Vertex AI MLOps 機能を使って BigQuery ML モデルを構築、自動化、モニタリングする
Google Cloud Japan Team
※この投稿は米国時間 2023 年 5 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。
ML モデルを本番環境で使用できるようにすることは、簡単な作業ではありません。通常は ML や、データ エンジニアリング、ソフトウェア エンジニアリングに関する深い理解はもちろんのこと、各種ツールやテクノロジーなどの幅広い知識が必要になります。
BigQuery ML と Vertex AI は、ML モデルの作成、デプロイ、管理を容易にします。
BigQuery ML は、SQL インターフェースを通じて、高度な ML 機能を提供します。一方、Vertex AI はマネージド ML プラットフォームとして、データの準備からモデルのデプロイまで、ML のライフサイクル全体を管理できる統合されたエクスペリエンスを提供します。
BigQuery ML と Vertex AI を組み合わせて使用することで、ML モデルの作成、デプロイ、管理に至るまで、あらゆる処理をスムーズに行うことが可能になります。
詳細ガイドに沿って使い始める
皆様に参考にしていただけるよう、サンプル ノートブックを作成して GitHub で公開しました。
BigQuery ML と Vertex AI の使い方を学ぶ: このノートブックでは、両サービスを使って ML モデルを作成、デプロイ、管理する手順を説明します。
BigQuery ML の使用を開始する: BigQuery ML は、BigQuery で ML モデルを構築、デプロイする最も簡単な方法の一つです。
BigQuery ML で使用できる各種 ML アルゴリズムについて学ぶ: 線形回帰、ロジスティック回帰、ディシジョン ツリーなどの ML アルゴリズムの使用方法を説明します。
さらに詳しいリソースで理解を深める: BigQuery ML および Vertex AI の各種ドキュメントやサポート リソースのリンクを紹介します。
では、このノートブックで扱っているワークフローの各ステップについて見ていきましょう。
1. データを準備する
まず、モデル用のデータを準備します。
必要なライブラリをインポートします。BigQuery ML によって、データがトレーニング用とテスト用に自動的に分けられます。
2. モデルをトレーニングする
準備したデータを使って、以下の手順でモデルをトレーニングします。
BigQuery ML モデルを作成します。
トレーニング セットを使ってモデルをトレーニングします。
テストセットを使ってモデルを評価します。
3. Vertex AI Model Registry にモデルを登録する
トレーニングが完了したら、モデルを Vertex AI Model Registry に登録できます。登録操作は BigQuery ML から直接行えるので、ツール間の移行は非常に簡単です。登録によって、モデルを管理できるようになるほか、エンドポイントにモデルをデプロイしてリアルタイムで予測を行うことが可能になります。
モデルを登録する手順は次のとおりです。
モデルを Model Registry に登録します。
モデルにアノテーションを付けます。
4. モデルをエンドポイントにデプロイする
登録済みのモデルをエンドポイントに簡単な手順でデプロイして、リアルタイムで予測を行えます。手順は次のとおりです。
Vertex AI エンドポイントを作成します。
エンドポイントにモデルをデプロイします。
5. 予測を実行する
モデルのデプロイが完了したら、次の手順で予測を実行できます。
予測リクエストを準備します。
予測リクエストをエンドポイントに送信します。
予測の結果を取得します。
サンプル ノートブックを使えば、BigQuery ML と Vertex AI の使用方法をはじめから終わりまで順番に学んで、オンラインで予測を行えるようになります。このノートブックは今度も更新していく予定ですので、GitHub からぜひご意見をお寄せください。