Addestra un modello utilizzando Gemini Enterprise Agent Platform e l'SDK Python

Questo tutorial è una guida completa che mostra come utilizzare l'SDK Agent Platform per Python per creare un modello con addestramento personalizzato. Esegui il codice in un file notebook (IPYNB) che utilizza un container Docker per addestrare e creare il modello. Il tutorial è rivolto ai data scientist che non hanno familiarità con Gemini Enterprise Agent Platform e che conoscono i notebook, Python e il flusso di lavoro di machine learning (ML).

La procedura inizia con l'utilizzo della Google Cloud console per creare il progetto che contiene il tuo lavoro. Nel progetto, utilizzi Vertex AI Workbench per creare un notebook Jupyter. L'ambiente notebook è il luogo in cui esegui il codice che scarica e prepara un set di dati, quindi lo utilizzi per creare e addestrare un modello. Al termine del tutorial, il modello addestrato genera previsioni.

L'obiettivo di questo tutorial è illustrare ogni passaggio necessario per creare previsioni in meno di un'ora. Il set di dati utilizzato è relativamente piccolo, quindi l'addestramento del modello non richiede molto tempo. Al termine, puoi applicare ciò che hai imparato a set di dati più grandi. Più grande è il set di dati, più accurate sono le previsioni.

Passaggi del tutorial

  1. Prerequisiti: crea il tuo Google Cloud account e il tuo progetto.

  2. Crea un notebook - crea e prepara un notebook Jupyter e il relativo ambiente. Utilizza il notebook per eseguire il codice che crea il set di dati, crea e addestra il modello e genera le previsioni.

  3. Crea un set di dati: scarica un set di dati BigQuery disponibile pubblicamente, quindi utilizzalo per creare un set di dati tabulare di Gemini Enterprise Agent Platform. Il set di dati contiene i dati che utilizzi per addestrare il modello.

  4. Crea uno script di addestramento: crea uno script Python che passi al job di addestramento. Lo script viene eseguito quando il job di addestramento addestra e crea il modello.

  5. Addestra un modello: utilizza il set di dati tabulare per addestrare ed eseguire il deployment di un modello. Utilizza il modello per creare le previsioni.

  6. Esegui previsioni: utilizza il modello per creare previsioni. Questa sezione ti guida anche nella procedura di eliminazione delle risorse create durante l'esecuzione di questo tutorial, in modo da non incorrere in addebiti non necessari.

Obiettivi

Questo tutorial ti illustra come utilizzare l'SDK Agent Platform per Python per eseguire le seguenti operazioni:

  • Crea un bucket Cloud Storage per archiviare un set di dati
  • Preelabora i dati per l'addestramento
  • Utilizza i dati elaborati per creare un set di dati in BigQuery
  • Utilizza il set di dati BigQuery per creare un set di dati tabulare di Gemini Enterprise Agent Platform
  • Crea e addestra un modello con addestramento personalizzato
  • Esegui il deployment del modello con addestramento personalizzato su un endpoint
  • Genera una previsione
  • Annulla il deployment del modello
  • Elimina tutte le risorse create nel tutorial per non incorrere in ulteriori addebiti

Risorse fatturabili utilizzate

Questo tutorial utilizza risorse fatturabili associate ai servizi Gemini Enterprise Agent Platform, BigQuery e Cloud Storage Google Cloud . Se non hai familiarità con questi servizi, potresti essere in grado di utilizzarne uno o più senza costi. Google CloudGemini Enterprise Agent Platform offre 300 $di crediti senza costi ai nuovi clienti, mentre Cloud Storage e BigQuery hanno livelli senza costi. Per ulteriori informazioni, consulta le seguenti risorse:

Per evitare ulteriori addebiti, l'ultimo passaggio di questo tutorial ti illustra come rimuovere tutte le risorse fatturabili che hai creato. Google Cloud

Avanti
Prerequisiti