GSP917

概要

このラボでは、BigQuery を使用してデータ処理や探索的データ分析を行い、Vertex AI プラットフォームを使用してカスタム TensorFlow Regressor モデルのトレーニングとデプロイを行うことによって、顧客のライフタイム バリュー（CLV）を予測します。このラボの目標は、価値の高い実際のユースケースである予測 CLV を通して Vertex AI の概要を知ることです。最初は一般的な BigQuery と TensorFlow のローカル ワークフローから始めて、Vertex AI によるクラウドでのモデルのトレーニングとデプロイへと進みます。

Vertex AI は、Google Cloud が提供する ML 開発のための次世代統合プラットフォームであり、2021 年 5 月に Google I/O で発表された AI Platform の後継となるものです。Vertex AI 上で ML ソリューションを開発することで、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。

ラボの内容

• ホストされた Vertex ノートブックで TensorFlow モデルをローカルでトレーニングする。
• テスト追跡用に表形式のマネージド データセットのアーティファクトを作成する。
• トレーニング コードを Cloud Build でコンテナ化し、Google Cloud Artifact Registry にプッシュする。
• カスタムモデル コンテナで Vertex AI カスタム トレーニング ジョブを実行する。
• Vertex TensorBoard を使用してモデルのパフォーマンスを可視化する。
• 予測を行う Vertex オンライン予測エンドポイントに、トレーニング済みのモデルをデプロイする。
• オンライン予測と説明をリクエストし、レスポンスを確認する。

設定と要件

[ラボを開始] ボタンをクリックする前に

こちらの手順をお読みください。ラボの時間は記録されており、一時停止することはできません。[ラボを開始] をクリックするとスタートするタイマーは、Google Cloud のリソースを利用できる時間を示しています。

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ご自身でラボのアクティビティを行うことができます。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することを防ぎます。

• ラボを完了するために十分な時間を確保してください。ラボをいったん開始すると一時停止することはできません。

注: すでに個人の Google Cloud アカウントやプロジェクトをお持ちの場合でも、このラボでは使用しないでください。アカウントへの追加料金が発生する可能性があります。

ラボを開始して Google Cloud コンソールにログインする方法

1. [ラボを開始] ボタンをクリックします。ラボの料金をお支払いいただく必要がある場合は、表示されるポップアップでお支払い方法を選択してください。 左側の [ラボの詳細] パネルには、以下が表示されます。

   • [Google コンソールを開く] ボタン
   • 残り時間
   • このラボで使用する必要がある一時的な認証情報
   • このラボを行うために必要なその他の情報（ある場合）

2. [Google コンソールを開く] をクリックします。 ラボでリソースが起動し、別のタブで [ログイン] ページが表示されます。

   ヒント: タブをそれぞれ別のウィンドウで開き、並べて表示しておきましょう。

   注: [アカウントの選択] ダイアログが表示されたら、[別のアカウントを使用] をクリックします。

3. 必要に応じて、[ラボの詳細] パネルから [ユーザー名] をコピーして [ログイン] ダイアログに貼り付けます。[次へ] をクリックします。

4. [ラボの詳細] パネルから [パスワード] をコピーして [ようこそ] ダイアログに貼り付けます。[次へ] をクリックします。

   重要: 認証情報は左側のパネルに表示されたものを使用してください。Google Cloud Skills Boost の認証情報は使用しないでください。 注: このラボでご自身の Google Cloud アカウントを使用すると、追加料金が発生する場合があります。

5. その後次のように進みます。

   • 利用規約に同意してください。
   • 一時的なアカウントなので、復元オプションや 2 要素認証プロセスは設定しないでください。
   • 無料トライアルには登録しないでください。

その後このタブで Cloud Console が開きます。

注: 左上にある [ナビゲーション メニュー] をクリックすると、Google Cloud のプロダクトやサービスのリストが含まれるメニューが表示されます。

Cloud Shell をアクティブにする

Cloud Shell は、開発ツールと一緒に読み込まれる仮想マシンです。5 GB の永続ホーム ディレクトリが用意されており、Google Cloud で稼働します。Cloud Shell を使用すると、コマンドラインで Google Cloud リソースにアクセスできます。

1. Google Cloud コンソールの上部にある「Cloud Shell をアクティブにする」アイコン をクリックします。

接続した時点で認証が完了しており、プロジェクトに各自の PROJECT_ID が設定されます。出力には、このセッションの PROJECT_ID を宣言する次の行が含まれています。

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud は Google Cloud のコマンドライン ツールです。このツールは、Cloud Shell にプリインストールされており、タブ補完がサポートされています。

2. （省略可）次のコマンドを使用すると、有効なアカウント名を一覧表示できます。

gcloud auth list

3. [承認] をクリックします。

4. 出力は次のようになります。

出力:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （省略可）次のコマンドを使用すると、プロジェクト ID を一覧表示できます。

gcloud config list project

出力:

[core] project = <project_ID>

出力例:

[core] project = qwiklabs-gcp-44776a13dea667a6 注: Google Cloud における gcloud ドキュメントの全文については、gcloud CLI の概要ガイドをご覧ください。

タスク 1. Google Cloud のサービスを有効にする

• Cloud Shell で gcloud を使用し、ラボで使用するサービスを有効にします。

gcloud services enable \ compute.googleapis.com \ iam.googleapis.com \ iamcredentials.googleapis.com \ monitoring.googleapis.com \ logging.googleapis.com \ notebooks.googleapis.com \ aiplatform.googleapis.com \ bigquery.googleapis.com \ artifactregistry.googleapis.com \ cloudbuild.googleapis.com \ container.googleapis.com

タスク 2. Vertex TensorBoard との連携用に Vertex AI カスタム サービス アカウントを作成する

1. カスタム サービス アカウントを作成します。

SERVICE_ACCOUNT_ID=vertex-custom-training-sa gcloud iam service-accounts create $SERVICE_ACCOUNT_ID \ --description="A custom service account for Vertex custom training with Tensorboard" \ --display-name="Vertex AI Custom Training"

2. TensorBoard ログの書き込みと取得のために Cloud Storage へのアクセス権を付与します。

PROJECT_ID=$(gcloud config get-value core/project) gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/storage.admin"

3. TensorFlow モデルにデータを読み込むために BigQuery データソースへのアクセス権を付与します。

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/bigquery.admin"

4. モデルのトレーニング、デプロイ、説明ジョブを実行するために Vertex AI へのアクセス権を付与します。

gcloud projects add-iam-policy-binding $PROJECT_ID \ --member=serviceAccount:$SERVICE_ACCOUNT_ID@$PROJECT_ID.iam.gserviceaccount.com \ --role="roles/aiplatform.user"

タスク 3. Vertex AI Workbench ノートブックを起動する

注: このラボを完了するには、TensorFlow Enterprise 2.13 を使用してください。

Vertex AI Workbench ノートブックを作成して起動するには:

1. ナビゲーション メニュー で、[Vertex AI] > [ワークベンチ] をクリックします。

2. [ワークベンチ] ページで、[Notebooks API を有効にする] をクリックします（まだ有効になっていない場合）。

3. [ユーザー管理のノートブック] タブをクリックしてから、[新規作成] をクリックします。

4. ノートブックに名前を付けます。

5. [リージョン] を 、[ゾーン] を に設定します。

6. [新しいインスタンス] メニューの [環境] で、最新バージョンの [TensorFlow Enterprise 2.x] を選択します。

7. [詳細オプション] をクリックして、インスタンスのプロパティを編集します。

8. [マシンタイプ] をクリックし、マシンタイプとして [e2-standard-2] を選択します。

9. 残りのフィールドはデフォルトのままにし、[作成] をクリックします。

数分後、[ワークベンチ] ページにインスタンス名が表示され、それに続いて [JupyterLab を開く] が表示されます。

10. [JupyterLab を開く] をクリックして、新しいタブで JupyterLab を開きます。ビルドに beatrix jupyterlab を含める必要があるというメッセージが表示された場合は、無視してください。

[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。 Vertex AI ノートブックの作成

タスク 4. ラボのリポジトリのクローンを作成する

次に、training-data-analyst リポジトリのクローンを JupyterLab インスタンス内に作成します。

training-data-analyst リポジトリのクローンを JupyterLab インスタンス内に作成するには、次の手順を踏みます。

1. JupyterLab で、[Terminal] アイコンをクリックして新しいターミナルを開きます。

2. コマンドライン プロンプトで、次のコマンドを入力して Enter キーを押します。

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

3. リポジトリのクローンが作成されたことを確認するには、左側のパネルの training-data-analyst フォルダをダブルクリックして、リポジトリのコンテンツを確かめます。

リポジトリのクローンが作成されるまでに数分かかります。

[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。 ラボのリポジトリのクローン作成

タスク 5. ラボの依存関係をインストールする

• 次のコマンドを実行して training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart フォルダに移動した後、pip3 install requirements.txt を実行してラボの依存関係をインストールします。

cd training-data-analyst/self-paced-labs/vertex-ai/vertex-ai-qwikstart pip3 install --user -r requirements.txt

ラボのノートブックに移動する

1. ノートブックで training-data-analyst > self-paced-labs > vertex-ai > vertex-ai-qwikstart に移動し、lab_exercise.ipynb を開きます。

2. ノートブックでラボを続け、画面上部の実行アイコンをクリックして各セルを実行します。

または、Shift+Enter キーを押してセルでコードを実行します。

説明を読んで、各セルの実行内容を十分に理解してください。

お疲れさまでした

このラボでは、ML のテスト ワークフローとして、Google Cloud BigQuery を使用してデータの格納と分析を行い、Vertex AI の ML サービスを使用して TensorFlow モデルのトレーニングとデプロイを行って、顧客のライフタイム バリューを予測しました。ローカルでの TensorFlow モデルのトレーニングから始めて、Vertex AI によるクラウドでのトレーニングに進み、Vertex TensorBoard や予測の特徴アトリビューションなど、いくつかの新しい統合プラットフォーム機能を活用しました。

クエストを完了する

このセルフペース ラボは、「Baseline: Data, ML, AI 」、「Advanced ML: ML Infrastructure」クエストの一部です。

このセルフペース ラボは、「Build and Deploy Machine Learning Solutions on Vertex AI」スキルバッジ クエストの一部です。完了すると成果が認められて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。

他の 20 科目以上の登録可能なスキルバッジ クエスト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: 2023 年 11 月 1 日

ラボの最終テスト日: 2023 年 11 月 1 日

Copyright 2024 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。