Diese Legacy-Version von AutoML Tables wurde verworfen und ist nach dem 31. März 2024 nicht mehr in Google Cloud verfügbar. Alle Funktionen von Legacy-AutoML Tables und neuen Features sind auf der Vertex AI-Plattform verfügbar. Informationen zum Migrieren Ihrer Ressourcen finden Sie unter Zu Vertex AI migrieren.

Onlinevorhersagen

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.

Zur Seite "AutoML Tables"
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 und eu-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 oder eu 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 Content
```
Fügen Sie den Parameter feature_importance ein, um die Ergebnisse der lokalen Merkmalwichtigkeit einzubeziehen: Informationen über die lokale Merkmalwichtigkeit finden Sie unter Lokale Merkmalwichtigkeit.
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

import com.google.cloud.automl.v1beta1.AnnotationPayload;
import com.google.cloud.automl.v1beta1.ExamplePayload;
import com.google.cloud.automl.v1beta1.ModelName;
import com.google.cloud.automl.v1beta1.PredictRequest;
import com.google.cloud.automl.v1beta1.PredictResponse;
import com.google.cloud.automl.v1beta1.PredictionServiceClient;
import com.google.cloud.automl.v1beta1.Row;
import com.google.cloud.automl.v1beta1.TablesAnnotation;
import com.google.protobuf.Value;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

class TablesPredict {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    // Values should match the input expected by your model.
    List<Value> values = new ArrayList<>();
    // values.add(Value.newBuilder().setBoolValue(true).build());
    // values.add(Value.newBuilder().setNumberValue(10).build());
    // values.add(Value.newBuilder().setStringValue("YOUR_STRING").build());
    predict(projectId, modelId, values);
  }

  static void predict(String projectId, String modelId, List<Value> values) throws IOException {
    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (PredictionServiceClient client = PredictionServiceClient.create()) {
      // Get the full path of the model.
      ModelName name = ModelName.of(projectId, "us-central1", modelId);
      Row row = Row.newBuilder().addAllValues(values).build();
      ExamplePayload payload = ExamplePayload.newBuilder().setRow(row).build();

      // Feature importance gives you visibility into how the features in a specific prediction
      // request informed the resulting prediction. For more info, see:
      // https://cloud.google.com/automl-tables/docs/features#local
      PredictRequest request =
          PredictRequest.newBuilder()
              .setName(name.toString())
              .setPayload(payload)
              .putParams("feature_importance", "true")
              .build();

      PredictResponse response = client.predict(request);

      System.out.println("Prediction results:");
      for (AnnotationPayload annotationPayload : response.getPayloadList()) {
        TablesAnnotation tablesAnnotation = annotationPayload.getTables();
        System.out.format(
            "Classification label: %s%n", tablesAnnotation.getValue().getStringValue());
        System.out.format("Classification score: %.3f%n", tablesAnnotation.getScore());
        // Get features of top importance
        tablesAnnotation
            .getTablesModelColumnInfoList()
            .forEach(
                info ->
                    System.out.format(
                        "\tColumn: %s - Importance: %.2f%n",
                        info.getColumnDisplayName(), info.getFeatureImportance()));
      }
    }
  }
}

Node.js

Wenn sich Ihre Ressourcen in der EU-Region befinden, müssen Sie den Endpunkt explizit festlegen. Weitere Informationen


/**
 * Demonstrates using the AutoML client to request prediction from
 * automl tables using csv.
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const projectId = '[PROJECT_ID]' e.g., "my-gcloud-project";
// const computeRegion = '[REGION_NAME]' e.g., "us-central1";
// const modelId = '[MODEL_ID]' e.g., "TBL000000000000";
// const inputs = [{ numberValue: 1 }, { stringValue: 'value' }, { stringValue: 'value2' } ...]

const automl = require('@google-cloud/automl');

// Create client for prediction service.
const automlClient = new automl.v1beta1.PredictionServiceClient();

// Get the full path of the model.
const modelFullId = automlClient.modelPath(projectId, computeRegion, modelId);

async function predict() {
  // Set the payload by giving the row values.
  const payload = {
    row: {
      values: inputs,
    },
  };

  // Params is additional domain-specific parameters.
  // Currently there is no additional parameters supported.
  const [response] = await automlClient.predict({
    name: modelFullId,
    payload: payload,
    params: {feature_importance: true},
  });
  console.log('Prediction results:');

  for (const result of response.payload) {
    console.log(`Predicted class name: ${result.displayName}`);
    console.log(`Predicted class score: ${result.tables.score}`);

    // Get features of top importance
    const featureList = result.tables.tablesModelColumnInfo.map(
      columnInfo => {
        return {
          importance: columnInfo.featureImportance,
          displayName: columnInfo.columnDisplayName,
        };
      }
    );
    // Sort features by their importance, highest importance first
    featureList.sort((a, b) => {
      return b.importance - a.importance;
    });

    // Print top 10 important features
    console.log('Features of top importance');
    console.log(featureList.slice(0, 10));
  }
}
predict();

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

# TODO(developer): Uncomment and set the following variables
# project_id = 'PROJECT_ID_HERE'
# compute_region = 'COMPUTE_REGION_HERE'
# model_display_name = 'MODEL_DISPLAY_NAME_HERE'
# inputs = {'value': 3, ...}

from google.cloud import automl_v1beta1 as automl

client = automl.TablesClient(project=project_id, region=compute_region)

if feature_importance:
    response = client.predict(
        model_display_name=model_display_name,
        inputs=inputs,
        feature_importance=True,
    )
else:
    response = client.predict(model_display_name=model_display_name, inputs=inputs)

print("Prediction results:")
for result in response.payload:
    print(f"Predicted class name: {result.tables.value}")
    print(f"Predicted class score: {result.tables.score}")

    if feature_importance:
        # get features of top importance
        feat_list = [
            (column.feature_importance, column.column_display_name)
            for column in result.tables.tables_model_column_info
        ]
        feat_list.sort(reverse=True)
        if len(feat_list) < 10:
            feat_to_show = len(feat_list)
        else:
            feat_to_show = 10

        print("Features of top importance:")
        for feat in feat_list[:feat_to_show]:
            print(feat)

Nächste Schritte

Weitere Informationen zum Interpretieren von Vorhersageergebnissen
Weitere Informationen über lokale Merkmalwichtigkeit.

Onlinevorhersagen

Einleitung

Onlinevorhersage abrufen

Console

curl

curl

PowerShell

Java

Node.js

Python

Nächste Schritte