Questo tutorial è una guida completa che mostra come utilizzare l'SDK Agent Platform Python per creare un modello addestrato in modo 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 la piattaforma Gemini Enterprise Agent e conoscono i blocchi note, Python e il flusso di lavoro di machine learning (ML).
Il processo inizia utilizzando la Google Cloud console per creare il progetto che contiene il tuo lavoro. Nel tuo 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 utilizza per creare e addestrare un modello. Al termine del tutorial, il modello addestrato genera previsioni.
Lo scopo di questo tutorial è mostrarti 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
Prerequisiti: crea il tuo account Google Cloud e il tuo progetto.
Crea un blocco note - Crea e prepara un blocco note Jupyter e il relativo ambiente. Utilizzi il notebook per eseguire il codice che crea il set di dati, crea e addestra il modello e genera le previsioni.
Crea un set di dati: scarica un set di dati BigQuery disponibile pubblicamente, quindi utilizzalo per creare un set di dati tabellare della piattaforma di agenti Gemini Enterprise. Il set di dati contiene i dati che utilizzi per addestrare il modello.
Crea uno script di addestramento: crea uno script Python da passare al job di addestramento. Lo script viene eseguito quando il job di addestramento addestra e crea il modello.
Addestra un modello: utilizza il tuo set di dati tabellare per addestrare ed eseguire il deployment di un modello. Utilizzi il modello per creare le previsioni.
Fare previsioni: utilizza il modello per creare previsioni. Questa sezione ti guida anche nell'eliminazione delle risorse che crei durante l'esecuzione di questo tutorial, in modo da non incorrere in addebiti superflui.
Che cosa ottieni
Questo tutorial ti guida nell'utilizzo dell'SDK Agent Platform Python per eseguire le seguenti operazioni:
- Creare un bucket Cloud Storage per archiviare un set di dati
- Preelaborare 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 della piattaforma di agenti Gemini Enterprise
- Crea e addestra un modello con addestramento personalizzato
- Esegui il deployment del modello con addestramento personalizzato su un endpoint
- Generare 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 mai utilizzato Google Cloud, potresti essere in grado di utilizzare uno o più di questi servizi senza costi. La piattaforma di agenti Gemini Enterprise 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:
- Prezzi della piattaforma agentica Gemini Enterprise e Funzionalità senza costi di Cloud e offerta di prova
- Prezzi di BigQuery e utilizzo del livello senza costi di BigQuery
- Prezzi di Cloud Storage e utilizzo del livello senza costi di Cloud Storage
- Google Cloud Calcolatore prezzi
Per evitare ulteriori addebiti, l'ultimo passaggio di questo tutorial ti guida alla rimozione di tutte le risorse Google Cloud fatturabili che hai creato.