Ottenere previsioni per un modello di previsione

Questa pagina mostra come creare una previsione utilizzando il modello di previsione addestrato.

Per creare una previsione, effettua una richiesta di previsione batch direttamente al modello di previsione, specificando un'origine di input e una posizione di output in cui archiviare i risultati della previsione.

La previsione con AutoML non è compatibile con il deployment degli endpoint o con le previsioni online. Se vuoi richiedere previsioni online dal modello di previsione, utilizza il flusso di lavoro tabulare per la previsione.

Puoi richiedere una previsione con spiegazioni (chiamate anche attribuzioni delle caratteristiche) per vedere in che modo il tuo modello ha arrivato a una previsione. I valori di importanza delle caratteristiche locali indicano in che misura ogni caratteristica ha contribuito al risultato della previsione. Per una panoramica concettuale, consulta Attribuzioni delle caratteristiche per la previsione.

Prima di iniziare

Prima di poter creare una previsione, devi addestrare un modello di previsione.

Dati di input

I dati di input per le richieste di previsione batch sono quelli che il modello utilizza per creare previsioni. Puoi fornire dati di input in uno dei due formati:

  • Oggetti CSV in Cloud Storage
  • Tabelle BigQuery

Ti consigliamo di utilizzare per i dati di input lo stesso formato usato per l'addestramento del modello. Ad esempio, se hai addestrato il tuo modello utilizzando i dati in BigQuery, è meglio utilizzare una tabella BigQuery come input per la previsione batch. Poiché Vertex AI considera tutti i campi di input CSV come stringhe, la combinazione dei formati dei dati di addestramento e di input può causare errori.

L'origine dati deve contenere dati tabulari che includono tutte le colonne, in qualsiasi ordine, utilizzate per addestrare il modello. Puoi includere colonne che non erano presenti nei dati di addestramento o che erano nei dati di addestramento, ma escluse dall'utilizzo per l'addestramento. Queste colonne aggiuntive sono incluse nell'output, ma non influiscono sui risultati di previsione.

Requisiti dei dati di input

L'input per i modelli di previsione deve rispettare i seguenti requisiti:

  • Tutti i valori nella colonna dell'ora devono essere presenti e validi.
  • La frequenza dei dati di input deve corrispondere a quella dei dati di addestramento. Se mancano delle righe nella serie temporale, devi inserirle manualmente in base alla conoscenza appropriata del dominio.
  • Le serie temporali con timestamp duplicati vengono rimosse dalle previsioni. Per includerli, rimuovi eventuali timestamp duplicati.
  • Fornisci dati storici per ogni serie temporale da prevedere. Per previsioni più accurate, la quantità di dati deve corrispondere alla finestra di contesto, che viene impostata durante l'addestramento del modello. Ad esempio, se la finestra contestuale è di 14 giorni, fornisci almeno 14 giorni di dati storici. Se fornisci meno dati, Vertex AI inserisce nei dati valori vuoti.
  • La previsione inizia dalla prima riga di una serie temporale (in ordine temporale) con un valore nullo nella colonna di destinazione. Il valore nullo deve essere continuo all'interno della serie temporale. Ad esempio, se la colonna di destinazione è ordinata in base all'ora, non puoi avere elementi quali 1, 2, null, 3, 4, null, null per una singola serie temporale. Per i file CSV, Vertex AI considera una stringa vuota come nulla, mentre per BigQuery i valori null sono supportati in modo nativo.

Tabella BigQuery

Se scegli una tabella BigQuery come input, devi assicurarti di quanto segue:

  • Le tabelle BigQuery che fungono da origine dati non devono essere più grandi di 100 GB.
  • Se la tabella si trova in un progetto diverso, devi concedere il ruolo BigQuery Data Editor all'account di servizio Vertex AI in quel progetto.

File CSV

Se scegli un oggetto CSV in Cloud Storage come input, devi verificare quanto segue:

  • L'origine dati deve iniziare con una riga di intestazione con i nomi delle colonne.
  • Ogni oggetto dell'origine dati non deve essere più grande di 10 GB. Puoi includere più file, fino a una dimensione massima di 100 GB.
  • Se il bucket Cloud Storage si trova in un progetto diverso, devi concedere il ruolo Storage Object Creator all'account di servizio Vertex AI in quel progetto.
  • È necessario racchiudere tutte le stringhe tra virgolette doppie (").

Formato di output

Il formato di output della richiesta di previsione batch non deve essere necessariamente identico a quello utilizzato per l'input. Ad esempio, se hai utilizzato una tabella BigQuery come input, puoi inviare i risultati della previsione a un oggetto CSV in Cloud Storage.

Effettua una richiesta di previsione batch al tuo modello

Per effettuare richieste di previsione batch, puoi utilizzare la console Google Cloud o l'API Vertex AI. L'origine dati di input può essere oggetti CSV archiviati in un bucket Cloud Storage o tabelle BigQuery. A seconda della quantità di dati inviati come input, il completamento di un'attività di previsione batch può richiedere del tempo.

Console Google Cloud

Utilizza la console Google Cloud per richiedere una previsione batch.

  1. Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Previsioni batch.

    Vai alla pagina Previsioni batch

  2. Fai clic su Crea per aprire la finestra Nuova previsione batch.
  3. Per Definire la previsione batch, completa i seguenti passaggi:
    1. Inserisci un nome per la previsione batch.
    2. In Nome modello, seleziona il nome del modello da utilizzare per questa previsione batch.
    3. In Versione, seleziona la versione del modello.
    4. Per Seleziona origine, scegli se i dati di input dell'origine sono un file CSV su Cloud Storage o una tabella in BigQuery.
      • Per i file CSV, specifica il percorso di Cloud Storage in cui si trova il file di input CSV.
      • Per le tabelle BigQuery, specifica l'ID progetto in cui si trova la tabella, l'ID del set di dati BigQuery e l'ID della tabella o della vista BigQuery.
    5. Per Output previsione batch, seleziona CSV o BigQuery.
      • Per CSV, specifica il bucket Cloud Storage in cui Vertex AI archivia l'output.
      • Per BigQuery, puoi specificare un ID progetto o un set di dati esistente:
        • Per specificare l'ID progetto, inserisci l'ID progetto nel campo ID progetto Google Cloud. Vertex AI crea un nuovo set di dati di output per te.
        • Per specificare un set di dati esistente, inserisci il relativo percorso BigQuery nel campo ID progetto Google Cloud, ad esempio bq://projectid.datasetid.
      • Facoltativo. Se la destinazione di output è BigQuery o JSONL su Cloud Storage, puoi abilitare le attribuzioni delle caratteristiche oltre alle previsioni. Per farlo, seleziona Attiva le attribuzioni delle caratteristiche per questo modello. Le attribuzioni delle caratteristiche non sono supportate per i file CSV su Cloud Storage. Scopri di più.
  4. (Facoltativo) Monitoraggio dei modelli per le previsioni batch è disponibile in Anteprima. Consulta la pagina Prerequisiti per aggiungere la configurazione del rilevamento del disallineamento al job di previsione batch.
    1. Fai clic per attivare Abilita il monitoraggio del modello per questa previsione batch.
    2. Seleziona un'origine dati di addestramento. Inserisci il percorso o la posizione dei dati per l'origine dati di addestramento selezionata.
    3. (Facoltativo) In Soglie di avviso, specifica le soglie rispetto alle quali attivare gli avvisi.
    4. In Email di notifica, inserisci uno o più indirizzi email separati da virgole per ricevere avvisi quando un modello supera una soglia di avviso.
    5. (Facoltativo) Per i canali di notifica, aggiungi canali di Cloud Monitoring per ricevere avvisi quando un modello supera una soglia di avviso. Puoi selezionare i canali di Cloud Monitoring esistenti o crearne uno nuovo facendo clic su Gestisci canali di notifica. La console supporta i canali di notifica PagerDuty, Slack e Pub/Sub.
  5. Fai clic su Crea.

API : BigQuery

REST

Puoi utilizzare il metodo batchPredictionJobs.create per richiedere una previsione batch.

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • LOCATION_ID: regione in cui è archiviato il modello e viene eseguito il job di previsione batch. Ad esempio, us-central1.
  • PROJECT_ID: il tuo ID progetto
  • BATCH_JOB_NAME: nome visualizzato del job batch
  • MODEL_ID: l'ID del modello da utilizzare per fare previsioni
  • INPUT_URI: riferimento all'origine dati BigQuery. Nel modulo: 
    bq://bqprojectId.bqDatasetId.bqTableId
  • OUTPUT_URI: riferimento alla destinazione BigQuery (dove verranno scritte le previsioni). Specifica l'ID progetto e, facoltativamente, un ID del set di dati esistente. Utilizza il modulo seguente: 
    bq://bqprojectId.bqDatasetId
    Se specifichi solo l'ID progetto, Vertex AI crea per te un nuovo set di dati di output. Utilizza il modulo seguente: 
    bq://bqprojectId
  • GENERATE_EXPLANATION: il valore predefinito è false. Impostalo su true per attivare le attribuzioni delle caratteristiche. Per scoprire di più, consulta Attribuzioni delle funzionalità per le previsioni.

Metodo HTTP e URL: 

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs

Corpo JSON della richiesta: 

{
  "displayName": "BATCH_JOB_NAME",
  "model": "projects/PROJECT_ID/locations/LOCATION_ID/models/MODEL_ID",
  "inputConfig": {
    "instancesFormat": "bigquery",
    "bigquerySource": {
      "inputUri": "INPUT_URI"
    }
  },
  "outputConfig": {
    "predictionsFormat": "bigquery",
    "bigqueryDestination": {
      "outputUri": "OUTPUT_URI"
    }
  },
  "generate_explanation": GENERATE_EXPLANATION
}

Per inviare la richiesta, scegli una delle seguenti opzioni:

curl

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs"

PowerShell

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs" | Select-Object -Expand Content

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs/67890",
  "displayName": "batch_job_1 202005291958",
  "model": "projects/12345/locations/us-central1/models/5678",
  "state": "JOB_STATE_PENDING",
  "inputConfig": {
    "instancesFormat": "bigquery",
    "bigquerySource": {
      "inputUri": "INPUT_URI"
    }
  },
  "outputConfig": {
    "predictionsFormat": "bigquery",
    "bigqueryDestination": {
        "outputUri": bq://12345
    }
  },
  "dedicatedResources": {
    "machineSpec": {
      "machineType": "n1-standard-32",
      "acceleratorCount": "0"
    },
    "startingReplicaCount": 2,
    "maxReplicaCount": 6
  },
  "manualBatchTuningParameters": {
    "batchSize": 4
  },
  "outputInfo": {
    "bigqueryOutputDataset": "bq://12345.reg_model_2020_10_02_06_04
  }
  "state": "JOB_STATE_PENDING",
  "createTime": "2020-09-30T02:58:44.341643Z",
  "updateTime": "2020-09-30T02:58:44.341643Z",
}

Java

Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.

Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.

Nel seguente esempio, sostituisci INSTANCES_FORMAT e PREDICTIONS_FORMAT con "bigquery". Per scoprire come sostituire gli altri segnaposto, consulta la scheda "REST e CMD LINE" di questa sezione. 
import com.google.cloud.aiplatform.v1.BatchPredictionJob;
import com.google.cloud.aiplatform.v1.BigQueryDestination;
import com.google.cloud.aiplatform.v1.BigQuerySource;
import com.google.cloud.aiplatform.v1.JobServiceClient;
import com.google.cloud.aiplatform.v1.JobServiceSettings;
import com.google.cloud.aiplatform.v1.LocationName;
import com.google.cloud.aiplatform.v1.ModelName;
import com.google.gson.JsonObject;
import com.google.protobuf.Value;
import com.google.protobuf.util.JsonFormat;
import java.io.IOException;

public class CreateBatchPredictionJobBigquerySample {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "PROJECT";
    String displayName = "DISPLAY_NAME";
    String modelName = "MODEL_NAME";
    String instancesFormat = "INSTANCES_FORMAT";
    String bigquerySourceInputUri = "BIGQUERY_SOURCE_INPUT_URI";
    String predictionsFormat = "PREDICTIONS_FORMAT";
    String bigqueryDestinationOutputUri = "BIGQUERY_DESTINATION_OUTPUT_URI";
    createBatchPredictionJobBigquerySample(
        project,
        displayName,
        modelName,
        instancesFormat,
        bigquerySourceInputUri,
        predictionsFormat,
        bigqueryDestinationOutputUri);
  }

  static void createBatchPredictionJobBigquerySample(
      String project,
      String displayName,
      String model,
      String instancesFormat,
      String bigquerySourceInputUri,
      String predictionsFormat,
      String bigqueryDestinationOutputUri)
      throws IOException {
    JobServiceSettings settings =
        JobServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();
    String location = "us-central1";

    // 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 (JobServiceClient client = JobServiceClient.create(settings)) {
      JsonObject jsonModelParameters = new JsonObject();
      Value.Builder modelParametersBuilder = Value.newBuilder();
      JsonFormat.parser().merge(jsonModelParameters.toString(), modelParametersBuilder);
      Value modelParameters = modelParametersBuilder.build();
      BigQuerySource bigquerySource =
          BigQuerySource.newBuilder().setInputUri(bigquerySourceInputUri).build();
      BatchPredictionJob.InputConfig inputConfig =
          BatchPredictionJob.InputConfig.newBuilder()
              .setInstancesFormat(instancesFormat)
              .setBigquerySource(bigquerySource)
              .build();
      BigQueryDestination bigqueryDestination =
          BigQueryDestination.newBuilder().setOutputUri(bigqueryDestinationOutputUri).build();
      BatchPredictionJob.OutputConfig outputConfig =
          BatchPredictionJob.OutputConfig.newBuilder()
              .setPredictionsFormat(predictionsFormat)
              .setBigqueryDestination(bigqueryDestination)
              .build();
      String modelName = ModelName.of(project, location, model).toString();
      BatchPredictionJob batchPredictionJob =
          BatchPredictionJob.newBuilder()
              .setDisplayName(displayName)
              .setModel(modelName)
              .setModelParameters(modelParameters)
              .setInputConfig(inputConfig)
              .setOutputConfig(outputConfig)
              .build();
      LocationName parent = LocationName.of(project, location);
      BatchPredictionJob response = client.createBatchPredictionJob(parent, batchPredictionJob);
      System.out.format("response: %s\n", response);
      System.out.format("\tName: %s\n", response.getName());
    }
  }
}

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python. 

def create_batch_prediction_job_bigquery_sample(
    project: str,
    location: str,
    model_resource_name: str,
    job_display_name: str,
    bigquery_source: str,
    bigquery_destination_prefix: str,
    sync: bool = True,
):
    aiplatform.init(project=project, location=location)

    my_model = aiplatform.Model(model_resource_name)

    batch_prediction_job = my_model.batch_predict(
        job_display_name=job_display_name,
        bigquery_source=bigquery_source,
        bigquery_destination_prefix=bigquery_destination_prefix,
        sync=sync,
    )

    batch_prediction_job.wait()

    print(batch_prediction_job.display_name)
    print(batch_prediction_job.resource_name)
    print(batch_prediction_job.state)
    return batch_prediction_job

API : Cloud Storage

REST

Puoi utilizzare il metodo batchPredictionJobs.create per richiedere una previsione batch.

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • LOCATION_ID: regione in cui è archiviato il modello e viene eseguito il job di previsione batch. Ad esempio, us-central1.
  • PROJECT_ID: il tuo ID progetto
  • BATCH_JOB_NAME: nome visualizzato del job batch
  • MODEL_ID: l'ID del modello da utilizzare per fare previsioni
  • URI: percorsi (URI) dei bucket Cloud Storage contenenti i dati di addestramento. Può essercene più di uno. Ogni URI ha il seguente formato: 
    gs://bucketName/pathToFileName
  • OUTPUT_URI_PREFIX: percorso di una destinazione Cloud Storage in cui verranno scritte le previsioni. Vertex AI scrive previsioni batch in una sottodirectory con timestamp di questo percorso. Imposta questo valore su una stringa con il formato seguente: 
    gs://bucketName/pathToOutputDirectory
  • GENERATE_EXPLANATION: il valore predefinito è false. Impostalo su true per attivare le attribuzioni delle caratteristiche. Questa opzione è disponibile solo se la destinazione di output è JSONL. Le attribuzioni delle caratteristiche non sono supportate per i file CSV su Cloud Storage. Per scoprire di più, consulta Attribuzioni delle funzionalità per le previsioni.

Metodo HTTP e URL: 

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs

Corpo JSON della richiesta: 

{
  "displayName": "BATCH_JOB_NAME",
  "model": "projects/PROJECT_ID/locations/LOCATION_ID/models/MODEL_ID",
  "inputConfig": {
    "instancesFormat": "csv",
    "gcsSource": {
      "uris": [
        URI1,...
      ]
    },
  },
  "outputConfig": {
    "predictionsFormat": "csv",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_URI_PREFIX"
    }
  },
  "generate_explanation": GENERATE_EXPLANATION
}

Per inviare la richiesta, scegli una delle seguenti opzioni:

curl

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs"

PowerShell

Salva il corpo della richiesta in un file denominato request.json ed esegui questo comando: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs" | Select-Object -Expand Content

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_ID/locations/LOCATION_ID/batchPredictionJobs/67890",
  "displayName": "batch_job_1 202005291958",
  "model": "projects/12345/locations/us-central1/models/5678",
  "state": "JOB_STATE_PENDING",
  "inputConfig": {
    "instancesFormat": "csv",
    "gcsSource": {
      "uris": [
        "gs://bp_bucket/reg_mode_test"
      ]
    }
  },
  "outputConfig": {
    "predictionsFormat": "csv",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_URI_PREFIX"
    }
  },
  "dedicatedResources": {
    "machineSpec": {
      "machineType": "n1-standard-32",
      "acceleratorCount": "0"
    },
    "startingReplicaCount": 2,
    "maxReplicaCount": 6
  }
  "outputInfo": {
    "gcsOutputDataset": "OUTPUT_URI_PREFIX/prediction-batch_job_1 202005291958-2020-09-30T02:58:44.341643Z"
  }
  "state": "JOB_STATE_PENDING",
  "createTime": "2020-09-30T02:58:44.341643Z",
  "updateTime": "2020-09-30T02:58:44.341643Z",
}

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python. 

def create_batch_prediction_job_sample(
    project: str,
    location: str,
    model_resource_name: str,
    job_display_name: str,
    gcs_source: Union[str, Sequence[str]],
    gcs_destination: str,
    sync: bool = True,
):
    aiplatform.init(project=project, location=location)

    my_model = aiplatform.Model(model_resource_name)

    batch_prediction_job = my_model.batch_predict(
        job_display_name=job_display_name,
        gcs_source=gcs_source,
        gcs_destination_prefix=gcs_destination,
        sync=sync,
    )

    batch_prediction_job.wait()

    print(batch_prediction_job.display_name)
    print(batch_prediction_job.resource_name)
    print(batch_prediction_job.state)
    return batch_prediction_job

Recuperare i risultati delle previsioni batch

Vertex AI invia l'output delle previsioni batch alla destinazione specificata, che può essere BigQuery o Cloud Storage.

L'output di Cloud Storage per le attribuzioni delle caratteristiche non è attualmente supportato.

BigQuery

Set di dati di output

Se utilizzi BigQuery, l'output della previsione batch viene archiviato in un set di dati di output. Se hai fornito un set di dati a Vertex AI, il nome del set di dati (BQ_DATASET_NAME) corrisponde a quello indicato in precedenza. Se non hai fornito un set di dati di output, Vertex AI ne ha creato uno per te. Per trovare il nome (BQ_DATASET_NAME) segui questi passaggi:

  1. Nella console Google Cloud, vai alla pagina Previsioni batch di Vertex AI.

    Vai alla pagina Previsioni batch

  2. Seleziona la previsione che hai creato.
  3. Il set di dati di output si trova in Località esportazione. Il nome del set di dati ha il seguente formato: prediction_MODEL_NAME_TIMESTAMP

Tabelle di output

Il set di dati di output contiene una o più delle seguenti tre tabelle di output:

  • Tabella delle previsioni

    Questa tabella contiene una riga per ogni riga dei dati di input in cui è stata richiesta una previsione (ovvero, dove TARGET_COLUMN_NAME = null). Ad esempio, se l'input includeva 14 voci null per la colonna di destinazione (come le vendite per i successivi 14 giorni), la richiesta di previsione restituisce 14 righe, ovvero il numero di vendite per ogni giorno. Se la richiesta di previsione supera l'orizzonte di previsione del modello, Vertex AI restituisce solo previsioni fino all'orizzonte di previsione.

  • Tabella di convalida degli errori

    Questa tabella contiene una riga per ogni errore non critico riscontrato durante la fase di aggregazione che si verifica prima della previsione batch. Ogni errore non critico corrisponde a una riga nei dati di input per cui Vertex AI non ha potuto restituire una previsione.

  • Tabella degli errori

    Questa tabella contiene una riga per ogni errore non critico riscontrato durante la previsione batch. Ogni errore non critico corrisponde a una riga nei dati di input per cui Vertex AI non ha potuto restituire una previsione.

Tabella delle previsioni

Il nome della tabella (BQ_PREDICTIONS_TABLE_NAME) è formato aggiungendo "predictions_" con il timestamp di inizio del job di previsione batch: predictions_TIMESTAMP

Per recuperare la tabella delle previsioni:

  1. Nella console, vai alla pagina BigQuery.
    Vai a BigQuery
  2. Esegui questa query: 
    SELECT * FROM BQ_DATASET_NAME.BQ_PREDICTIONS_TABLE_NAME

Vertex AI archivia le previsioni nella colonna predicted_TARGET_COLUMN_NAME.value.

Se hai addestrato un modello con Temporal Fusion Transformer (TFT), puoi trovare l'output dell'interpretabilità TFT nella colonna predicted_TARGET_COLUMN_NAME.tft_feature_importance.

Questa colonna è ulteriormente suddivisa come segue:

  • context_columns: funzionalità di previsione i cui valori della finestra di contesto fungono da input per il codificatore TFT Long Short-Term Memory (LSTM).
  • context_weights: i pesi di importanza delle caratteristiche associati a ciascuno di context_columns per l'istanza prevista.
  • horizon_columns: le funzionalità di previsione i cui valori dell'orizzonte di previsione fungono da input per il decodificatore TFT Long Short-Term Memory (LSTM).
  • horizon_weights: i pesi di importanza delle caratteristiche associati a ciascuno di horizon_columns per l'istanza prevista.
  • attribute_columns: funzionalità di previsione che sono invariate.
  • attribute_weights: i pesi associati a ciascuno degli elementi attribute_columns.

Se il tuo modello è ottimizzato per la perdita di quantili e il tuo set di quantili include la mediana, predicted_TARGET_COLUMN_NAME.value è il valore di previsione alla mediana. In caso contrario, predicted_TARGET_COLUMN_NAME.value è il valore di previsione al quantile più basso nel set. Ad esempio, se il set di quantili è [0.1, 0.5, 0.9], value è la previsione per il quantile 0.5. Se il set di quantili è [0.1, 0.9], value è la previsione per il quantile 0.1.

Inoltre, Vertex AI archivia i valori dei quantili e le previsioni nelle seguenti colonne:

  • predicted_TARGET_COLUMN_NAME.quantile_values: i valori dei quantili impostati durante l'addestramento del modello. Ad esempio, possono essere 0.1, 0.5 e 0.9.
  • predicted_TARGET_COLUMN_NAME.quantile_predictions: i valori della previsione associati ai valori dei quantili.

Se il modello utilizza l'inferenza probabilistica, predicted_TARGET_COLUMN_NAME.value contiene il minimizzatore dell'obiettivo di ottimizzazione. Ad esempio, se l'obiettivo di ottimizzazione è minimize-rmse, predicted_TARGET_COLUMN_NAME.value contiene il valore medio. Se è minimize-mae, predicted_TARGET_COLUMN_NAME.value contiene il valore mediano.

Se il modello utilizza l'inferenza probabilistica con i quantili, Vertex AI archivia i valori e le previsioni dei quantili nelle seguenti colonne:

  • predicted_TARGET_COLUMN_NAME.quantile_values: i valori dei quantili impostati durante l'addestramento del modello. Ad esempio, possono essere 0.1, 0.5 e 0.9.
  • predicted_TARGET_COLUMN_NAME.quantile_predictions: i valori della previsione associati ai valori dei quantili.

Se hai abilitato le attribuzioni delle caratteristiche, puoi trovarle anche nella tabella delle previsioni. Per accedere alle attribuzioni per una funzionalità BQ_FEATURE_NAME, esegui questa query:

SELECT explanation.attributions[OFFSET(0)].featureAttributions.BQ_FEATURE_NAME FROM BQ_DATASET_NAME.BQ_PREDICTIONS_TABLE_NAME

Per scoprire di più, consulta Attribuzioni delle funzionalità per le previsioni.

Tabella di convalida degli errori

Il nome della tabella (BQ_ERRORS_VALIDATION_TABLE_NAME) viene formato aggiungendo "errors_validation" con il timestamp di inizio del job di previsione batch: errors_validation_TIMESTAMP

Per recuperare la tabella di convalida degli errori:
  1. Nella console, vai alla pagina BigQuery.
    Vai a BigQuery
  2. Esegui questa query: 
    SELECT * FROM BQ_DATASET_NAME.BQ_ERRORS_VALIDATION_TABLE_NAME
Il messaggio di errore viene archiviato nella colonna seguente:
  • errors_TARGET_COLUMN_NAME

Tabella degli errori

Il nome della tabella (BQ_ERRORS_TABLE_NAME) viene formato aggiungendo "errors_" con il timestamp di inizio del job di previsione batch: errors_TIMESTAMP

Per recuperare la tabella di convalida degli errori:
  1. Nella console, vai alla pagina BigQuery.
    Vai a BigQuery
  2. Esegui questa query: 
    SELECT * FROM BQ_DATASET_NAME.BQ_ERRORS_TABLE_NAME
Gli errori vengono archiviati nelle seguenti colonne:
  • error_TARGET_COLUMN_NAME.code
  • errori_TARGET_COLUMN_NAME.message

Cloud Storage

Se hai specificato Cloud Storage come destinazione di output, i risultati della richiesta di previsione batch vengono restituiti come oggetti CSV in una nuova cartella nel bucket specificato. Il nome della cartella è il nome del modello, preceduto da "prediction-" e dal timestamp di inizio del job di previsione batch. Puoi trovare il nome della cartella Cloud Storage nella scheda Previsioni batch per il tuo modello.

La cartella di Cloud Storage contiene due tipi di oggetti:
  • Oggetti di previsione

    Gli oggetti della previsione sono denominati "predictions_1.csv", "predictions_2.csv" e così via. Contengono una riga di intestazione con i nomi delle colonne e una riga per ogni previsione restituita. Il numero di valori della previsione dipende dall'input e dall'orizzonte di previsione. Ad esempio, se l'input includeva 14 voci null per la colonna di destinazione (come le vendite per i successivi 14 giorni), la richiesta di previsione restituisce 14 righe, ovvero il numero di vendite per ogni giorno. Se la richiesta di previsione supera l'orizzonte di previsione del modello, Vertex AI restituisce solo previsioni fino all'orizzonte di previsione.

    I valori di previsione vengono restituiti in una colonna denominata "predicted_TARGET_COLUMN_NAME". Per le previsioni dei quantili, la colonna di output contiene le previsioni dei quantili e i valori dei quantili in formato JSON.

  • Oggetti di errore

    Gli oggetti di errore vengono denominati "errors_1.csv", "errors_2.csv" e così via. Contengono una riga di intestazione e una riga per ogni riga nei dati di input per la quale Vertex AI non ha potuto restituire una previsione (ad esempio, se una caratteristica per cui non è possibile assegnare valori null era nulla).

Nota: se i risultati sono grandi, vengono suddivisi in più oggetti.

Esempi di query di attribuzione delle caratteristiche in BigQuery

Esempio 1: determinare le attribuzioni per una singola previsione

Prendi in considerazione la seguente domanda:

Quanto è stato previsto un aumento delle vendite di un prodotto per il 24 novembre in un determinato negozio?

La query corrispondente è la seguente:

SELECT
  * EXCEPT(explanation, predicted_sales),
  ROUND(predicted_sales.value, 2) AS predicted_sales,
  ROUND(
    explanation.attributions[OFFSET(0)].featureAttributions.advertisement,
    2
  ) AS attribution_advertisement
FROM
  `project.dataset.predictions`
WHERE
  product = 'product_0'
  AND store = 'store_0'
  AND date = '2019-11-24'

Esempio 2: determinare l'importanza delle caratteristiche globali

Prendi in considerazione la seguente domanda:

In che misura ciascuna funzionalità ha contribuito alle vendite previste nel complesso?

Puoi calcolare manualmente l'importanza globale delle caratteristiche aggregando le attribuzioni dell'importanza locale. La query corrispondente è la seguente:

WITH

/*
* Aggregate from (id, date) level attributions to global feature importance.
*/
attributions_aggregated AS (
 SELECT
   SUM(ABS(attributions.featureAttributions.date)) AS date,
   SUM(ABS(attributions.featureAttributions.advertisement)) AS advertisement,
   SUM(ABS(attributions.featureAttributions.holiday)) AS holiday,
   SUM(ABS(attributions.featureAttributions.sales)) AS sales,
   SUM(ABS(attributions.featureAttributions.store)) AS store,
   SUM(ABS(attributions.featureAttributions.product)) AS product,
 FROM
   project.dataset.predictions,
   UNNEST(explanation.attributions) AS attributions

),

/*
* Calculate the normalization constant for global feature importance.
*/
attributions_aggregated_with_total AS (
 SELECT
   *,
   date + advertisement + holiday + sales + store + product AS total
 FROM
   attributions_aggregated
)

/*
* Calculate the normalized global feature importance.
*/
SELECT
 ROUND(date / total, 2) AS date,
 ROUND(advertisement / total, 2) AS advertisement,
 ROUND(holiday / total, 2) AS holiday,
 ROUND(sales / total, 2) AS sales,
 ROUND(store / total, 2) AS store,
 ROUND(product / total, 2) AS product,
FROM
 attributions_aggregated_with_total

Esempio di output di previsione batch in BigQuery

In un set di dati di esempio sulle vendite di liquori, ci sono quattro negozi nella città di "Ida Grove": "Ida Grove Food Pride", "Discount Liquors of Ida Grove", "Casey's General Store #3757" e "Brew Ida Grove". store_name è il series identifier e tre delle quattro previsioni di richieste dei negozi per la colonna di destinazione sale_dollars. È stato generato un errore di convalida perché non è stata richiesta alcuna previsione per "Liquori scontati di Ida Grove".

Di seguito è riportata un'estrazione dal set di dati di input utilizzato per la previsione:

Set di dati di input di esempio per la previsione della previsione

Di seguito è riportato un estratto dei risultati della previsione:

Esempi di risultati di previsione

Di seguito è riportato un estratto degli errori di convalida:

Esempi di errori di convalida

Esempio di output di previsione batch per un modello ottimizzato per la perdita di quantili

L'esempio seguente è l'output della previsione batch per un modello ottimizzato per la perdita di quantili. In questo scenario, il modello di previsione ha previsto le vendite per i prossimi 14 giorni per ogni negozio.

Esempio di output di previsione batch per un modello ottimizzato per la perdita di quantili

I valori dei quantili sono indicati nella colonna predicted_Sales.quantile_values. In questo esempio, il modello ha previsto i valori ai quantili 0.1, 0.5 e 0.9.

I valori della previsione sono indicati nella colonna predicted_Sales.quantile_predictions. Si tratta di un array di valori delle vendite, mappati ai valori dei quantili nella colonna predicted_Sales.quantile_values. Nella prima riga, vediamo che la probabilità che il valore delle vendite sia inferiore a 4484.04 è del 10%. La probabilità che il valore delle vendite sia inferiore a 5615.64 è il 50%. La probabilità che il valore delle vendite sia inferiore a 6853.29 è il 90%. La previsione per la prima riga, rappresentata come un singolo valore, è 5615.64.