Criar um app de análise de ocupação com previsão do BigQuery

---

A Vertex AI Vision é uma plataforma com tecnologia de IA que pode ser usada para receber, analisar e armazenar dados de de vídeo. Com a Vertex AI Vision, você pode criar e implantar aplicativos de IA. É possível criar soluções completas da Vertex AI Vision aproveitando a integração da Vertex AI Vision com outros componentes do produto.

Para começar a implementar soluções usando a plataforma Vertex AI Vision, consulte os seguintes conceitos e componentes da Vertex AI Vision:

• Streams: representam uma camada de streaming de vídeo da sua solução. A origem do fluxo pode ser um vídeo ao vivo (por exemplo, uma câmera IP) ou um arquivo de vídeo (por exemplo, um arquivo MP4).

• Aplicativos: ative a conexão entre um stream e um processador de IA para realizar uma operação de machine learning no vídeo. Por exemplo, é possível conectar um fluxo de câmera a um modelo de IA que conta as pessoas que passam na frente dela.

• Destino de saída do app: envie dados analisados para um destino de armazenamento (o Media Warehouse da Vertex AI Vision ou o BigQuery) ou receba dados em tempo real. O armazenamento no Media Warehouse do Vertex AI Vision permite pesquisar a saída da análise e os metadados dos processadores de IA usados nos dados dos streams ingeridos. O armazenamento no BigQuery permite usar os recursos de análise off-line do produto. Se você receber a saída do app diretamente, poderá usar insights para tomar decisões comerciais instantaneamente. Para mais informações, consulte Visão geral: conectar a saída do app a um destino de dados.

Objetivos

Este tutorial mostra como fazer o seguinte:

• Crie um conjunto de dados e uma tabela do BigQuery.
• Crie um app de análise de ocupação da Vertex AI Vision que se conecte ao BigQuery.
• Crie uma instância de VM do Compute Engine e configure o ambiente dela.
• Transmita o vídeo da instância de VM para o app.
• Use a saída armazenada do app para criar um modelo de previsão com o BigQuery ML.

Custos

Neste documento, você usará os seguintes componentes faturáveis do Google Cloud:

• Vertex AI Vision (Streams - Data ingested, Streams - Data consumed, Models - Occupancy analytics suite)
• Compute Engine
• BigQuery

Para gerar uma estimativa de custo baseada na projeção de uso deste tutorial, use a calculadora de preços. Novos usuários do Google Cloud podem estar qualificados para uma avaliação gratuita.

Ao concluir as tarefas descritas neste documento, é possível evitar o faturamento contínuo excluindo os recursos criados. Saiba mais em Limpeza.

Antes de começar

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

4. Enable the BigQuery, Compute Engine and Vision AI APIs.

   Enable the APIs

5. Create a service account:

   1. In the Google Cloud console, go to the Create service account page.

      Go to Create service account
   2. Select your project.

   3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

      In the Service account description field, enter a description. For example, Service account for quickstart.

   4. Click Create and continue.

   5. Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer^†.

      To grant a role, find the Select a role list, then select the role.

      To grant additional roles, click Add another role and add each additional role.

      Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later.
   6. Click Continue.

   7. Click Done to finish creating the service account.

      Do not close your browser window. You will use it in the next step.

6. Create a service account key:

   1. In the Google Cloud console, click the email address for the service account that you created.
   2. Click Keys.
   3. Click Add key, and then click Create new key.
   4. Click Create. A JSON key file is downloaded to your computer.
   5. Click Close.

7. Install the Google Cloud CLI.

8. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

9. To initialize the gcloud CLI, run the following command:

   gcloud init

10. 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

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

12. Enable the BigQuery, Compute Engine and Vision AI APIs.

    Enable the APIs

13. Create a service account:

    1. In the Google Cloud console, go to the Create service account page.

       Go to Create service account
    2. Select your project.

    3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

       In the Service account description field, enter a description. For example, Service account for quickstart.

    4. Click Create and continue.

    5. Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer^†.

       To grant a role, find the Select a role list, then select the role.

       To grant additional roles, click Add another role and add each additional role.

       Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later.
    6. Click Continue.

    7. Click Done to finish creating the service account.

       Do not close your browser window. You will use it in the next step.

14. Create a service account key:

    1. In the Google Cloud console, click the email address for the service account that you created.
    2. Click Keys.
    3. Click Add key, and then click Create new key.
    4. Click Create. A JSON key file is downloaded to your computer.
    5. Click Close.

15. Install the Google Cloud CLI.

16. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

17. To initialize the gcloud CLI, run the following command:

    gcloud init

^† O papel só é necessário se você copiar um arquivo de vídeo de amostra de um bucket do Cloud Storage.

Configurar o BigQuery para receber dados

Para receber dados e fazer previsões com base nos dados do app de análise, crie um conjunto de dados e uma tabela do BigQuery que correspondam às informações processadas.

Criar um conjunto de dados

Antes de criar uma tabela do BigQuery, é necessário criar um conjunto de dados para receber as informações analisadas do app.

Console

1. Abra a página do BigQuery no console do Google Cloud .

   Acessar a página do BigQuery

2. No painel Explorador, selecione o projeto em que você quer criar o conjunto de dados.

3. Expanda a opção Ações e clique em Criar conjunto de dados.

4. Na página Criar conjunto de dados, faça o seguinte:

   • Para o código do conjunto de dados, insira occupancy_dataset.

   • Em Local dos dados, escolha uma localização geográfica para o conjunto de dados. Após a criação de um conjunto de dados, o local não pode ser alterado.

     Observação:se você escolher EU ou uma região da União Europeia como o local do conjunto de dados, os principais dados de cliente da Vertex AI Vision vão residir na UE. Os dados do cliente principal da Vertex AI Vision são definidos nos Termos específicos do serviço.

   • Em Validade da tabela padrão, escolha uma das seguintes opções:

     • Nunca: (padrão) as tabelas criadas no conjunto de dados nunca são excluídas automaticamente. Você precisa excluí-las manualmente.

     • Número de dias após a criação da tabela: esse valor determina quando uma tabela recém-criada no conjunto de dados é excluída. Esse valor será aplicado se você não definir a validade da tabela quando ela for criada.

       Observação: se o projeto não estiver associado a uma conta de faturamento, o BigQuery definirá automaticamente a validade padrão da tabela para conjuntos de dados criados no projeto. É possível especificar uma expiração de tabela padrão mais curta para um conjunto de dados, mas não é possível especificar uma expiração de tabela padrão mais longa.

   • Clique em Criar conjunto de dados.

Criar uma tabela do BigQuery

Console

1. No console Google Cloud , acesse a página BigQuery.

   Acessar o BigQuery

2. No painel Explorer, expanda o projeto e selecione o conjunto de dados occupancy_dataset.
3. Na seção Informações do conjunto de dados, clique em Criar tabela.
4. No painel Criar tabela, especifique os seguintes detalhes:
   1. Na seção Origem, selecione Tabela vazia na lista Criar tabela de.
   2. Na seção Destino, especifique os seguintes detalhes:
      1. Verifique se o campo Dataset occupancy_dataset está especificado.
      2. No campo Tabela, insira occupancy_dataset_table.
      3. Verifique se o campo Tipo de tabela está definido como Tabela nativa.
   3. Na seção Esquema, insira a definição do esquema. Para inserir as informações do esquema manualmente, faça o seguinte:
      • Clique em Editar como texto e cole o esquema de matriz JSON a seguir. Com ela, você gera o esquema usando um processo igual ao de criação de um arquivo de esquema JSON.

        [
            {
              "name": "ingestion_time",
              "type": "TIMESTAMP",
              "mode": "REQUIRED"
            },
            {
              "name": "application",
              "type": "STRING",
              "mode": "REQUIRED"
            },
            {
              "name": "instance",
              "type": "STRING",
              "mode": "REQUIRED"
            },
            {
              "name": "node",
              "type": "STRING",
              "mode": "REQUIRED"
            },
            {
              "name": "annotation",
              "type": "STRING"
            }
        ]

   4. Clique em Criar tabela.

Criar um app de contagem de ocupação

Depois de configurar o conjunto de dados e a tabela do BigQuery, você pode criar o app que processa os dados enviados para esses recursos do BigQuery.

Criar um app vazio

Antes de preencher o gráfico do app, é necessário criar um app vazio.

Console

Crie um app no console Google Cloud .

1. Abra a guia Aplicativos do painel da Vertex AI Vision.

   Acesse a guia "Aplicativos"

2. Clique no botão Criar.

3. Insira occupancy-bq-app como o nome do app e escolha sua região.

4. Clique em Criar.

Adicionar nós do componente do app

Depois de criar o aplicativo vazio, adicione os três nós ao gráfico do app:

1. Nó de ingestão: o recurso de stream que ingere dados enviados de uma instância de VM do Compute Engine criada por você.
2. Nó de processamento: o modelo de análise de ocupação que atua nos dados ingeridos.
3. Nó do BigQuery: o nó do conector que permite que seu app armazene metadados na tabela do BigQuery.

Console

Adicione nós de componentes ao app no console.

1. Abra a guia Aplicativos do painel da Vertex AI Vision.

   Acesse a guia "Aplicativos"

2. Na linha occupancy-bq-app, selecione Ver gráfico. Isso leva você à visualização de gráfico do pipeline de processamento.

Adicionar um nó de ingestão de dados

1. Para adicionar um nó de stream de entrada, selecione a opção Streams na seção Conectores do menu lateral.

2. Na seção Origem do menu Stream que é aberto, selecione Adicionar streams.

3. No menu Add streams, escolha Register new streams e adicione occupancy-bq-stream como o nome do stream.

4. Para adicionar o stream ao gráfico do app, clique em Adicionar streams.

Adicionar um nó de processamento de dados

1. Para adicionar o nó de modelo de contagem de ocupação, selecione a opção Análise de ocupação na seção Modelos especializados do menu lateral.

2. Deixe as seleções padrão Pessoas e Veículos.

Adicionar um nó do BigQuery

1. Para adicionar o nó de destino (armazenamento) de saída, selecione a opção BigQuery na seção Conectores do menu lateral.

2. No menu BigQuery, pesquise occupancy_dataset_table e selecione sua tabela.

3. Na seção Armazenar metadados de:, selecione Streams e Análise de ocupação.

Implantar o app para uso

Depois de criar o app completo com todos os componentes necessários, a última etapa para usá-lo é implantá-lo.

Console

1. Abra a guia Aplicativos do painel da Vertex AI Vision.

   Acesse a guia "Aplicativos"

2. Selecione Ver gráfico ao lado do app occupancy-bq-app na lista.

3. Na página do criador de gráfico de aplicativo, clique no botão Deploy.

4. Na caixa de diálogo de confirmação a seguir, selecione Implantar.

   A operação de implantação pode levar alguns minutos para ser concluída. Depois que a implantação for concluída, marcas de seleção verdes vão aparecer ao lado dos nós.

Configurar uma máquina remota para transmitir vídeo

Agora que você tem um app de contagem de ocupação implantado pronto para receber, processar e armazenar dados de streaming em uma tabela do BigQuery, é necessário fazer streaming de dados de vídeo para o app.

Neste tutorial, você cria uma instância de VM do Compute Engine que hospeda um vídeo e envia os dados de streaming de vídeo da VM.

Criar uma VM do Linux

A primeira etapa para enviar vídeos de uma instância de VM do Compute Engine é criar a instância de VM.

Console

1. No console, acesse a página Instâncias de VM.

   Acessar instâncias de VM

2. Selecione o projeto e clique em Continuar.

3. Clique em Criar instância.

4. Especifique um Nome para sua VM. Saiba mais em Convenção de nomenclatura de recursos.

5. Opcional: altere a zona desta VM. O Compute Engine seleciona, aleatoriamente, a lista de zonas dentro de cada região para incentivar o uso em várias zonas.

6. Aceite as outras opções padrão. Para mais informações sobre essas opções, consulte Criar e iniciar uma VM.

7. Para criar e iniciar a VM, clique em Criar.

Configurar o ambiente da VM

Depois que a VM for iniciada, use o console para estabelecer uma conexão SSH no navegador. Depois de estabelecer essa conexão, você pode fazer o download da ferramenta de linha de comando vaictl para importar vídeos no app.

Console

Estabelecer uma conexão SSH com a VM

1. No console, acesse a página Instâncias de VM.

   Acessar instâncias de VM

2. Na seção Conectar da linha de instância criada, clique em SSH. Isso abre uma conexão SSH em uma nova janela do navegador.

   

Faça o download da ferramenta de linha de comando vaictl

1. Na janela SSH no navegador, faça o download da ferramenta de linha de comando da Vertex AI Vision (vaictl) usando o seguinte comando:

   wget https://github.com/google/visionai/releases/download/v0.0.5/visionai_0.0-5_amd64.deb
   

2. Instale a ferramenta de linha de comando executando o seguinte comando:

   sudo apt install ./visionai_0.0-5_amd64.deb
   

3. Para testar a instalação, execute o seguinte comando:

   vaictl --help
   

Ingerir um arquivo de vídeo no app

Depois de configurar o ambiente da VM, copie um arquivo de vídeo de exemplo e use vaictl para transmitir os dados de vídeo para o app de contagem de ocupação.

Depois de enviar esse comando, deixe várias horas de dados sendo transmitidos antes de passar para a próxima etapa.

SSH no navegador

Copiar um vídeo de exemplo para a VM

1. Na janela SSH no navegador da VM, copie um vídeo de exemplo com o comando gcloud storage cp abaixo. Substitua a seguinte variável:
   • SOURCE: o local de um arquivo de vídeo a ser usado. Você pode usar sua própria origem de arquivo de vídeo (por exemplo, gs://BUCKET_NAME/FILENAME.mp4) ou um dos vídeos de exemplo:
     • gs://cloud-samples-data/vertex-ai-vision/street_vehicles_people.mp4 (vídeo com pessoas e veículos, origem do vídeo)
     • gs://cloud-samples-data/vertex-ai-vision/highway_vehicles.mp4 (vídeo com veículos, fonte do vídeo)

   gcloud storage cp SOURCE .

Faça streaming de vídeo da VM e insira dados no app

1. Para enviar esse arquivo de vídeo local para o fluxo de entrada do app, use o comando abaixo. Faça as seguintes substituições de variáveis:
   • PROJECT_ID: o ID do projeto do Google Cloud .
   • LOCATION_ID: o ID do local. Exemplo, us-central1. Mais informações.
   • LOCAL_FILE.EXT: o nome de um arquivo de vídeo local. Por exemplo, my-video.mp4.
   • Flag --loop: opcional. Faz loops nos dados do arquivo para simular o streaming.

   Esse comando transmite um arquivo de vídeo para um stream. Se você usar a flag --loop, o vídeo será reproduzido em loop no stream até que você pare o comando:

   vaictl -p PROJECT_ID \
       -l LOCATION_ID \
       -c application-cluster-0 \
       --service-endpoint visionai.googleapis.com \
   send video-file to streams 'occupancy-bq-stream' --file-path LOCAL_FILE.EXT --loop

Pode levar cerca de 100 segundos entre o início da operação de transferência de vaictl e a exibição do vídeo no painel.

Depois que a transferência de stream estiver disponível, selecione o stream occupancy-bq-stream para conferir o feed de vídeo na guia Streams do painel da Vertex AI Vision.

Acessar a guia "Streams"

Criar um modelo de previsão com o BigQuery ML

Agora você tem um app funcional que armazena metadados no BigQuery. Depois de algumas horas de streaming de dados no app, é possível começar a criar um modelo de previsão com o BigQuery ML.

Opcional: executar uma consulta de ocupação

É possível conferir os dados produzidos pelo app e armazenados na tabela executando uma consulta simples.

Console

1. No console do Google Cloud , abra a página do BigQuery.

   Acessar o BigQuery

2. Selecione Expandir ao lado de occupancy_dataset e selecione occupancy_dataset_table.

3. Na visualização de detalhes da tabela, clique em Escrever nova consulta.

   

4. Insira a consulta SQL padrão do Google abaixo na área de texto do Editor de consultas:

   SELECT
    *
   FROM (
    SELECT
      TIMESTAMP_TRUNC(PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"', JSON_QUERY(annotation,
            "$.currentTime")), MINUTE) currentTime,
      CAST(JSON_QUERY(annotation,
          '$.stats.fullFrameCount[0].count') AS INT64) AS count,
      JSON_QUERY(annotation,
        '$.stats.fullFrameCount[0].entity.labelString') AS type
    FROM
      `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
   WHERE
    count IS NOT NULL

5. Opcional: para mudar o local de processamento de dados, clique em Mais e, em seguida, em Configurações de consulta. Em Local de processamento, clique em Seleção automática e escolha o local dos dados. Por fim, clique em Salvar para atualizar as configurações da consulta.

6. Clique em Executar.

Isso cria um job de consulta que grava a saída em uma tabela temporária.

A execução dessa consulta gera uma tabela com informações de tempo e contagem quando as pessoas estão presentes no vídeo.

currentTime	contagem	tipo
10-08-2022 16:17:00 UTC	2	"Pessoa"
10-08-2022 16:17:00 UTC	2	"Pessoa"
10-08-2022 16:17:00 UTC	4	"Pessoa"
10-08-2022 16:17:00 UTC	1	"Pessoa"
10-08-2022 16:17:00 UTC	5	"Pessoa"
10-08-2022 16:17:00 UTC	2	"Pessoa"

Criar uma visualização para treinamento

Uma visualização é uma tabela virtual definida por uma consulta SQL. Ao criar uma visualização, você a consulta da mesma forma que faz com uma tabela, e os resultados contêm apenas dados das tabelas e dos campos especificados na consulta que define a visualização.

Depois de conferir os dados armazenados na tabela, você pode criar uma visualização e inspecionar o conteúdo da tabela resultante. Use esses dados de visualização para treinar seu modelo de previsão.

É possível criar uma visualização compondo uma consulta SQL que é usada para definir os dados acessíveis para a exibição. A consulta SQL precisa consistir em uma instrução SELECT. Para mais informações sobre as visualizações do BigQuery, consulte Introdução às visualizações.

Para criar uma visualização em tabela de treinamento:

Console

1. No console do Google Cloud , abra a página do BigQuery.

   Acessar o BigQuery

2. Selecione Expandir ao lado de occupancy_dataset e selecione occupancy_dataset_table.

3. Na visualização de detalhes da tabela, clique em Escrever nova consulta.

   

4. Insira a consulta SQL padrão do Google abaixo na área de texto do Editor de consultas:

   CREATE VIEW `PROJECT_ID.occupancy_dataset.forecast_training_data` AS (
     WITH
       raw_counts AS (
       SELECT
         *
       FROM (
         SELECT
           TIMESTAMP_TRUNC(
             PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"',
                             JSON_QUERY(annotation,
                                         "$.currentTime")),
                           MINUTE) AS currentTime,
           CAST(JSON_QUERY(annotation,
               '$.stats.fullFrameCount[0].count') AS INT64) AS count,
           JSON_QUERY(annotation,
             '$.stats.fullFrameCount[0].entity.labelString') AS type
         FROM
           `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
       WHERE
         count IS NOT NULL )
     SELECT
       currentTime,
       SUM(count) AS total_count,
       type
     FROM
       raw_counts
     GROUP BY
       currentTime, type)

5. Clique em Executar.

Opcional: consultar a visualização

Execute a consulta a seguir para conferir os resultados dos novos dados de treinamento de visualização:

Console

1. Na visualização de detalhes da tabela occupancy_dataset_table, clique em Escrever nova consulta.

2. Insira a consulta SQL padrão do Google abaixo na área de texto do Editor de consultas:

   SELECT
    *
   FROM
     `PROJECT_ID.occupancy_dataset.forecast_training_data`
   ORDER BY
    currentTime, type
   LIMIT
    100

3. Clique em Executar.

Isso retorna um resultado classificado por tempo, como este:

currentTime	total_count	tipo
10-08-2022 16:17:00 UTC	129	"Pessoa"
10/08/2022 16:18:00 UTC	150	"Pessoa"
10/08/2022 16:19:00 UTC	80	"Pessoa"
10/08/2022 16:20:00 UTC	129	"Pessoa"
10/08/2022 16:21:00 UTC	142	"Pessoa"
10/08/2022 16:22:00 UTC	71	"Pessoa"
10/08/2022 16:22:00 UTC	2	"Veículo"

Treinar o modelo de previsão com o BigQuery ML

Agora que você tem dados em uma visualização para servir como dados de treinamento, é possível treinar o modelo de previsão com o BigQuery ML.

Console

1. Na visualização de detalhes da tabela occupancy_dataset_table, clique em Escrever nova consulta.

2. Insira a consulta SQL padrão do Google abaixo na área de texto do Editor de consultas:

   CREATE OR REPLACE MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`
     OPTIONS( MODEL_TYPE = "ARIMA_PLUS",
       TIME_SERIES_TIMESTAMP_COL = "currentTime",
       TIME_SERIES_DATA_COL = "total_count",
       TIME_SERIES_ID_COL = "type" ) AS
   SELECT
     *
   FROM
     `PROJECT_ID.occupancy_dataset.forecast_training_data`

3. Clique em Executar.

A consulta leva alguns minutos para ser concluída. Depois que a primeira iteração for concluída, seu modelo (occupancy_forecast_model) vai aparecer no painel de navegação. Como a consulta usa uma instrução CREATE MODEL para criar um modelo, não é possível ver os resultados dela.

Observe o modelo enquanto ele está sendo treinado, visualizando a guia Estatísticas do modelo. Assim que a primeira iteração for concluída, a guia será atualizada. As estatísticas continuam sendo atualizadas conforme cada iteração é concluída.

Receber uma previsão de ocupação com o BigQuery

Depois que o treinamento for concluído, você poderá receber uma previsão do modelo sobre a contagem de ocupação.

A consulta ML.FORECAST a seguir usa a entrada da função HORIZON para fazer uma previsão dos próximos 60 minutos.

Console

1. Na visualização de detalhes da tabela occupancy_dataset_table, clique em Escrever nova consulta.

2. Insira a consulta SQL padrão do Google abaixo na área de texto do Editor de consultas:

   SELECT
     *
   FROM
     ML.FORECAST(MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`,
     STRUCT(60 AS HORIZON))

3. Clique em Executar.

O modelo produz previsões em forecast_value para datas e horas futuras em que o tipo é "Person". Por exemplo, em 2022-08-12 em 11:06:00, o modelo prevê que haverá cerca de 15,26 "pessoas" no total.

tipo	forecast_timestamp	forecast_value	standard_error	confidence_level	prediction_interval_lower_bound	prediction_interval_upper_bound
"Pessoa"	2022-08-12 11:06:00 UTC	15.2621986941298	2,56470066	0,95	10.2444693	20.2799280
"Pessoa"	12-08-2022 11:07:00 UTC	13.235260043001354	3,19379743	0,95	6,98672921	19,4837908
"Pessoa"	12/08/2022 11:08:00 UTC	16.257331475128712	3,87581375	0,95	8,67446430	23,8401986
"Pessoa"	12/08/2022 11:09:00 UTC	31.432229611853742	4.24905293	0,95	23.1191356	39.7453236
"Pessoa"	12/08/2022 11:10:00 UTC	26.199214148193725	4.26157413	0,95	17,8616229	34.5368053
"Pessoa"	12/08/2022 11:11:00 UTC	26.211573546307324	4,27962512	0,95	17,8386663	34.5844807

Limpar

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto que os contém ou mantenha o projeto e exclua os recursos individuais.

Excluir o projeto

Cuidado: excluir um projeto tem os seguintes efeitos:

• Tudo no projeto é excluído. Se você tiver usado um projeto existente para as tarefas neste documento, a exclusão dele incluirá a exclusão de quaisquer outros trabalhos feitos no projeto.
• Os IDs do projeto personalizados são perdidos. Ao criar o projeto, você pode ter criado um código do projeto personalizado para ser usado no futuro. Para preservar os URLs que usam o ID do projeto, como um URL appspot.com, exclua recursos específicos do projeto, em vez de excluir o projeto inteiro.

Se você planeja passar por várias arquiteturas, tutoriais ou guias de início rápido, a reutilização de projetos pode evitar que você exceda os limites da cota do projeto.

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.

Excluir recursos individuais

Excluir instância de VM do Compute Engine

1. In the Google Cloud console, go to the VM instances page.

   Go to VM instances

2. Select the checkbox for the instance that you want to delete.
3. To delete the instance, click More actions, click Delete, and then follow the instructions.

Excluir conjunto de dados do BigQuery

1. In the Google Cloud console, open the BigQuery page.

   Go to BigQuery

2. Select expand next to your project and locate your occupancy_dataset dataset.
3. To delete the dataset, click Actions, click Delete, and then follow the instructions.

Excluir um stream

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

   Go to the Streams tab

2. Locate your occupancy-bq-stream stream.
3. To delete the stream, click Actions, click Delete stream, and then follow the instructions.

Excluir um app

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

   Go to the Applications tab

   Note: You must first undeploy your app before you can delete it.
2. Locate your occupancy-bq-app app.
3. To delete the app, click Actions, click Delete application, and then follow the instructions.

A seguir

• Leia mais sobre Práticas de IA responsável.
• Saiba mais sobre outros componentes que podem ser adicionados a um app em Criar um app.
• Saiba mais sobre outras opções de armazenamento e processamento de saída em Conectar a saída do app a um destino de dados .
• Saiba como pesquisar dados do Search Warehouse no console.
• Confira arquiteturas de referência, diagramas, tutoriais e práticas recomendadas do Google Cloud. Confira o Centro de arquitetura do Cloud.