יצירת תחזיות מכירות מנתוני מסחר אלקטרוני

בדף הזה מפורטות הנחיות לקבלת תחזיות מ-Vertex AI, על סמך נתונים קמעונאיים שיוצאו ל-BigQuery. אנחנו מספקים כמה בלוקים של קוד SQL כדי לעזור לכם להמיר נתוני מוצרים קמעונאיים ונתוני אירועים של משתמשים לפורמט ש-Vertex AI יכול להשתמש בו. אחרי בלוקי הקוד האלה מופיעים הליכים למסוף Vertex AI ליצירת מערך נתונים, לאימון מודל וליצירת תחזית.

לפני שמתחילים

כדי ליצור תחזיות מכירות באמצעות נתוני הקמעונאות, צריך:

• העלאת נתוני הקמעונאות באמצעות AI Commerce Search. למידע נוסף:

  • ייבוא מידע על קטלוג
  • הקלטת אירועים של משתמשים בזמן אמת
  • ייבוא אירועים היסטוריים של משתמשים

• ייצוא נתוני הקמעונאות מ-AI Commerce Search אל BigQuery. בסופו של דבר, יהיו לכם טבלת מוצרים וטבלת אירועים של משתמשים ב-BigQuery, שתוכלו להשתמש בהן בהמשך התהליך. למידע נוסף, אפשר לעיין במאמר ייצוא הנתונים ל-BigQuery.

  לחלופין, אם נתוני המוצרים ונתוני אירועי המשתמשים שלכם כבר נמצאים ב-BigQuery בפורמט של AI Commerce Search, אתם יכולים להשתמש בנתונים האלה כדי ליצור תחזיות מכירות מנתונים קמעונאיים. במקרה כזה, לא צריך להעלות את נתוני הקמעונאות ולייצא אותם ל-BigQuery. מידע נוסף על הפורמט זמין במאמרים סכימת מוצרים ומידע על אירועי משתמש.

• מוודאים שקיבלתם את תפקיד roles/aiplatform.user IAM, כדי שתוכלו לבצע את הפעולות באמצעות מסוף Vertex AI.

יצירת טבלת מכירות מצטברת

קוד ה-SQL בקטע הזה משנה את טבלת אירועי המשתמש לטבלת מכירות מצטברת. כלומר, לכל מוצר בטבלת אירועי המשתמשים שנמכר לפחות פעם אחת, כמות המכירות של המוצר מסוכמת על פני תקופה של שבוע. בנוסף, קוד ה-SQL מבצע את הפעולות הבאות:

• לכל מוצר בטבלת אירועי המשתמשים, אם חסרות חותמות זמן בין המכירה הראשונה של המוצר בטבלה לבין המכירה האחרונה של מוצר כלשהו בטבלה, כל אחת מחותמות הזמן החסרות מתמלאת מחדש בשורה חדשה עם אפס מכירות. המטרה היא למנוע פערים בהיסטוריית המכירות.

• אם אין בטבלת אירועי המשתמש לפחות מוצר אחד עם לפחות 20 חותמות זמן, המערכת בוחרת באופן אקראי מוצר מהטבלה וממלאת אותו מחדש בשורות מספיקות (כל אחת עם אפס מכירות) כדי להגיע ל-20 חותמות זמן. הסיבה לכך היא הדרישה של Vertex AI לכלול לפחות 20 חותמות זמן באימון של מודל.

כדי ליצור טבלת מכירות מצטברת:

1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

   • starting_day_of_week. היום שבו השבוע מתחיל. ערכים תקינים: MONDAY, TUESDAY, WEDNESDAY, THURSDAY, FRIDAY, SATURDAY, SUNDAY.

   • rdm_user_event_table. מזהי הפרויקט, מערך הנתונים והטבלה של טבלת אירועי המשתמש שייצאתם ל-BigQuery. הפורמט הוא project_id.dataset_id.table_id.

   • rdm_product_table. מזהי הפרויקט, מערך הנתונים והטבלה של טבלת המוצרים שייצאתם ל-BigQuery. הפורמט הוא project_id.dataset_id.table_id.

   • aggregated_sales_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המכירות החדשה המצטברת. משתמשים באותו מזהה פרויקט כמו בטבלאות של המוצר ושל אירועי המשתמש. משתמשים במזהה של מערך נתונים קיים. מציינים מזהה לטבלה, אבל לא משתמשים במזהה של טבלה קיימת, אלא אם רוצים להחליף אותה. הפורמט הוא project_id.dataset_id.table_id.

   דוגמת קוד SQL

     DECLARE max_date DATE;
   
     SET max_date = (SELECT LAST_DAY(DATETIME(max(event_time)),
     WEEK(STARTING_DAY_OF_WEEK)) FROM `RDM_USER_EVENT_TABLE`);
   
     CREATE OR REPLACE TABLE `AGGREGATED_SALES_TABLE` AS
     WITH flatten_sku AS
     (
       SELECT * EXCEPT(quantity, product), COALESCE(quantity, 1) as quantity,
       product.id as sku FROM
       (
         SELECT * EXCEPT(product_details),
         FROM `RDM_USER_EVENT_TABLE`,
         UNNEST(product_details) AS product_detail
       )
       WHERE product IS NOT NULL
     ),
   
     aggregate_by_type as
     (
         SELECT event_type, sum(quantity) as quantity, sku,
         LAST_DAY(DATETIME(event_time), WEEK(STARTING_DAY_OF_WEEK)) as
         last_day_of_week
         from flatten_sku group by event_type, sku, last_day_of_week
     ),
   
     sales_table as
     (
         SELECT quantity, sku, last_day_of_week FROM aggregate_by_type where
         event_type = 'purchase-complete'
     ),
   
     sales_table_with_known_products as
     (
         SELECT * EXCEPT (product_table_sku) FROM
         (
             SELECT s.*, p.id as product_table_sku FROM sales_table as s LEFT JOIN
             `RDM_PRODUCT_TABLE` as p
             ON s.sku = p.id
         )
         WHERE product_table_sku is NOT NULL
     ),
   
     fill_gap as
     (
         SELECT sku, sale_date as last_day_of_week, 0 as quantity
         FROM
         (
             SELECT sku, GENERATE_DATE_ARRAY(min_date, max_date, INTERVAL 7 DAY)
             date_range FROM
             (
                 SELECT sku , MIN(last_day_of_week) as min_date FROM
                 sales_table_with_known_products GROUP BY sku
             )
         ),
         UNNEST(date_range) sale_date
     ),
   
     sales_table_backfill as
     (
         SELECT fill_gap.sku, fill_gap.last_day_of_week, coalesce(original.quantity,
         fill_gap.quantity) as quantity
         FROM
         fill_gap LEFT JOIN sales_table_with_known_products original
         ON fill_gap.sku = original.sku and fill_gap.last_day_of_week =
         original.last_day_of_week
     ),
   
     one_sku_extend_history as
     (
         SELECT sku, GENERATE_DATE_ARRAY(IF(min_date < DATE_SUB(max_date, INTERVAL
         140 DAY), min_date, DATE_SUB(max_date, INTERVAL 140 DAY)), max_date,
         INTERVAL 7 DAY) date_range FROM
         (
             SELECT sku , MIN(last_day_of_week) as min_date FROM sales_table_backfill
             GROUP BY sku LIMIT 1
         )
     ),
   
     one_sku_extend_history2 as
     (
         SELECT backfill.sku, backfill.sale_date as last_day_of_week,
         coalesce(original.quantity, backfill.sale_quantity) as quantity
         FROM
         (
             SELECT sku, sale_date, 0 as sale_quantity
             FROM one_sku_extend_history,
                 UNNEST(date_range) sale_date
         ) backfill
         LEFT JOIN sales_table_backfill original
         ON backfill.sku = original.sku and backfill.sale_date =
         original.last_day_of_week
     ),
   
     sales_table_extend_history as
     (
         SELECT quantity, sku, last_day_of_week
         FROM sales_table_backfill
         WHERE sku not in
         (select sku from one_sku_extend_history)
         UNION ALL
         SELECT quantity, sku, last_day_of_week
         FROM
         one_sku_extend_history2
     ),
   
     other_event_table as
     (
         SELECT sku, last_day_of_week,
         SUM(category_page_view_quantity) as category_page_view_quantity,
         SUM(search_quantity) as search_quantity,
         SUM(detail_page_view_quantity) as detail_page_view_quantity,
         SUM(add_to_cart_quantity) as add_to_cart_quantity
         FROM
         (
             SELECT sku, last_day_of_week,
             CASE
                 WHEN event_type = 'category-page-view' THEN quantity
             END as category_page_view_quantity,
             CASE
                 WHEN event_type = 'search' THEN quantity
             END as search_quantity,
             CASE
                 WHEN event_type = 'detail-page-view' THEN quantity
             END as detail_page_view_quantity,
             CASE
                 WHEN event_type = 'add-to-cart' THEN quantity
             END as add_to_cart_quantity,
             FROM aggregate_by_type WHERE event_type != 'purchase-complete'
         ) GROUP BY sku, last_day_of_week
     )
   
     SELECT t1.*, t2.category_page_view_quantity, t2.search_quantity,
     t2.detail_page_view_quantity, t2.add_to_cart_quantity
     FROM sales_table_extend_history as t1 left join other_event_table as t2
     ON t1.sku = t2.sku AND t1.last_day_of_week = t2.last_day_of_week
     

2. מעתיקים את דוגמת קוד ה-SQL.

3. פותחים את הדף BigQuery במסוף Google Cloud .

   לדף BigQuery

4. אם הפרויקט לא נבחר, בוחרים את הפרויקט שמכיל את טבלאות המוצרים ואירועי המשתמשים.

5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

טבלת נתוני המכירות המצטברים החדשה נכתבת למיקום ב-BigQuery שהגדרתם באמצעות המשתנה aggregated_sales_table.

עיבוד טבלת המוצרים

קוד ה-SQL בקטע הזה פועל על טבלת המוצרים שייצאתם ל-BigQuery, מסיר את השדות החוזרים ואת שדות המבנה, ומבטל את הקינון של השדה price_info לשדות הצאצא שלו. הדרישה הזו נחוצה כי Vertex AI לא מקבל רשימות או מבנים מוטמעים. התוצאה היא טבלת המוצרים המעובדת.

כדי לעבד את טבלת המוצרים:

1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

   • rdm_product_table. מזהי הפרויקט, מערך הנתונים והטבלה של טבלת המוצרים שייצאתם ל-BigQuery. הפורמט הוא project_id.dataset_id.table_id.

   • ‫processed_product_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המוצרים החדשה שעברה עיבוד. משתמשים באותו מזהה פרויקט כמו בטבלאות של המוצר ושל אירועי המשתמש. משתמשים במזהה של מערך נתונים קיים. מציינים מזהה טבלה, אבל לא משתמשים במזהה של טבלה קיימת, אלא אם רוצים להחליף אותה. הפורמט הוא project_id.dataset_id.table_id.

   CREATE OR REPLACE TABLE `PROCESSED_PRODUCT_TABLE` AS
   SELECT * EXCEPT (id, attributes, price_info, rating, expire_time,
   available_time, fulfillment_info, images, audience, color_info, promotions,
   publish_time, retrievable_fields, categories, brands, conditions, sizes,
   collection_member_ids, tags, materials, patterns),
   id as sku,
   price_info.price as price_info_price,
   price_info.currency_code as price_info_currency_code,
   price_info.cost as price_info_cost,
   FROM `RDM_PRODUCT_TABLE`

2. מעתיקים את דוגמת קוד ה-SQL.

3. פותחים את הדף BigQuery במסוף Google Cloud .

   לדף BigQuery

4. אם הפרויקט לא נבחר, בוחרים את הפרויקט שמכיל את טבלאות המוצרים ואירועי המשתמשים.

5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

טבלת המוצרים החדשה שעברה עיבוד נכתבת למיקום ב-BigQuery שהגדרתם באמצעות המשתנה processed_product_table.

יצירת טבלת תחזיות של אירועים

קוד ה-SQL בקטע הזה מחלץ כל מק"ט שנמכר לפחות פעם אחת בטבלת אירועי המשתמשים. הקוד יוצר טבלת חיזוי אירועים שמכילה את כל המק"טים שחולצו מכל חותמות הזמן העתידיות. חותמות הזמן העתידיות הן מערך של חותמות זמן רציפות שבועיות, שמתחילות מהשבוע האחרון בטבלת אירועי המשתמשים + שבוע אחד, ומסתיימות בשבוע האחרון בטבלת אירועי המשתמשים + future_length שבועות. מגדירים את הערך של future_length למספר השבועות קדימה שרוצים שהמודל יחזה. כל שורה בטבלת חיזוי האירועים יכולה להיות מזוהה באופן ייחודי על ידי מק"ט וחותמת זמן.

כדי ליצור טבלת תחזית של אירועים:

1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

   • starting_day_of_week. היום שבו השבוע מתחיל. ערכים תקינים: MONDAY, TUESDAY, WEDNESDAY, THURSDAY, FRIDAY, SATURDAY, SUNDAY.

   • rdm_user_event_table. מזהי הפרויקט, מערך הנתונים והטבלה של טבלת אירועי המשתמש שייצאתם ל-BigQuery. הפורמט הוא project_id.dataset_id.table_id.

   • ‫events_prediction_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת התחזיות החדשה לגבי אירועים. משתמשים באותו מזהה פרויקט כמו בטבלאות של המוצר ושל אירועי המשתמש. משתמשים במזהה של מערך נתונים קיים. מציינים מזהה לטבלה, אבל לא משתמשים במזהה של טבלה קיימת, אלא אם רוצים להחליף אותה. הפורמט הוא project_id.dataset_id.table_id.

   • rdm_product_table. מזהי הפרויקט, מערך הנתונים והטבלה של טבלת המוצרים שייצאתם ל-BigQuery. הפורמט הוא project_id.dataset_id.table_id.

   • future_length. מספר השבועות בעתיד, אחרי השבוע האחרון בטבלת אירועי המשתמש, שהמודל יחזה.

   דוגמת קוד SQL

     DECLARE max_date DATE;
   
     SET max_date = (SELECT LAST_DAY(DATETIME(max(event_time)),
     WEEK(STARTING_DAY_OF_WEEK)) FROM `RDM_USER_EVENT_TABLE`);
   
     CREATE OR REPLACE TABLE `EVENTS_PREDICTION_TABLE` AS
     WITH purchase_events as
     (
     SELECT * EXCEPT (product_details, product),
     order_item.product.id as sku
     FROM `RDM_USER_EVENT_TABLE`,
     UNNEST(product_details) as order_item
     WHERE event_type = 'purchase-complete'
     ),
   
     known_products_in_purchase_events as
     (
         SELECT sku FROM
         (
             SELECT s.sku, p.id as product_table_sku
             FROM (SELECT DISTINCT(sku) FROM purchase_events) as s
             LEFT JOIN `RDM_PRODUCT_TABLE` as p
             ON s.sku = p.id
         )
         WHERE product_table_sku is NOT NULL
     ),
   
     sales_table_future as
     (
         SELECT sku, future_date as last_day_of_week, NULL as quantity FROM
         (
             SELECT sku, GENERATE_DATE_ARRAY(DATE_ADD(max_date, INTERVAL 1 WEEK),
             DATE_ADD(max_date, INTERVAL FUTURE_LENGTH WEEK), INTERVAL 1
             WEEK)
             date_range
             FROM known_products_in_purchase_events
         ), UNNEST(date_range) future_date
     )
     SELECT * FROM sales_table_future
     

2. מעתיקים את דוגמת קוד ה-SQL.

3. פותחים את הדף BigQuery במסוף Google Cloud .

   לדף BigQuery

4. אם הפרויקט לא נבחר, בוחרים את הפרויקט שמכיל את טבלאות המוצרים ואירועי המשתמשים.

5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

טבלת התחזיות החדשה של האירועים נכתבת למיקום ב-BigQuery שהגדרתם באמצעות המשתנה events_prediction_table.

יצירת טבלת אימון ב-Vertex AI

קוד ה-SQL בקטע הזה מצטרף לטבלת המכירות המצטברת עם טבלת המוצרים המעובדת. התוצאה היא טבלת אימון של Vertex AI, ש-Vertex AI משתמשת בה לאימון המודל.

כדי ליצור טבלת אימון ב-Vertex AI:

1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

   • vertex_ai_training_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת האימון החדשה ב-Vertex AI. משתמשים באותו מזהה פרויקט כמו בטבלאות של המוצר ושל אירועי המשתמש. משתמשים במזהה של מערך נתונים קיים. מציינים מזהה טבלה, אבל לא משתמשים במזהה של טבלה קיימת, אלא אם רוצים להחליף אותה. הפורמט הוא project_id.dataset_id.table_id.

   • aggregated_sales_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המכירות המצטברות שיצרתם בקטע יצירת טבלת מכירות מצטברות.

   • ‫processed_product_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המוצרים המעובדת שיצרתם בשלב עיבוד טבלת המוצרים.

   CREATE OR REPLACE TABLE `VERTEX_AI_TRAINING_TABLE` AS
   SELECT t1.*, t2.* EXCEPT(sku) FROM `AGGREGATED_SALES_TABLE` AS t1
   LEFT
   JOIN `PROCESSED_PRODUCT_TABLE` AS t2 ON t1.sku = t2.sku

2. מעתיקים את דוגמת קוד ה-SQL.

3. פותחים את הדף BigQuery במסוף Google Cloud .

   לדף BigQuery

4. אם הפרויקט לא נבחר, בוחרים את הפרויקט שמכיל את טבלאות המוצרים ואירועי המשתמשים.

5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

טבלת האימון החדשה של Vertex AI נכתבת למיקום ב-BigQuery שהגדרתם באמצעות המשתנה vertex_ai_training_table.

יצירת טבלת חיזוי של Vertex AI

קוד ה-SQL בקטע הזה מוסיף את טבלת התחזיות של האירועים לטבלת המכירות המצטברות, ואז מצטרף לטבלת המוצרים שעברה עיבוד. התוצאה היא טבלת החיזוי של Vertex AI, שמשמשת ליצירת תחזית.

כדי ליצור טבלת חיזוי ב-Vertex AI:

1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

   • vertex_ai_prediction_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת החיזוי החדשה ב-Vertex AI. משתמשים באותו מזהה פרויקט ומזהה קבוצת נתונים שבהם השתמשתם עבור טבלאות המוצרים ואירועי המשתמשים. אל תשתמשו במזהה של טבלה קיימת, אלא אם אתם רוצים להחליף אותה. הפורמט הוא project_id.dataset_id.table_id.

   • aggregated_sales_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המכירות המצטברת שיצרתם במאמר יצירת טבלת מכירות מצטברת.

   • ‫processed_product_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת המוצרים המעובדת שיצרתם בשלב עיבוד טבלת המוצרים.

   • ‫events_prediction_table. מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery של טבלת חיזוי האירועים שיצרתם במאמר יצירת טבלת חיזוי אירועים.

   CREATE OR REPLACE TABLE `VERTEX_AI_PREDICTION_TABLE` AS
   WITH append_predict_to_history AS (
     SELECT add_to_cart_quantity, category_page_view_quantity,
     detail_page_view_quantity, last_day_of_week, quantity, search_quantity, sku
     FROM `AGGREGATED_SALES_TABLE` UNION ALL SELECT NULL AS
     add_to_cart_quantity, NULL AS category_page_view_quantity, NULL AS
     detail_page_view_quantity, last_day_of_week, NULL AS quantity, NULL AS
     search_quantity, sku FROM `EVENTS_PREDICTION_TABLE`
   )
   SELECT t1.*, t2.* EXCEPT(sku) FROM append_predict_to_history AS t1 LEFT JOIN
   `PROCESSED_PRODUCT_TABLE` AS t2 ON t1.sku = t2.sku

2. מעתיקים את דוגמת קוד ה-SQL.

3. פותחים את הדף BigQuery במסוף Google Cloud .

   לדף BigQuery

4. אם הפרויקט לא נבחר, בוחרים את הפרויקט שמכיל את טבלאות המוצרים ואירועי המשתמשים.

5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

טבלת החיזוי החדשה של Vertex AI נכתבת למיקום ב-BigQuery שהגדרתם באמצעות המשתנה vertex_ai_prediction_table.

יצירת מערך נתונים ב-Vertex AI

בקטע הזה נראה איך ליצור מערך נתונים ב-Vertex AI שאפשר להשתמש בו כדי לאמן מודל לחיזוי. מידע נוסף זמין במאמר בנושא יצירת מערך נתונים לאימון מודלים של תחזיות בתיעוד של Vertex AI.

כדי ליצור מערך נתונים ב-Vertex AI:

1. במסוף Google Cloud , בקטע Vertex AI, עוברים לדף Dataset.

   כניסה לדף Datasets

2. לוחצים על Create כדי לפתוח את הדף Create dataset.

3. בשדה שם מערך הנתונים, מזינים שם למערך הנתונים החדש.

4. בוחרים בכרטיסייה טבלה.

5. בוחרים את היעד תחזיות.

6. ברשימה Region, בוחרים את האזור שבו השתמשתם כשייצאתם את נתוני הקמעונאות ל-BigQuery. אם בחרתם באפשרות us כשנוצר מערך הנתונים ב-BigQuery, תוכלו לבחור כל אזור בארצות הברית. באופן דומה, אם בחרתם באפשרות eu כשנוצר מערך הנתונים של BigQuery, אתם יכולים לבחור כל אזור באיחוד האירופי. מידע נוסף זמין במאמר ייצוא הנתונים ל-BigQuery.

7. לוחצים על יצירה כדי ליצור את מערך הנתונים הריק, ועוברים לכרטיסייה מקור.

8. בוחרים באפשרות בחירת טבלה או תצוגה מ-BigQuery.

9. בקטע Select a table or view from BigQuery (בחירת טבלה או תצוגה מ-BigQuery), מזינים את מזהי הפרויקט, מערך הנתונים והטבלה של טבלת האימון של Vertex AI שיצרתם בשלב יצירת טבלת אימון של Vertex AI. הפורמט הוא project_id.dataset_id.table_id.

10. לוחצים על Continue.

    מקור הנתונים משויך למערך הנתונים.

11. בכרטיסייה Analyze (ניתוח), בוחרים באפשרות sku (מק"ט) ברשימה Series identifier column (עמודה של מזהה סדרות) ובאפשרות last_day_of_week (היום האחרון בשבוע) ברשימה Timestamp column (עמודת חותמת הזמן).

12. לוחצים על Train new model (אימון מודל חדש) כדי לעבור לדף Train new model (אימון מודל חדש). הוראות לאימון המודל מופיעות במאמר אימון מודל תחזית.

אימון מודל חיזוי

בקטע הזה נראה איך לאמן מודל לחיזוי באמצעות מערך הנתונים שיצרתם במאמר יצירת מערך נתונים ב-Vertex AI. מידע נוסף זמין במאמר בנושא אימון מודל לחיזוי במסמכי Vertex AI.

לפני שמתחילים

לפני שמאמנים מודל חיזוי, צריך ליצור מערך נתונים של Vertex AI.

אימון מודל

1. בדף שיטת אימון, בוחרים את שיטת אימון המודל. מידע על שיטות אימון מופיע במאמר אימון מודל במאמרי העזרה של Vertex AI.

   לוחצים על Continue.

2. בדף פרטי המודל, מגדירים את ההגדרות הבאות:

   1. בוחרים באפשרות Train new model (אימון מודל חדש) אם היא לא מסומנת.

   2. מזינים שם למודל החדש.

   3. ברשימה Target column (עמודת היעד), בוחרים באפשרות quantity (INTEGER) (כמות (מספר שלם)).

   4. בוחרים באפשרות שבועי מהרשימה רמת הפירוט של הנתונים.

   5. מזינים את חלון ההקשר ואת האופק של התחזית.

      טווח התחזית קובע עד כמה רחוק בעתיד המודל חוזה את ערך היעד לכל שורה של נתוני תחזית. התחזית מצוינת ביחידות של רמת הפירוט של הנתונים.

      חלון ההקשר מגדיר את טווח הזמן לפני ההמרה שבו המודל בודק נתונים במהלך האימון (וגם לצורך תחזיות). במילים אחרות, חלון ההקשר קובע כמה אחורה בזמן המודל יחפש דפוסים לחיזוי לכל נקודת נתונים לאימון. אם לא מציינים חלון הקשר, ברירת המחדל היא הערך שמוגדר לטווח התחזית. חלון ההקשר מצוין ביחידות של רמת פירוט הנתונים.

      מידע נוסף זמין במאמר שיקולים להגדרת חלון ההקשר ואופק התחזית במאמרי העזרה של Vertex AI.

   6. לוחצים על Continue.

3. בדף Training options (אפשרויות הדרכה), מבצעים את ההגדרות הבאות. שימו לב: אם החץ של התפריט הנפתח אפור, או אם אין חץ של תפריט נפתח, אי אפשר לשנות את הערך.

   1. בוחרים ערך של Transformation (שינוי) לעמודות ברשימה Column name (שם העמודה) באופן הבא:

      • אם הערך של BigQuery type הוא Float,‏ Integer או Numeric, מגדירים את הערך של Transformation ל-Numeric.

      • אם הערך של BigQuery type הוא String או Boolean, מגדירים את הערך של Transformation ל-Categorical.

      • אם הערך של סוג BigQuery הוא Date, מגדירים את הערך של Transformation ל-Timestamp.

   2. בוחרים ערך של Feature type (סוג מאפיין) לעמודות ברשימה Column name (שם העמודה) באופן הבא:

      • למאפיינים add_to_cart_quantity,‏ category_page_view_quantity,‏ detail_page_view_quantity ו-search_quantity, צריך להגדיר את הערך Covariate במאפיין Feature type.

      • בעמודות הנותרות שאפשר לשנות, מגדירים את סוג המאפיין למאפיין.

   3. בוחרים ערך Available at forecast לעמודות ברשימה Column type באופן הבא:

      • במאפיינים add_to_cart_quantity,‏ category_page_view_quantity,‏ detail_page_view_quantity ו-search_quantity, מגדירים את הערך של זמינות בתחזית ללא זמין.

      • בעמודות הנותרות, אם אפשר לשנות אותן, מגדירים את הערך של סוג התכונה לזמין.

   4. לוחצים על Continue.

4. בדף Compute and pricing (חישוב וחיוב), מזינים את מספר השעות המקסימלי שרוצים שהמודל יתאמן. ההגדרה הזו עוזרת לכם להגביל את עלויות האימון. הזמן שחלף בפועל יכול להיות ארוך יותר מהערך הזה, כי יש פעולות אחרות שקשורות ליצירת מודל חדש. מידע על משך הזמן שנדרש לאימון מודלים באיכות גבוהה זמין במאמר אימון מודל במסמכי Vertex AI.

5. לוחצים על התחלת ההדרכה.

   אימון המודל יכול להימשך שעות רבות, בהתאם לגודל ולמורכבות של הנתונים ולתקציב האימון, אם ציינתם תקציב. אפשר לסגור את הכרטיסייה הזו ולחזור אליה מאוחר יותר. תקבלו אימייל כשהאימון של המודל יסתיים. אם רוצים לעקוב אחרי ההתקדמות של אימון המודל, אפשר לעיין במאמר מעקב אחרי ההתקדמות של האימון.

מעקב אחרי ההתקדמות בתהליך ההכשרה

1. במסוף Google Cloud , בקטע Vertex AI, עוברים לדף Training.

   כניסה לדף Training

2. אם הכרטיסייה Training pipelines (צינורות להעברת נתונים לאימון) לא נבחרה, בוחרים אותה. המודל שאתם מאמנים צריך להופיע ברשימה. האימון מסתיים כשהסטטוס משתנה מאימון להסתיים.

יצירת תחזית

בדף הזה מוסבר איך ליצור תחזית באמצעות מודל התחזית שאומן במאמר אימון מודל תחזית.

לפני שמתחילים

כדי ליצור תחזית, צריך קודם לאמן מודל תחזית.

שליחת בקשה לחיזוי באצווה למודל

1. במסוף Google Cloud , בקטע Vertex AI, עוברים לדף Batch predictions.

   כניסה לדף Batch predictions

2. לוחצים על יצירה כדי לפתוח את החלון תחזית חדשה של נתונים מצטברים ומבצעים את השלבים הבאים:

   1. מזינים שם לתחזית האצווה.

   2. ברשימה Model name, בוחרים את המודל שאומן במאמר אימון מודל לחיזוי.

   3. ברשימה Version, בוחרים את גרסת המודל.

   4. בקטע Select source (בחירת מקור):

      1. בוחרים באפשרות BigQuery table (טבלה ב-BigQuery) אם היא לא מסומנת.

      2. מזינים את מזהי הפרויקט, מערך הנתונים והטבלה ב-BigQuery עבור טבלת החיזוי של Vertex AI שיצרתם בשלב יצירת טבלת חיזוי של Vertex AI. הפורמט הוא project_id.dataset_id.table_id.

   5. בקטע Batch prediction output (פלט של חיזויים רבים בבת אחת):

      1. ברשימה Output format (פורמט הפלט), בוחרים באפשרות BigQuery table (טבלה ב-BigQuery).

      2. מזינים את מזהי הפרויקט ומערך הנתונים ב-BigQuery עבור טבלת הפלט של התחזיות באצווה שאתם יוצרים. משתמשים באותו מזהה פרויקט ובאותו מזהה מערך נתונים שבהם השתמשתם עבור טבלאות של אירועי מוצר ומשתמש. הפורמט הוא project_id.dataset_id.

   6. לוחצים על יצירה. יופיע הדף Batch predictions.

      החיזוי מסתיים כשהסטטוס משתנה מבהמתנה להושלם. בנוסף, תקבלו אימייל כשהחיזוי של הקבוצה יסתיים. הפלט של בקשת התחזית באצווה מוחזר במערך הנתונים בפרויקט BigQuery שציינתם. השם של טבלת הפלט החדשה הוא 'predictions_' בתוספת חותמת הזמן של תחילת עבודת החיזוי. מידע נוסף על אחזור ופירוש של תוצאות התחזית זמין במאמרים אחזור תוצאות של תחזיות באצווה ופירוש תוצאות של תחזיות במסמכי התיעוד של Vertex AI.