Données de texte Hello : configurer votre projet et votre environnement

Pour en savoir plus, exécutez le notebook Jupyter "Créer, entraîner et déployer un modèle de classification de texte AutoML" dans l'un des environnements suivants :

• Exécutez le notebook dans Colab.
• Exécutez le notebook dans une instance de notebook gérée par l'utilisateur Vertex AI Workbench.
• Affichez le notebook sur GitHub.

Ce tutoriel explique comment créer un modèle pour classer des contenus à l'aide de Vertex AI. Ce tutoriel entraîne un modèle AutoML à l'aide d'un corpus de "moments de bonheur" vécus par des utilisateurs, issu de l'ensemble de données Open Source HappyDB de Kaggle. Le modèle qui en résulte classe les moments heureux en catégories qui reflètent les causes du bonheur.

Remarque : Les données sont mises à disposition via une licence Creative Commons CCO : domaine public.

---

Pour obtenir des conseils détaillés sur cette tâche directement dans la console, cliquez sur Visite guidée :

Visite guidée

---

La procédure décrite dans les sections suivantes, est la même que si vous cliquez sur Visite guidée.

Dans cette partie du tutoriel, vous allez configurer votre projet Google Cloud pour qu'il utilise Vertex AI et un bucket Cloud Storage contenant les documents nécessaires à l'entraînement de votre modèle AutoML.

Ce tutoriel comporte plusieurs pages :

1. Configurer votre projet et votre environnement.

2. Créer un ensemble de données de classification de texte.

3. Entraîner un modèle de classification de texte AutoML.

4. Déployer le modèle sur un point de terminaison et effectuer une prédiction.

5. Nettoyer votre projet.

Chaque page suppose que vous avez déjà effectué les instructions des pages précédentes du tutoriel.

Configurer votre projet

Tout au long de ce tutoriel, utilisez Google Cloud Console pour interagir avec Google Cloud. Suivez les étapes ci-dessous avant d'utiliser la fonctionnalité Vertex AI.

1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.

2. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

3. Assurez-vous que la facturation est activée pour votre projet Cloud. Découvrez comment vérifier si la facturation est activée sur un projet.

4. Activez l'API Vertex AI

   Activer l'API

5. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

6. Assurez-vous que la facturation est activée pour votre projet Cloud. Découvrez comment vérifier si la facturation est activée sur un projet.

7. Activez l'API Vertex AI

   Activer l'API

8. Dans la console, activez Cloud Shell.

   Activer Cloud Shell

   En bas de la fenêtre de la console, une session Cloud Shell démarre et affiche une invite de ligne de commande. Cloud Shell est un environnement shell dans lequel Google Cloud CLI est déjà installé, et dans lequel des valeurs sont déjà définies pour votre projet actuel. L'initialisation de la session peut prendre quelques secondes.

Créer un bucket Cloud Storage et copier l'exemple d'ensemble de données

Créez un bucket Cloud Storage pour stocker les documents qui serviront à entraîner le modèle AutoML.

1. Ouvrez Cloud Shell.

2. Définissez la variable PROJECT_ID sur l'ID de votre projet.

   export PROJECT_ID=PROJECT_ID

3. Définissez la variable BUCKET, que vous utiliserez pour créer un bucket Cloud Storage.

   export BUCKET=${PROJECT_ID}-lcm

4. Créez un bucket Cloud Storage dans la région us-central1 avec la variable BUCKET.

   gsutil mb -p ${PROJECT_ID} -l us-central1 gs://${BUCKET}/

5. Copiez l'exemple d'ensemble de données d'entraînement happiness.csv dans votre bucket.

   gsutil -m cp -R gs://cloud-ml-data/NL-classification/happiness.csv gs://${BUCKET}/text/

Étape suivante

Suivez la page suivante de ce tutoriel pour utiliser la console Vertex AI afin de créer un ensemble de données de classification de texte et d'importer les documents que vous avez copiés dans votre bucket Cloud Storage.