Auf dieser Seite wird beschrieben, wie Sie mit AutoML Tables einzelne Onlinevorhersagen mit geringer Latenz abrufen.
Einleitung
Nachdem Sie ein Modell erstellt bzw. trainiert haben, können Sie es bereitstellen und in Echtzeit Onlinevorhersagen anfordern. Bei Onlinevorhersagen wird eine Datenzeile akzeptiert und basierend auf dem Modell eine Vorhersage für diese Daten geliefert. Onlinevorhersagen sind nützlich, wenn Sie eine Vorhersage als Eingabe für Ihren Geschäftslogikfluss benötigen.
Bevor Sie eine Onlinevorhersage anfordern können, müssen Sie das Modell bereitstellen. Für bereitgestellte Modelle fallen Gebühren an. Sie können das Deployment des Modells im Anschluss an die Onlinevorhersage aufheben, um weitere Deployment-Gebühren zu vermeiden. Weitere Informationen
Modelle müssen alle sechs Monate neu trainiert werden, damit sie weiterhin Vorhersagen bereitstellen können.
Onlinevorhersage abrufen
Console
Im Allgemeinen rufen Sie mithilfe von Onlinevorhersagen Ergebnisse aus Ihren Geschäftsanwendungen ab. Sie können jedoch AutoML Tables in der Google Cloud Console verwenden, um Ihr Datenformat oder Ihr Modell mit einem bestimmten Satz von Eingaben zu testen.
Rufen Sie in der Google Cloud Console die Seite „AutoML Tables“ auf.
Wählen Sie Modelle und dann das gewünschte Modell aus.
Wählen Sie den Tab Test und Nutzung und klicken Sie auf Onlinevorhersage.
Wenn Ihr Modell noch nicht bereitgestellt wurde, klicken Sie jetzt auf Modell bereitstellen.
Das Modell muss bereitgestellt werden, um Onlinevorhersagen verwenden zu können. Für das Bereitstellen des Modells fallen Gebühren an. Weitere Informationen finden Sie auf der Preisseite.
Geben Sie Ihre Eingabewerte in die angegebenen Textfelder ein.
Alternativ können Sie JSON-Codeansicht auswählen, um Ihre Eingabewerte im JSON-Format bereitzustellen.
Wenn Sie sehen möchten, wie sich die einzelnen Features auf die Vorhersage auswirken, wählen Sie Merkmalwichtigkeit erstellen aus.
In der Google Cloud Console werden die Werte der lokalen Merkmalwichtigkeit zur besseren Lesbarkeit gekürzt. Wenn Sie einen genauen Wert benötigen, verwenden Sie die Cloud AutoML API, um die Vorhersageanfrage zu erstellen.
Informationen zur Wichtigkeit von Funktionen finden Sie unter Wichtigkeit lokaler Funktionen.
Klicken Sie auf Vorhersage, um die Vorhersage abzurufen.
Informationen zur Interpretation Ihrer Vorhersageergebnisse finden Sie unter Vorhersageergebnisse interpretieren. Informationen über die lokale Merkmalwichtigkeit finden Sie unter Lokale Merkmalwichtigkeit.
(Optional) Wenn Sie keine weiteren Onlinevorhersagen anfordern möchten, können Sie die Bereitstellung des Modells aufheben, um weitere Deployment-Gebühren zu vermeiden. Klicken Sie hierfür auf Bereitstellung des Modells zurücknehmen.
curl
Sie können eine Vorhersage für eine Reihe von Werten anfragen. Erstellen Sie dazu Ihr JSON-Objekt mit Ihren Merkmalswerten und verwenden Sie dann die Methode model.predict
, um die Vorhersage abzurufen.
Die Werte müssen exakt die in das Training einbezogenen Spalten enthalten. Außerdem müssen sie in derselben Reihenfolge wie im Tab Bewerten angegeben sein. Diesen können Sie durch Klicken auf den Link "Enthaltene Spalten" ansehen.
Wenn Sie die Reihenfolge der Werte ändern möchten, können Sie in die Reihenfolge der Werte optional einen Satz von Spaltenspezifikations-IDs einfügen. Die Spaltenspezifikations-IDs finden Sie im Modellobjekt im Feld TablesModelMetadata.inputFeatureColumnSpecs.
Der Datentyp jedes Wertes bzw. Merkmals im Zeilenobjekt richtet sich nach dem AutoML Tables-Datentyp des Merkmals. Eine Liste der von AutoML Tables akzeptierten Datentypen finden Sie unter Format für Zeilenobjekte.
Wenn Sie das Modell noch nicht bereitgestellt haben, holen Sie das jetzt nach. Weitere Informationen
Fordern Sie die Vorhersage an.
Bevor Sie die Anfragedaten verwenden, ersetzen Sie die folgenden Werte:
-
endpoint:
automl.googleapis.com
für den globalen Standort undeu-automl.googleapis.com
für die EU-Region. - project-id ist Ihre Google Cloud-Projekt-ID.
- location: Der Standort für die Ressource:
us-central1
für global odereu
für die EU. - model-id: Die ID des Modells. Beispiel:
TBL543
. - valueN: Die Werte für jede Spalte in der richtigen Reihenfolge.
HTTP-Methode und URL:
POST https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict
JSON-Text der Anfrage:
{ "payload": { "row": { "values": [ value1, value2,... ] } } }
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen
request.json
und führen Sie den folgenden Befehl aus:curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:predict"PowerShell
Speichern Sie den Anfragetext in einer Datei mit dem Namen
request.json
und führen Sie den folgenden Befehl aus:$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
ein, um die Ergebnisse der lokalen Merkmalwichtigkeit einzubeziehen: Informationen über die lokale Merkmalwichtigkeit finden Sie unter Lokale Merkmalwichtigkeit.-
endpoint:
Sehen Sie sich die Ergebnisse an.
Die Ausgabe für ein Klassifizierungsmodell sollte in etwa wie unten aussehen. Beachten Sie, dass zwei Ergebnisse mit jeweils einer Konfidenzschätzung (
score
) zurückgegeben werden. Die Konfidenzschätzung liegt zwischen 0 und 1 und zeigt an, wie wahrscheinlich das Modell dies als den richtigen Vorhersagewert ansieht. Weitere Informationen zur Verwendung der Konfidenzschätzung finden Sie unter Vorhersageergebnisse interpretieren.{ "payload": [ { "tables": { "score": 0.11210235, "value": "1" } }, { "tables": { "score": 0.8878976, "value": "2" } } ] }
Bei einem Regressionsmodell enthalten die Ergebnisse einen Vorhersagewert und ein Vorhersageintervall. Das Vorhersageintervall enthält einen Bereich, der den wahren Wert 95% der Zeit basierend auf den Daten, mit denen das Modell trainiert wurde, enthält. Beachten Sie, dass der vorhergesagte Wert möglicherweise nicht im Intervall zentriert wird (er kann auch außerhalb des Intervalls liegen), da das Vorhersageintervall um den Median zentriert wird, während der vorhergesagte Wert der erwartete Wert (oder Mittelwert) ist.
{ "payload": [ { "tables": { "value": 207.18209838867188, "predictionInterval": { "start": 29.712770462036133, "end": 937.42041015625 } } } ] }
Informationen zu den Ergebnissen der lokalen Merkmalwichtigkeit finden Sie unter Lokale Merkmalwichtigkeit.
(Optional) Wenn Sie keine weiteren Onlinevorhersagen abrufen möchten, können Sie die Bereitstellung des Modells aufheben, um weitere Deployment-Gebühren zu vermeiden. Weitere Informationen
Java
Wenn sich Ihre Ressourcen in der EU-Region befinden, müssen Sie den Endpunkt explizit festlegen. Weitere Informationen
Node.js
Wenn sich Ihre Ressourcen in der EU-Region befinden, müssen Sie den Endpunkt explizit festlegen. Weitere Informationen
Python
Die Clientbibliothek für AutoML Tables enthält zusätzliche Python-Methoden, die die Verwendung der AutoML Tables API vereinfachen. Diese Methoden verweisen auf Datasets und Modelle anhand des Namens und nicht der ID. Dataset- und Modellnamen dürfen nur einmal vorkommen. Weitere Informationen finden Sie in der Kundenreferenz.
Wenn sich Ihre Ressourcen in der EU-Region befinden, müssen Sie den Endpunkt explizit festlegen. Weitere Informationen
Nächste Schritte
- Weitere Informationen zum Interpretieren von Vorhersageergebnissen
- Weitere Informationen über lokale Merkmalwichtigkeit.