Створіть набір даних

1. У консолі Google Cloud у меню навігації натисніть Vertex AI > Datasets (Vertex AI > Набори даних).
2. Нати/li>
3. Назвіть набір даних LoanRisk.
4. Для типу даних і цілі натисніть Tabular (Таблиця) та виберіть Regression/classification (Регресія/класифікація).
5. Натисніть Create (Створити).

• завантажити локальний файл із комп’ютера;

Для джерела даних укажіть Select CSV files from Cloud Storage (Вибрати файли C

• вибрати файли з Cloud Storage;

1. У полі Import file path (Шлях до файлу імпорту) введіть цю команду:

CODE...

вибрати дані з BigQuery.

1. Натисніть Continue (Продовжити).

Примітка. Є ще один спосіб налаштувати сторінку: нати/p> ...

Навчіть свою модель

Ви завантажили набір даних і можете натренувати модель, щоб спрогнозувати, чи виплатит/p>

• Натисніть Train new model (Навчити нову модель) і виберіть Other (Інше).

Метод навчання

1. Набір даних уже має назву LoanRisk.

2. У полі Objective (Ціль) виберіть Classification (Класифікація).

Слід вибрати саме класифікацію, а не регресію, оскільки ви прогнозуєте не безперервну кількість, а конкретну цифру (клієнт виплатить кредит: 0 – так, 1 – за умовчанням/ні).

1. Натисніть Continue (Продовжити).

Інформація про модель

Укажіть назву моделі й цільовий стовпець.

1. Дайте моделі назву, наприклад LoanRisk.

2. У полі Target column (Цільовий стовпець) виберіть Default (За умовчанням).

3. (Необов’язково) Відкрийте меню Advanced options (Додаткові параметри), щоб розподілити дані для навчання й тестування та вказати шифрування.

4. Натисніть Continue (Продовжити).

5. Щоб додати ознаки, натисніть Continue (Продовжити).

Способи навчання

Укажіть стовпці, які використовуватимуться для навчання моделі. Наприклад, для прогнозув/p>

1. Натисніть значок мінуса в рядку ClientID, щоб вилучити його з моделі.

2. (Необов’язково) У меню Advanced options (Додаткові параметри) можна вибрати інші цілі оптимізації.
   Докладнішу інформацію про цілі оптимізації для моделей AutoML із табличними даними наведено на цій сторінці.

3. Натисніть Continue (Продовжити).

Обчислення й ціни

1. У полі Budget (Бюджет), де вказується час роботи вузла в годинах, введіть 1.
   На початку на/p>

2. Не вимикайте дострокову зупинку.

3. Натисніть Start training (Почати навчання).

Залежно від вибраного методу й обсягу даних навчання може тривати від кількох хвилин до кількох годин. Як правило, після завершення навчання користувач отримує електронний лист від Google Cloud, проте в середовищі Qwiklabs листи не надсилаються.

Щоб не витрачати зайвого часу, завантажте попередньо навчену модель у Завданні 5, щоб отримати прогнози на її основі в Завданні 6. Таку модель можна отримати, виконавши кроки в Завданні 1 і Завданні 2.

Оцініть ефективність моделі (лише для демонстрації)

У Vertex AI є багато показників для аналізу ефективності мо

• Precision/Recall curve (Крива точності/повноти)
• Confusion Matrix (Матриця помилок)
• Feature Importance (Важливість ознак)

Примітка. Навчені моделі можна знайти на вкладці Model Registry (Реєстр моделей) у Vertex AI.

1. Перейдіть на вкладку Model Registry (Реєстр моделей).

2. Натисніть модель, яку ви щойно навчили.

3. Перегляньте вкладку Evaluate (Оцінювання).

Зараз цей крок можна пропустити, оскільки під час цієї практичної роботи використовується попередньо навчена модель.

Розгорніть модель (лише для демонстрації)

Примітка. Ви не розгортатимете модель до кінцевої точки, оскільк/p>

Коли модель навчена, потрібно створити кінцеву точку у Vertex. З ресурсом моделі у Vertex можна зв’язати кілька кінцевих точок, розподіливши між ними трафік.

Створіть і визначте кінцеву точку

1. На сторінці моделі натисніть Deploy & test (Розгорнути й тестувати), а потім – Deploy to Endpoint (Розгорнути в кінцевій точці).

2. У полі Endpoint name (Назва кінцевої точки) введіть значення LoanRisk.

3. Натисніть Continue (Продовжити).

Налаштування й відстеження моделі

1. Не змінюйте налаштування розподілу трафіку.

2. У розділі Machine type (Ти

3. У розділі Explainability Options (Параметри пояснюваності) натисніть Feature attribution (Атрибуція ознак).

4. Натисніть Done (Готово).

5. Натисніть Continue (Продовжити).

6. У розділі Model monitoring (Відстеження моделі) натисніть Continue (Продовжити).

7. У розділі Model objectives > Training data source (Цілі моделі > Джерело даних для навчання) виберіть Vertex AI dataset (Набір даних Vertex AI).

8. Виберіть свій набір даних зі спадного меню.

9. У полі Target column (Цільовий стовпець) введіть значення Default (За умовчанням).

10. Залиште інші налаштування без змін і натисніть Deploy (Розгорнути).

Розгортання кінцевої точки триватиме кілька хвилин. Потім біля назви з’явиться зелений прапорець.

Час отримувати прогнози за допомогою розгорнутої моделі.

У цьому розділі ви працюватимете з наявною навченою моделлю за допомогою сервісу Shared Machine Learning (SML).

Щоб використовувати навчену модель, потрібно створити кілька змінних середовища.

1. Відкрийте вікно Cloud Shell.

1. Замініть елемент INSERT_SML_BEARER_TOKEN на значення маркера носія з попереднього розділу:

CODE...

1. Завантажте об’єкти практичної роботи:

CODE...

1. Розархівуйте об’єкти практичної роботи:

CODE...

1. Створіть змінну середовища ENDPOINT:

CODE...

1. Створіть змінну середовища INPUT_DATA_FILE:

CODE...

Примітка. Коли об’єкти практичної роботи буде розархівован/p>

Vertex AI отримує потрібні дані моделі з файлу INPUT-JSON. Змініть цей файл, щоб згенерувати власні прогнози.

Додаток smlproxy забезпечує зв’язок із серверною частиною.

1. Перевірте сервіс SML, надіславши параметри, указані в змінних середовища.

2. Надішліть запит до сервісу SML

CODE...

Надіславши запит, ви отримаєте такий результат:

1. Перевірте сервіс SML, надіславши параметри, указані в змінних середовища.

2. Відредагуйте файл INPUT-JSON і з/p>

3. Надішліть запит до сервісу SML:

CODE...

У цьому прикладі особа віком 30 років із доходом 50 000 узяла кредит на 20 000. За прогнозами моделі людина виплатить кредит.