Questa pagina descrive come ottenere previsioni online (singole e a bassa latenza) da AutoML Tables.
Introduzione
Dopo aver creato (addestrato) un modello, puoi eseguirne il deployment e richiedere previsioni online (in tempo reale). Le previsioni online accettano una riga di dati e forniscono un risultato previsto in base al modello per i dati in questione. Le previsioni online sono utili per le previsioni come input per il flusso della logica di business.
Prima di poter richiedere una previsione online, devi eseguire il deployment del modello. I modelli di cui è stato eseguito il deployment sono soggetti ad addebiti. Quando hai finito di effettuare previsioni online, puoi annullare il deployment del modello per evitare ulteriori addebiti. Scopri di più.
I modelli devono essere riaddestrati ogni sei mesi per poter continuare a fornire previsioni.
Generare una previsione online
Console
In genere, si utilizzano le previsioni online per ottenere previsioni dalle applicazioni aziendali. Tuttavia, puoi utilizzare AutoML Tables nella console Google Cloud per testare il formato dei dati o il modello con un set di input specifico.
Visita la pagina AutoML Tables nella console Google Cloud.
Seleziona Modelli e scegli il modello che vuoi utilizzare.
Seleziona la scheda Testa e utilizza e fai clic su Previsione online.
Se il deployment del modello non è stato ancora eseguito, esegui il deployment del modello facendo clic su Esegui il deployment del modello.
Per utilizzare le previsioni online, devi eseguire il deployment del modello. Il deployment del modello prevede costi. Per ulteriori informazioni, consulta la pagina dei prezzi.
Fornisci i valori di input nelle caselle di testo fornite.
In alternativa, puoi selezionare Visualizzazione codice JSON per fornire i valori di input in formato JSON.
Se vuoi vedere in che modo ogni caratteristica ha influito sulla previsione, seleziona Genera importanza delle caratteristiche.
La console Google Cloud tronca i valori di importanza delle caratteristiche locali per la leggibilità. Se ti serve un valore esatto, usa l'API Cloud AutoML per effettuare la richiesta.
Per informazioni sull'importanza delle caratteristiche, consulta Importanza delle caratteristiche locali.
Fai clic su Previsione per visualizzare la previsione.
Per informazioni sull'interpretazione dei risultati delle previsioni, consulta Interpretazione dei risultati delle previsioni. Per informazioni sull'importanza delle caratteristiche locali, consulta Importanza delle caratteristiche locali.
(Facoltativo) Se non prevedi di richiedere altre previsioni online, puoi annullare il deployment del modello per evitare addebiti facendo clic su Annulla deployment modello.
curl
Per richiedere una previsione per un insieme di valori,
crea l'oggetto JSON con i tuoi valori delle caratteristiche, quindi utilizza il
metodo model.predict
per ottenere la previsione.
I valori devono contenere esattamente le colonne incluse nell'addestramento e devono avere lo stesso ordine mostrato nella scheda Valuta facendo clic sul link delle colonne incluse.
Se vuoi riordinare i valori, puoi facoltativamente includere un insieme di ID delle specifiche di colonna nell'ordine dei valori. Puoi ottenere gli ID delle specifiche di colonna dall'oggetto model, che si trovano nel campo TablesModelMetadata.inputFeatureColumnSpecs.
Il tipo di dati di ogni valore (funzionalità) nell'oggetto Row dipende dal tipo di dati di AutoML Tables della funzionalità. Per un elenco dei tipi di dati accettati in base al tipo di dati AutoML Tables, consulta Formato degli oggetti riga.
Se non hai ancora eseguito il deployment del modello, esegui subito il deployment. Scopri di più.
Richiedi la previsione.
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
-
endpoint:
automl.googleapis.com
per la località globale eeu-automl.googleapis.com
per la regione dell'UE. - project-id: il tuo ID progetto Google Cloud.
- location: la località per la risorsa:
us-central1
per Globale oeu
per l'Unione Europea. - model-id: l'ID del modello. Ad esempio,
TBL543
. - valueN: i valori di ogni colonna, nell'ordine corretto.
Metodo HTTP e URL:
POST https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict
Corpo JSON della richiesta:
{ "payload": { "row": { "values": [ value1, value2,... ] } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
arricciatura
Salva il corpo della richiesta in un file denominato
request.json
ed esegui questo comando:curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict"PowerShell
Salva il corpo della richiesta in un file denominato
request.json
ed esegui questo comando:$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict" | Select-Object -Expand Contentfeature_importance
. Per saperne di più sull'importanza delle caratteristiche locali, consulta Importanza delle caratteristiche locali.-
endpoint:
Visualizza i risultati.
Per un modello di classificazione, dovresti vedere un output simile al seguente esempio. Tieni presente che vengono restituiti due risultati, ciascuno con una stima di affidabilità (
score
). La stima di confidenza è compresa tra 0 e 1 e mostra la probabilità che il modello ritenga che questo sia il valore di previsione corretto. Per saperne di più su come utilizzare la stima di affidabilità, consulta Interpretazione dei risultati della previsione.{ "payload": [ { "tables": { "score": 0.11210235, "value": "1" } }, { "tables": { "score": 0.8878976, "value": "2" } } ] }
Per un modello di regressione, i risultati includono un valore di previsione e un intervallo di previsione. L'intervallo di previsione fornisce un intervallo che include il valore reale il 95% delle volte (in base ai dati su cui il modello è stato addestrato). Tieni presente che il valore previsto potrebbe non essere centrato nell'intervallo (potrebbe anche non rientrare nell'intervallo), perché l'intervallo di previsione è incentrato sulla mediana, mentre il valore previsto è il valore previsto (o la media).
{ "payload": [ { "tables": { "value": 207.18209838867188, "predictionInterval": { "start": 29.712770462036133, "end": 937.42041015625 } } } ] }
Per informazioni sui risultati relativi all'importanza delle caratteristiche locali, consulta Importanza delle caratteristiche locali.
(Facoltativo) Se hai finito di richiedere previsioni online, puoi annullare il deployment del modello per evitare addebiti. Scopri di più.
Java
Se le risorse si trovano nella regione dell'UE, devi impostare esplicitamente l'endpoint. Scopri di più.
Node.js
Se le risorse si trovano nella regione dell'UE, devi impostare esplicitamente l'endpoint. Scopri di più.
Python
La libreria client per AutoML Tables include metodi Python aggiuntivi che semplificano l'utilizzo dell'API AutoML Tables. Questi metodi fanno riferimento a set di dati e modelli per nome anziché per ID. I nomi dei set di dati e dei modelli devono essere univoci. Per maggiori informazioni, consulta la documentazione di riferimento per i client.
Se le risorse si trovano nella regione dell'UE, devi impostare esplicitamente l'endpoint. Scopri di più.
Passaggi successivi
- Scopri come interpretare i risultati delle previsioni.
- Scopri di più sull'importanza delle caratteristiche locali.