Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token. Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token.

Halaman ini diterjemahkan oleh Cloud Translation API.

Membuat prediksi

Sekarang Anda siap menggunakan data pengujian di df_for_prediction untuk membuat permintaan prediksi. Permintaan prediksi memanggil model Anda untuk memprediksi spesies penguin yang direpresentasikan oleh karakteristik penguin di setiap baris di df_for_prediction.

Menyiapkan data pengujian prediksi

Sebelum dapat menggunakan data pengujian untuk membuat prediksi, Anda perlu menghapus kolom species. Karena spesies penguin merupakan hal yang Anda prediksi, Anda tidak dapat memasukkannya dalam data pengujian yang digunakan untuk membuat prediksi. Setelah menghapus kolom species, Anda akan mengonversi data menjadi daftar Python karena format inilah yang akan diambil oleh metode predict sebagai input. Jalankan kode berikut untuk mengonversi data Anda ke daftar Python:

# Remove the species column
df_for_prediction.pop(LABEL_COLUMN)

# Convert data to a Python list
test_data_list = df_for_prediction.values.tolist()

(Opsional) Melihat data pengujian

Untuk membantu memahami data pengujian, Anda dapat menjalankan baris kode berikut untuk melihatnya:

test_data_list

Di setiap baris, nilai masing-masing di keenam kolom yang ada mengacu pada karakteristik satu penguin berikut:

Kolom	Karakteristik penguin
0	`island` - Pulau tempat spesies penguin ditemukan. Pemetaan nilai pulau adalah `0` untuk `Dream`, `1` untuk `Biscoe`, dan `2` untuk `Torgersen`.
1	`culmen_length_mm` - Panjang punggung di sepanjang bagian atas paruh seekor penguin.
2	`culmen_depth_mm` - Tinggi paruh seekor penguin.
3	`flipper_length_mm` - Panjang sayap seekor penguin, yang terlihat seperti sirip.
4	`body_mass_g` - Massa tubuh seekor penguin.
5	`sex` - Jenis kelamin seekor penguin. `0` adalah `FEMALE` dan `1` adalah `MALE`.

Mengirim permintaan prediksi

Untuk membuat permintaan prediksi, teruskan daftar data pengujian Python yang Anda buat ke metode predict endpoint.

Metode predict mengevaluasi karakteristik di setiap baris dan menggunakannya untuk memprediksi jenis penguin yang direpresentasikannya. Jalankan kode berikut untuk membuat prediksi Anda. Prediksi yang ditampilkan berisi daftar baris, di mana setiap baris memiliki tiga kolom (Penguin Adelie (Pygoscelis adeliae) (kolom 1), Penguin Chinstrap (Pygoscelis antarctica) (kolom 2), atau Penguin Gentoo (Pygoscelis papua) (kolom 3)).

# Get your predictions.
predictions = endpoint.predict(instances=test_data_list)

# View the predictions
predictions.predictions

Setiap kolom dalam satu baris berisi nilai, dan makin tinggi nilainya, makin besar keyakinan bahwa spesies penguin yang direpresentasikan oleh kolom tersebut merupakan prediksi yang benar. Misalnya, dalam baris output prediksi sampel berikut, model menggunakan karakteristik baris data penguin sampel untuk memprediksi bahwa penguin kemungkinan besar adalah spesies Penguin Adelie (Pygoscelis adeliae). Hal ini karena nilai tertinggi, 0.732703805, berada di kolom pertama.

[0.732703805, 0.233752429, 0.0335437432]

Dalam kode berikut, metode argmax NumPy menampilkan kolom untuk setiap baris yang berisi nilai tertinggi. Nilai tertinggi sesuai dengan prediksi yang kemungkinan besar benar. Baris kedua menampilkan array prediksi.

# Get the prediction for each set of input data.
species_predictions = np.argmax(predictions.predictions, axis=1)

# View the best prediction for the penguin characteristics in each row.
species_predictions

Setiap hasil dalam array species_predictions memprediksi spesies penguin mana yang sesuai dengan nilai di baris data pengujian yang sesuai. Misalnya, nilai pertama adalah 0, yang memetakan ke spesies Penguin Adelie (Pygoscelis adeliae). Artinya, model Anda memprediksi bahwa spesies penguin dengan karakteristik di baris pertama data pengujian adalah Penguin Adelie (Pygoscelis adeliae).

Membersihkan resource

Setelah selesai, Anda dapat melanjutkan menggunakan notebook Anda untuk menjelajahi dan mempelajari lebih lanjut referensi yang telah dibuat beserta cara kerjanya.

Menghapus resource

Jika sudah siap, sebaiknya hapus resource Google Cloud yang Anda buat selama tutorial ini agar tidak dikenakan biaya yang tidak perlu. Terdapat dua cara untuk menghapus resource:

Hapus project Anda, tindakan ini juga menghapus semua resource yang berkaitan dengan project Anda. Untuk mengetahui informasi selengkapnya, lihat Menghentikan (menghapus) project.
Jalankan kode yang menghapus tugas pelatihan Anda (objek CustomTrainingJob), model (objek Model), endpoint (objek Endpoint), dan bucket Cloud Storage. Opsi ini mempertahankan project Anda dan resource lain yang mungkin telah dibuat dan tidak secara eksplisit dihapus dengan kode Anda.

Anda harus membatalkan deployment model sebelum dapat menghapusnya dengan meneruskan force=True ke metode endpoint.delete.

Untuk mempertahankan project dan menghapus hanya resource yang Anda buat selama tutorial ini, jalankan kode berikut di notebook Anda:

import os

# Delete the training job
job.delete()

# Delete the endpoint and undeploy the model from it
endpoint.delete(force=True)

# Delete the model
model.delete()

# Delete the storage bucket and its contents
bucket.delete(force=True)

Menghapus instance Vertex AI Workbench

Anda dapat mempertahankan instance Vertex AI Workbench untuk digunakan pada pekerjaan mendatang. Jika Anda menyimpannya, pastikan Anda mengetahui biayanya. Untuk mengetahui informasi selengkapnya, lihat Harga Vertex AI Workbench.

Jika Anda ingin menghapus instance Vertex AI Workbench, lakukan hal berikut:

Di konsol Google Cloud, buka halaman Instance Vertex AI Workbench.

Buka Instance
Pilih instance Vertex AI Workbench Anda.
Di menu atas, klik Hapus.
Di dialog konfirmasi Delete instance, klik Confirm. Diperlukan waktu beberapa menit untuk menyelesaikan penghapusan.

Sebelumnya

Melatih model