Halaman ini menjelaskan cara mendapatkan prediksi online (latensi rendah, tunggal) dari Tabel AutoML.
Pengantar
Setelah membuat (melatih) model, Anda dapat men-deploy model tersebut dan meminta prediksi online (real-time). Prediksi online menerima satu baris data dan memberikan hasil prediksi berdasarkan model Anda untuk data tersebut. Anda menggunakan prediksi online saat memerlukan prediksi sebagai input untuk alur logika bisnis Anda.
Sebelum dapat meminta prediksi online, Anda harus men-deploy model. Model yang di-deploy akan dikenai biaya. Setelah selesai membuat prediksi online, Anda dapat membatalkan deployment model untuk menghindari biaya deployment lebih lanjut. Pelajari lebih lanjut.
Model harus dilatih ulang setiap enam bulan agar dapat terus menyajikan prediksi.
Mendapatkan prediksi online
Konsol
Umumnya, Anda menggunakan prediksi online untuk mendapatkan prediksi dari dalam aplikasi bisnis Anda. Namun, Anda dapat menggunakan AutoML Tables di Konsol Google Cloud untuk menguji format data atau model Anda dengan kumpulan input tertentu.
Kunjungi halaman AutoML Tables di Konsol Google Cloud.
Pilih Model dan pilih model yang ingin Anda gunakan.
Pilih tab Pengujian & Penggunaan dan klik Prediksi online.
Jika model Anda belum di-deploy, deploy sekarang dengan mengklik Deploy model.
Model Anda harus di-deploy agar bisa menggunakan prediksi online. Men-deploy model Anda akan dikenai biaya. Untuk mengetahui informasi selengkapnya, lihat halaman harga.
Masukkan nilai input di kotak teks yang disediakan.
Atau, Anda dapat memilih Tampilan Kode JSON untuk memberikan nilai input dalam format JSON.
Jika Anda ingin melihat pengaruh setiap fitur terhadap prediksi, pilih Membuat tingkat kepentingan fitur.
Konsol Google Cloud memotong nilai penting fitur lokal agar mudah dibaca. Jika Anda memerlukan nilai yang tepat, gunakan Cloud AutoML API untuk membuat permintaan prediksi.
Untuk mengetahui informasi tentang nilai penting fitur, lihat Tingkat kepentingan fitur lokal.
Klik Prediksi untuk mendapatkan prediksi Anda.
Untuk informasi tentang cara menafsirkan hasil prediksi, lihat Menafsirkan hasil prediksi. Untuk mengetahui informasi tentang nilai penting fitur lokal, lihat Tingkat kepentingan fitur lokal.
(Opsional) Jika tidak berencana meminta lebih banyak prediksi online, Anda dapat membatalkan deployment model untuk menghindari biaya deployment dengan mengklik Batalkan deployment model.
curl
Anda meminta prediksi untuk sekumpulan nilai dengan membuat objek JSON menggunakan nilai fitur, kemudian menggunakan metode model.predict
untuk mendapatkan prediksi.
Nilai harus berisi kolom persis yang Anda sertakan dalam pelatihan, dan harus dalam urutan yang sama seperti yang ditampilkan pada tab Evaluate dengan mengklik link kolom yang disertakan.
Jika ingin mengurutkan ulang nilai, Anda dapat menyertakan serangkaian ID spesifikasi kolom dalam urutan nilai. Anda bisa mendapatkan ID spesifikasi kolom dari objek model; ID tersebut ditemukan di kolom TablesModelMetadata.inputFeatureColumnSpecs.
Jenis data setiap nilai (fitur) di objek Baris bergantung pada jenis data Tabel AutoML dari fitur tersebut. Untuk mengetahui daftar jenis data yang diterima berdasarkan jenis data AutoML Tables, lihat Format objek baris.
Jika Anda belum men-deploy model, deploy sekarang. Pelajari lebih lanjut.
Minta prediksi.
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
-
endpoint:
automl.googleapis.com
untuk lokasi global, daneu-automl.googleapis.com
untuk region Uni Eropa. - project-id: Project ID Google Cloud Anda.
- location: lokasi untuk resource:
us-central1
untuk Global ataueu
untuk Uni Eropa. - model-id: ID model. Contoh,
TBL543
. - valueN: nilai untuk setiap kolom, dalam urutan yang benar.
Metode HTTP dan URL:
POST https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict
Isi JSON permintaan:
{ "payload": { "row": { "values": [ value1, value2,... ] } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama
request.json
, lalu jalankan perintah berikut:curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict"PowerShell
Simpan isi permintaan dalam file bernama
request.json
, dan jalankan perintah berikut:$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
. Untuk mengetahui informasi selengkapnya tentang nilai penting fitur lokal, lihat Nilai penting fitur lokal.-
endpoint:
Lihat hasil Anda.
Untuk model klasifikasi, Anda akan melihat output yang mirip dengan contoh berikut. Perhatikan bahwa dua hasil ditampilkan, masing-masing dengan estimasi keyakinan (
score
). Estimasi keyakinan antara 0 dan 1, dan menunjukkan seberapa besar kemungkinan model menganggap ini sebagai nilai prediksi yang benar. Untuk informasi selengkapnya tentang cara menggunakan estimasi keyakinan, lihat Menafsirkan hasil prediksi.{ "payload": [ { "tables": { "score": 0.11210235, "value": "1" } }, { "tables": { "score": 0.8878976, "value": "2" } } ] }
Untuk model regresi, hasilnya mencakup nilai prediksi dan interval prediksi. Interval prediksi memberikan rentang yang mencakup nilai sebenarnya 95% dari waktu tersebut (berdasarkan data tempat model dilatih). Perhatikan bahwa nilai yang diprediksi mungkin tidak dipusatkan dalam interval (bahkan mungkin berada di luar interval), karena interval prediksi dipusatkan di sekitar median, sedangkan nilai yang diprediksi adalah nilai yang diharapkan (atau rata-rata).
{ "payload": [ { "tables": { "value": 207.18209838867188, "predictionInterval": { "start": 29.712770462036133, "end": 937.42041015625 } } } ] }
Untuk mengetahui informasi tentang hasil nilai penting fitur lokal, lihat Tingkat kepentingan fitur lokal.
(Opsional) Jika sudah selesai meminta prediksi online, Anda dapat membatalkan deployment model untuk menghindari biaya deployment. Pelajari lebih lanjut.
Java
Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut.
Node.js
Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut.
Python
Library klien untuk AutoML Tables menyertakan metode Python tambahan yang menyederhanakan penggunaan AutoML Tables API. Metode ini merujuk pada set data dan model berdasarkan nama, bukan ID. Nama set data dan model Anda harus unik. Untuk mengetahui informasi selengkapnya, lihat Referensi klien.
Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut.
Langkah selanjutnya
- Pelajari cara menafsirkan hasil prediksi Anda.
- Pelajari nilai penting fitur lokal.