Membuat prediksi dengan model jarak jauh di Vertex AI

---

Dalam tutorial ini, Anda akan mendaftarkan endpoint Vertex AI sebagai model jarak jauh di BigQuery. Kemudian, Anda menggunakan fungsi ML.PREDICT untuk membuat prediksi menggunakan model jarak jauh.

Anda dapat menggunakan model jarak jauh jika model terlalu besar untuk diimpor ke BigQuery. Tindakan ini juga berguna saat Anda ingin memiliki satu titik inferensi untuk kasus penggunaan online, batch, dan batch mikro.

Catatan: Untuk versi tutorial ini yang menggunakan Python di notebook BigQuery, lihat Tutorial Model Jarak Jauh BQML di GitHub.

Tujuan

• Impor model TensorFlow yang telah dilatih sebelumnya ke Vertex AI Model Registry.
• Men-deploy model ke endpoint Vertex AI.
• Buat koneksi resource Cloud.
• Gunakan pernyataan CREATE MODEL untuk membuat model jarak jauh di BigQuery.
• Gunakan fungsi ML.PREDICT untuk membuat prediksi dengan model jarak jauh.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

• BigQuery
• BigQuery ML
• Vertex AI

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga. Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.

Sebelum memulai

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

4. Make sure that billing is enabled for your Google Cloud project.

5. Enable the BigQuery, Vertex AI, Cloud Storage, and BigQuery Connection APIs.

   Enable the APIs

6. Pastikan Anda memiliki izin yang diperlukan untuk melakukan tugas dalam dokumen ini.

Peran yang diperlukan

Jika membuat project baru, Anda adalah pemilik project, dan Anda akan diberi semua izin IAM yang diperlukan untuk menyelesaikan tutorial ini.

Jika Anda menggunakan project yang sudah ada, lakukan hal berikut.

Make sure that you have the following role or roles on the project:

• BigQuery Studio Admin (roles/bigquery.studioAdmin)
• Vertex AI User (roles/aiplatform.user)
• BigQuery Connection Admin (roles/bigquery.connectionAdmin)

Check for the roles

1. In the Google Cloud console, go to the IAM page.

   Go to IAM
2. Select the project.

3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

Grant the roles

1. In the Google Cloud console, go to the IAM page.

   Buka IAM
2. Pilih project.
3. Klik Berikan akses.

4. Di kolom New principals, masukkan ID pengguna Anda. Ini biasanya adalah alamat email untuk Akun Google.

5. Di daftar Pilih peran, pilih peran.
6. Untuk memberikan peran tambahan, klik Tambahkan peran lain, lalu tambahkan setiap peran tambahan.
7. Klik Simpan.

Untuk mengetahui informasi selengkapnya tentang izin IAM di BigQuery, lihat Izin BigQuery.

Mengimpor model ke Vertex AI Model Registry

Dalam tutorial ini, Anda menggunakan model TensorFlow terlatih yang tersedia di Cloud Storage di gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/. Bucket Cloud Storage berada di lokasi multi-region US.

Model ini adalah model TensorFlow yang bernama saved_model.pb. Model ini adalah model analisis sentimen yang disesuaikan dan dibuat dengan menyesuaikan model BERT dengan ulasan film IMDB teks biasa. Model ini menggunakan input teks dari ulasan film dan menampilkan skor sentimen antara nol dan satu. Saat mengimpor model ke Model Registry, Anda menggunakan container TensorFlow bawaan.

Catatan: Untuk tutorial tentang cara membuat model contoh, lihat Mengklasifikasikan teks dengan BERT dalam dokumentasi TensorFlow.

Ikuti langkah-langkah berikut untuk mengimpor model.

1. Di konsol Google Cloud, buka halaman Model Registry Vertex AI.

   Buka Model Registry

2. Klik Import.

3. Untuk Langkah satu: Nama dan region, lakukan hal berikut:

   1. Pilih Import as new model.

   2. Untuk Name, masukkan bert_sentiment.

   3. Untuk Deskripsi, masukkan BQML tutorial model.

   4. Untuk Region, pilih us-central1. Anda harus memilih region berbasis Amerika Serikat karena bucket Cloud Storage berada di lokasi multi-region US.

   5. Klik Lanjutkan.

4. Untuk Langkah kedua: Setelan model, lakukan hal berikut:

   1. Pilih Import model artifacts into a new prebuilt container.

   2. Di bagian Prebuilt container settings, lakukan hal berikut:

      1. Untuk Framework model, pilih TensorFlow.

      2. Untuk Versi framework model, pilih 2.15.

      3. Untuk Accelerator type, pilih GPU.

      4. Untuk Lokasi artefak model, masukkan gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/.

      5. Biarkan nilai default untuk semua opsi yang tersisa, lalu klik Import.

Setelah impor selesai, model Anda akan muncul di halaman Model Registry.

Men-deploy model ke endpoint Vertex AI

Ikuti langkah-langkah berikut untuk men-deploy model ke endpoint.

1. Di konsol Google Cloud, buka halaman Model Registry Vertex AI.

   Buka Model Registry

2. Di kolom Nama, klik bert_sentiment.

3. Klik tab Deploy & Test.

4. Klik Deploy to endpoint.

5. Untuk langkah pertama, Tentukan endpoint Anda, lakukan hal berikut:

   1. Klik Buat endpoint baru.

   2. Untuk Endpoint name, masukkan bert sentiment endpoint.

   3. Biarkan nilai default yang tersisa, lalu klik Lanjutkan.

6. Untuk langkah kedua, Setelan model, lakukan hal berikut:

   1. Di bagian Setelan komputasi, untuk Minimum number of compute nodes, masukkan 1. Ini adalah jumlah node yang harus selalu tersedia untuk model.

      Catatan: Dalam produksi, Anda harus menetapkan jumlah maksimum node komputasi. Opsi ini mengaktifkan kemampuan penskalaan otomatis di Vertex AI, dan memungkinkan endpoint memproses lebih banyak permintaan saat tabel BigQuery Anda memiliki baris dalam jumlah besar.

   2. Di bagian Advanced scaling options, untuk Machine type, pilih Standard (n1-standard-2). Karena Anda memilih GPU sebagai jenis akselerator saat mengimpor model, setelah memilih jenis mesin, jenis akselerator dan jumlah akselerator akan ditetapkan secara otomatis.

   3. Biarkan nilai default yang tersisa, lalu klik Deploy.

      Saat model di-deploy ke endpoint, statusnya akan berubah menjadi Active.

   4. Salin ID endpoint numerik di kolom ID dan nilai di kolom Region. Anda akan membutuhkannya nanti.

Membuat set data

Buat set data BigQuery untuk menyimpan model ML Anda.

Konsol

1. Di Konsol Google Cloud, buka halaman BigQuery.

   Buka halaman BigQuery

2. Di panel Explorer, klik nama project Anda.

3. Klik View actions > Create dataset.

   

4. Di halaman Create dataset, lakukan hal berikut:

   • Untuk Dataset ID, masukkan bqml_tutorial.

   • Untuk Location type, pilih Multi-region, lalu pilih US (multiple regions in United States).

   Set data publik disimpan di US multi-region. Untuk mempermudah, simpan set data Anda di lokasi yang sama.

   • Jangan ubah setelan default yang tersisa, lalu klik Create dataset.

   

bq

Untuk membuat set data baru, gunakan perintah bq mk dengan flag --location. Untuk daftar lengkap parameter yang mungkin, lihat referensi perintah bq mk --dataset.

1. Buat set data bernama bqml_tutorial dengan lokasi data ditetapkan ke US dan deskripsi BigQuery ML tutorial dataset:

   bq --location=US mk -d \
    --description "BigQuery ML tutorial dataset." \
    bqml_tutorial

   Perintah ini menggunakan pintasan -d, bukan flag --dataset. Jika Anda menghapus -d dan --dataset, perintah defaultnya adalah membuat set data.

2. Pastikan set data telah dibuat:

   bq ls

API

Panggil metode datasets.insert dengan resource set data yang ditentukan.

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

Membuat koneksi resource BigQuery Cloud

Anda harus memiliki koneksi resource Cloud untuk terhubung ke endpoint Vertex AI.

Konsol

1. Buka halaman BigQuery.

   Buka BigQuery

2. Untuk membuat koneksi, klik Tambahkan, lalu klik Koneksi ke sumber data eksternal.

3. Dalam daftar Connection type, pilih Vertex AI remote models, remote functions and BigLake (Cloud Resource).

4. Di kolom Connection ID, masukkan bqml_tutorial.

5. Pastikan Multi-region—US dipilih.

6. Klik Create connection.

7. Di bagian bawah jendela, klik Go to connection. Atau, di panel Penjelajah, luaskan Koneksi eksternal, lalu klik us.bqml_tutorial.

8. Di panel Connection info, salin ID Akun layanan. Anda memerlukan ID ini saat mengonfigurasi izin untuk koneksi. Saat Anda membuat resource koneksi, BigQuery akan membuat akun layanan sistem unik dan mengaitkannya dengan koneksi.

bq

1. Buat koneksi:

   bq mk --connection --location=US --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE bqml_tutorial

   Ganti PROJECT_ID dengan project ID Google Cloud Anda. Parameter --project_id akan mengganti project default.

   Saat Anda membuat resource koneksi, BigQuery akan membuat akun layanan sistem unik dan mengaitkannya dengan koneksi.

   Pemecahan masalah: Jika Anda mendapatkan error koneksi berikut, update Google Cloud SDK:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Ambil dan salin ID akun layanan untuk digunakan di langkah berikutnya:

   bq show --connection PROJECT_ID.us.bqml_tutorial

   Outputnya mirip dengan hal berikut ini:

   name                          properties
   1234.REGION.CONNECTION_ID {"serviceAccountId": "[e-mail]"}
   

Menyiapkan akses koneksi

Berikan peran Vertex AI User ke akun layanan koneksi resource Cloud. Anda harus memberikan peran ini di project yang sama dengan project tempat Anda membuat endpoint model jarak jauh.

Catatan: Jika koneksi berada di project lain, error ini akan ditampilkan: [e-mail] does not have the permission to access resource.

Untuk memberikan peran, ikuti langkah-langkah berikut:

1. Buka halaman IAM & Admin.

   Buka IAM & Admin

2. Klik Berikan Akses.

3. Di kolom New principals, masukkan ID akun layanan koneksi resource Cloud yang Anda salin sebelumnya.

4. Di kolom Pilih peran, pilih Vertex AI, lalu pilih Pengguna Vertex AI.

5. Klik Simpan.

Membuat model jarak jauh BigQuery ML

Anda membuat model jarak jauh BigQuery ML menggunakan pernyataan CREATE MODEL dengan klausa REMOTE WITH CONNECTION. Untuk informasi selengkapnya tentang pernyataan CREATE MODEL, lihat Pernyataan CREATE MODEL untuk model jarak jauh di atas model kustom.

Anda membuat model di lokasi multi-region US. Dalam set data multi-region BigQuery (US, EU), Anda hanya dapat membuat model jarak jauh yang terhubung ke endpoint yang di-deploy di region dalam lokasi multi-region yang sama (US, EU).

Saat membuat model jarak jauh, Anda memerlukan ID endpoint yang dihasilkan saat Anda men-deploy model ke Vertex AI. Selain itu, nama dan jenis kolom input dan output harus sama persis dengan input dan output model Vertex AI. Dalam contoh ini, inputnya adalah STRING teks, dan outputnya adalah ARRAY dari jenis FLOAT64.

Konsol

1. Di konsol Google Cloud, buka halaman BigQuery.

   Buka BigQuery

2. Untuk Buat baru, klik Kueri SQL.

3. Di editor kueri, masukkan pernyataan CREATE MODEL ini, lalu klik Run:

   CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')

   Ganti kode berikut:

   • PROJECT_ID: nama project Anda.
   • ENDPOINT_ID: ID endpoint yang Anda salin sebelumnya.

   Setelah operasi selesai, Anda akan melihat pesan yang mirip dengan Successfully created model named bert_sentiment.

   Model baru Anda akan muncul di panel Resource. Model ditunjukkan dengan ikon model: .

   Jika Anda memilih model baru di panel Resources, informasi tentang model akan muncul di bawah Query editor.

bq

1. Buat model jarak jauh dengan memasukkan pernyataan CREATE MODEL berikut:

   bq query --use_legacy_sql=false \
   "CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')"

   Ganti kode berikut:

   • PROJECT_ID: nama project Anda.
   • ENDPOINT_ID: ID endpoint yang Anda salin sebelumnya.

2. Setelah membuat model, pastikan model muncul di set data:

   bq ls -m bqml_tutorial

   Outputnya mirip dengan hal berikut ini:

   Id               Model Type   Labels    Creation Time
   ---------------- ------------ -------- -----------------
   bert_sentiment                         28 Jan 17:39:43

Mendapatkan prediksi menggunakan ML.PREDICT

Anda menggunakan fungsi ML.PREDICT untuk mendapatkan prediksi sentimen dari model jarak jauh. Inputnya adalah kolom teks (review) yang berisi ulasan film dari tabel bigquery-public-data.imdb.reviews.

Dalam contoh ini, 10.000 data dipilih dan dikirim untuk prediksi. Model jarak jauh ditetapkan secara default ke ukuran batch 128 instance untuk permintaan.

Konsol

1. Di konsol Google Cloud, buka halaman BigQuery.

   Buka BigQuery

2. Di bagian Create new, klik SQL query.

3. Di editor kueri, masukkan kueri ini yang menggunakan fungsi ML.PREDICT, lalu klik Run.

   SELECT *
   FROM ML.PREDICT (
       MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
       (
           SELECT review as text
           FROM `bigquery-public-data.imdb.reviews`
           LIMIT 10000
       )
   )

   Hasil kueri akan terlihat seperti berikut:

   

bq

Masukkan perintah ini untuk menjalankan kueri yang menggunakan ML.PREDICT.

bq query --use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT (
MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
  (
    SELECT review as text
    FROM `bigquery-public-data.imdb.reviews`
    LIMIT 10000
  )
)'

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Konsol

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

gcloud

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

Delete a Google Cloud project:

gcloud projects delete PROJECT_ID

Menghapus resource satu per satu

Atau, untuk menghapus setiap resource yang digunakan dalam tutorial ini:

1. Hapus model.

2. Opsional: Hapus set data.

3. Batalkan deployment model dan hapus endpoint.

4. Hapus model dari Model Registry.

5. Hapus koneksi resource Cloud.

Langkah berikutnya

• Untuk ringkasan BigQuery ML, lihat Pengantar AI dan ML di BigQuery ML.
• Untuk mengetahui informasi selengkapnya tentang penggunaan pernyataan CREATE MODEL untuk model jarak jauh, lihat Pernyataan CREATE MODEL untuk model jarak jauh melalui model kustom.
• Untuk informasi selengkapnya tentang cara menggunakan notebook BigQuery, lihat Pengantar notebook.
• Untuk mengetahui informasi selengkapnya tentang region dan multi-region BigQuery, lihat halaman Lokasi yang didukung.
• Untuk mempelajari lebih lanjut cara mengimpor model di Vertex AI Model Registry, lihat Mengimpor model ke Vertex AI.
• Untuk mempelajari pembuatan versi model di Vertex AI Model Registry lebih lanjut, lihat Pembuatan versi model dengan Model Registry.
• Untuk informasi tentang cara menggunakan Kontrol Layanan VPC Vertex AI, lihat Kontrol Layanan VPC dengan Vertex AI.