda.
Questo lab utilizza Vertex AI, la piattaforma IA unificata su Google Cloud per addestrare un modello ML ed eseguirne il deployment. Vertex AI offre due opzioni su un'unica piattaforma per creare un modello ML: una soluzione senza codice con AutoML e una soluzione basata su codice con Addestramento personalizzato utilizzando Vertex Workbench. In questo lab userai AutoML.
In questo lab creerai un modello ML per determinare se un determinato cliente restituirà un prestito.
La dashboard iniziale di Vertex AI illustra le fasi principali dell'addestramento e del deployment di un modello ML: preparare i dati di addestramento, addestrare il modello e ottenere previsioni. Dopodiché, la dashboard mostra le attività recenti, ad esempio set di dati, modelli, previsioni, endpoint e istanze blocco note.
Esistono tre modi per importare dati in Vertex AI:
Per praticità, il set di dati è già caricato in Cloud Storage.
Per l'origine dati, scegli Seleziona file CSV da Cloud Storage
Per Percorso file di importazione, digita:
Per visualizzare le statistiche descrittive per ciascuna colonna del set di dati, fai clic su Genera statistiche.
La generazione delle statistiche potrebbe richiedere alcuni minuti, soprattutto la prima volta.
Quando le statistiche sono pronte, fai clic sul nome di ciascuna colonna per visualizzare i grafici analitici.
Una volta caricato un set di dati, è tutto pronto per addestrare un modello e prevedere se un cliente restituirà il prestito.
Il set di dati è già denominato LoanRisk.
Per Obiettivo, seleziona Classificazione.
Selezioni la classificazione anziché la regressione perché vuoi prevedere un numero distinto (se un cliente restituirà un prestito: 0 per la restituzione, 1 per l'inadempienza/non restituzione) anziché un numero continuo.
Specifica il nome del modello e della colonna di destinazione.
Assegna un nome al modello, ad esempio LoanRisk.
Per Colonna di destinazione, seleziona Predefinita.
(Facoltativo) Esplora Opzioni avanzate per definire in che modo assegnare i dati di addestramento rispetto a quelli di test e specificare la crittografia.
Fai clic su Continua.
Per Aggiungi caratteristiche, fai clic su Continua.
Specifica quali colonne vuoi includere nel modello di addestramento. Ad esempio, IDCliente potrebbe non essere pertinente per prevedere il rischio di prestito.
Fai clic sul segno meno sulla riga IDCliente per escluderla dal modello di addestramento.
(Facoltativo) Esplora Opzioni avanzate per selezionare altri obiettivi di ottimizzazione.
Per ulteriori informazioni sugli obiettivi di ottimizzazione per i modelli AutoML tabulari, consulta la guida Obiettivi di ottimizzazione per i modelli AutoML tabulari.
Fai clic su Continua.
Per Budget, che rappresenta il numero di ore nodo per l'addestramento, inserisci 1.
L'addestramento del modello AutoML per 1 ora di calcolo è in genere un buon inizio per comprendere se esiste una relazione tra le caratteristiche e l'etichetta che hai selezionato. In seguito puoi modificare le caratteristiche e dedicare più tempo all'addestramento per migliorare le prestazioni del modello.
Lascia l'interruzione anticipata impostata su Abilitata.
Fai clic su Inizia addestramento.
A seconda della quantità di dati e del metodo, l'addestramento può richiedere da pochi minuti a un paio d'ore. Di norma, Google Cloud ti invia un'email al termine del job di addestramento. Tuttavia, nell'ambiente Qwiklabs, non riceverai alcuna email.
Vertex AI fornisce molte metriche per valutare le prestazioni del modello; ti concentrerai su tre:
La soglia di affidabilità determina il modo in cui un modello ML conta i casi positivi. Con una soglia più alta aumenta la precisione, ma diminuisce il richiamo. Con una soglia più bassa diminuisce la precisione, ma aumenta il richiamo.
Puoi regolare manualmente la soglia per osservarne l'impatto su precisione e richiamo e trovare il miglior punto di compromesso tra i due per soddisfare le tue esigenze aziendali.
Una matrice di confusione indica la percentuale di esempi di ciascuna classe nel set di test che il tuo modello ha previsto correttamente.
La matrice di confusione mostra che il tuo modello iniziale è in grado di prevedere correttamente il 100% degli esempi di restituzione e l'87% degli esempi predefiniti nel tuo set di test, il che non è poi così male.
Puoi migliorare la percentuale aggiungendo più esempi (più dati), progettando nuove caratteristiche, modificando il metodo di formazione ecc.
In Vertex AI, l'importanza delle caratteristiche viene mostrata tramite un grafico a barre che illustra come ciascuna caratteristica contribuisce a una previsione. Più lunga è la barra, o maggiore è il valore numerico associato a una caratteristica, più importante è quest'ultima.
Questi valori di importanza delle caratteristiche potrebbero essere utilizzati per aiutarti a migliorare il tuo modello e avere maggiore fiducia nelle sue previsioni. Ad esempio, la prossima volta che addestri un modello, potresti decidere di rimuovere le caratteristiche meno importanti o di combinare due delle caratteristiche più significative in un incrocio di caratteristiche per vedere se ciò migliora le prestazioni del modello.
L’importanza delle caratteristiche è solo un esempio della funzionalità completa di machine learning di Vertex AI chiamata Explainable AI. Explainable AI è costituito da una serie di strumenti e framework per aiutarti a comprendere e interpretare le previsioni dei modelli di machine learning.
Ora che hai un modello addestrato, il passaggio successivo è creare un endpoint in Vertex. A una risorsa modello in Vertex possono essere associati più endpoint ed è possibile suddividere il traffico tra endpoint.
Sulla pagina del tuo modello, fai clic su Deployment e test e quindi su Deployment su endpoint.
Per Nome endpoint, digita LoanRisk
Fai clic su Continua.
Lascia invariate le impostazioni di suddivisione del traffico.
Per Tipo di macchina, seleziona e2-standard-8, 8 vCPU, 32 GiB di memoria.
Per Opzioni di spiegabilità, fai clic su Attribuzione delle caratteristiche.
Fai clic su Fine.
Fai clic su Continua.
In Monitoraggio del modello, fai clic su Continua.
In Obiettivi del modello > Origine dati di addestramento, seleziona Set di dati Vertex AI.
Seleziona il tuo set di dati dal menu a discesa.
In Colonna di destinazione, digita Default
Lascia invariate le restanti impostazioni e fai clic su Esegui il deployment.
Il deployment dell'endpoint richiederà alcuni minuti. Una volta completato, accanto al nome comparirà un segno di spunta verde.
Ora è tutto pronto per ottenere previsioni sul modello di cui hai eseguito il deployment.
In questa sezione, utilizza AutoML-Gateway per lavorare con un modello addestrato esistente.
| VARIABILE DI AMBIENTE | VALORE |
|---|---|
| ENDPOINT Credit_Risk | 1411183591831896064 |
| INPUT_DATA_FILE | INPUT-JSON |
Per utilizzare il modello addestrato, dovrai creare alcune variabili di ambiente.
Apri una finestra di Cloud Shell.
Scarica gli asset del lab:
INPUT_DATA_FILE:PROJECT_NUMBER:AUTOML_SERVICE:Il file INPUT-JSON è composto dai seguenti valori:
Output previsto:
Se utilizzi la console Google Cloud, la seguente immagine illustra come potrebbe essere eseguita la stessa azione:
Ora puoi utilizzare Vertex AI per:
Per saperne di più sulle diverse parti di Vertex AI, consulta la documentazione di Vertex AI.
Una volta completato il lab, fai clic su Termina lab. Google Cloud Skills Boost rimuove le risorse che hai utilizzato ed esegue la pulizia dell'account.
Avrai la possibilità di inserire una valutazione in merito alla tua esperienza. Seleziona il numero di stelle applicabile, inserisci un commento, quindi fai clic su Invia.
Il numero di stelle corrisponde alle seguenti valutazioni:
Se non vuoi lasciare un feedback, chiudi la finestra di dialogo.
Per feedback, suggerimenti o correzioni, utilizza la scheda Assistenza.
Copyright 2020 Google LLC Tutti i diritti riservati. Google e il logo Google sono marchi di Google LLC. Tutti gli altri nomi di società e prodotti sono marchi delle rispettive società a cui sono associati.
Questi contenuti non sono al momento disponibili
Ti invieremo una notifica via email quando sarà disponibile
Bene.
Ti contatteremo via email non appena sarà disponibile
Un lab alla volta
Conferma per terminare tutti i lab esistenti e iniziare questo
