Vertex AI: AutoML এর সাথে একটি জালিয়াতি সনাক্তকরণ মডেল তৈরি করা

১. সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি টেবুলার ডেটা দিয়ে একটি মডেলকে প্রশিক্ষণ দিতে এবং পরিবেশন করতে ভার্টেক্স এআই ব্যবহার করবেন। এটি গুগল ক্লাউডের সর্বাধুনিক এআই পণ্য এবং বর্তমানে প্রিভিউ পর্যায়ে রয়েছে।

আপনি যা শিখবেন

আপনি শিখবেন কীভাবে:

• Vertex AI-তে একটি পরিচালিত ডেটাসেট আপলোড করুন
• AutoML দিয়ে একটি মডেলকে প্রশিক্ষণ দিন
• আপনার প্রশিক্ষিত AutoML মডেলটি একটি এন্ডপয়েন্টে স্থাপন করুন এবং প্রেডিকশন পেতে সেই এন্ডপয়েন্টটি ব্যবহার করুন।

গুগল ক্লাউডে এই ল্যাবটি চালানোর মোট খরচ প্রায় ২২ ডলার ।

২. ভার্টেক্স এআই-এর পরিচিতি

এই ল্যাবটি গুগল ক্লাউডে উপলব্ধ সর্বাধুনিক এআই প্রোডাক্টটি ব্যবহার করে। ভার্টেক্স এআই গুগল ক্লাউডের এমএল (ML) অফারিংগুলোকে একটি নির্বিঘ্ন ডেভেলপমেন্ট অভিজ্ঞতায় একীভূত করে। পূর্বে, অটোএমএল (AutoML) দিয়ে প্রশিক্ষিত মডেল এবং কাস্টম মডেলগুলো আলাদা আলাদা সার্ভিসের মাধ্যমে অ্যাক্সেস করা যেত। নতুন অফারিংটি অন্যান্য নতুন প্রোডাক্টের সাথে উভয়কে একটিমাত্র এপিআই (API)-তে একত্রিত করেছে। আপনি আপনার বিদ্যমান প্রোজেক্টগুলোও ভার্টেক্স এআই-তে মাইগ্রেট করতে পারেন। আপনার কোনো মতামত থাকলে, অনুগ্রহ করে সাপোর্ট পেজটি দেখুন।

ভার্টেক্স এআই-এর এন্ড-টু-এন্ড এমএল ওয়ার্কফ্লো সমর্থন করার জন্য বিভিন্ন পণ্য রয়েছে। এই ল্যাবটি নিচে উল্লেখিত পণ্যগুলোর উপর আলোকপাত করবে: টেবুলার ডেটার জন্য অটোএমএল, প্রেডিকশন এবং ওয়ার্কবেঞ্চ।

৩. আপনার পরিবেশ প্রস্তুত করুন

এই কোডল্যাবটি চালানোর জন্য আপনার বিলিং চালু করা একটি গুগল ক্লাউড প্ল্যাটফর্ম প্রজেক্ট প্রয়োজন হবে। প্রজেক্ট তৈরি করতে, এখানের নির্দেশাবলী অনুসরণ করুন।

ধাপ ১: কম্পিউট ইঞ্জিন এপিআই সক্রিয় করুন

Compute Engine- এ যান এবং যদি আগে থেকে সক্রিয় করা না থাকে তবে 'Enable' নির্বাচন করুন। আপনার নোটবুক ইনস্ট্যান্স তৈরি করার জন্য এটি প্রয়োজন হবে।

ধাপ ২: Vertex AI API সক্রিয় করুন

আপনার ক্লাউড কনসোলের Vertex AI বিভাগে যান এবং Enable Vertex AI API-তে ক্লিক করুন।

ধাপ ৩: একটি Vertex AI Workbench ইনস্ট্যান্স তৈরি করুন

আপনার ক্লাউড কনসোলের Vertex AI সেকশন থেকে Workbench-এ ক্লিক করুন:

সেখান থেকে, ব্যবহারকারী-পরিচালিত নোটবুকগুলোর মধ্যে, নতুন নোটবুক-এ ক্লিক করুন:

তারপর GPU ছাড়া TensorFlow Enterprise (LTS সহ) ইনস্ট্যান্স টাইপের সর্বশেষ সংস্করণটি নির্বাচন করুন:

ডিফল্ট অপশনগুলো ব্যবহার করুন এবং তারপর তৈরি করুন-এ ক্লিক করুন।

ধাপ ৫: আপনার নোটবুকটি খুলুন।

ইনস্ট্যান্সটি তৈরি হয়ে গেলে, Open JupyterLab নির্বাচন করুন:

আমাদের মডেলকে প্রশিক্ষণ দেওয়ার জন্য আমরা যে ডেটা ব্যবহার করব তা এই ক্রেডিট কার্ড জালিয়াতি সনাক্তকরণ ডেটাসেট থেকে নেওয়া। আমরা এই ডেটাসেটের এমন একটি সংস্করণ ব্যবহার করব যা BigQuery-তে সর্বজনীনভাবে উপলব্ধ করা হয়েছে।

৪. একটি পরিচালিত ডেটাসেট তৈরি করুন

ভার্টেক্স এআই-তে আপনি বিভিন্ন ধরনের ডেটার জন্য পরিচালিত ডেটাসেট তৈরি করতে পারেন। এরপর আপনি এই ডেটাসেটগুলোর ওপর পরিসংখ্যান তৈরি করতে পারেন এবং সেগুলো ব্যবহার করে অটোএমএল (AutoML) অথবা আপনার নিজস্ব কাস্টম মডেল কোড দিয়ে মডেলকে প্রশিক্ষণ দিতে পারেন।

ধাপ ১: একটি ডেটাসেট তৈরি করুন

আপনার কনসোলের Vertex মেনুতে, Data sets নির্বাচন করুন:

এই ল্যাবে আমরা একটি জালিয়াতি শনাক্তকরণ মডেল তৈরি করব, যা নির্ধারণ করবে কোনো নির্দিষ্ট ক্রেডিট কার্ড লেনদেনকে জালিয়াতিপূর্ণ হিসেবে শ্রেণীবদ্ধ করা উচিত কি না।

জালিয়াতি শনাক্তকরণ এবং অসঙ্গতি শনাক্তকরণের অনেক সমস্যার একটি চ্যালেঞ্জ হলো ডেটাসেটটি সাধারণত মারাত্মকভাবে ভারসাম্যহীন থাকে, যেখানে জালিয়াতি-বিহীন শ্রেণীর উদাহরণ অনেক বেশি থাকে। এই ল্যাব জুড়ে আমরা ভারসাম্যহীন ডেটাসেট মোকাবেলা করার জন্য কিছু কৌশল প্রদান করব।

ডেটা সেট পৃষ্ঠা থেকে, ডেটা সেটটির একটি নাম দিন, তারপর ট্যাবুলার এবং রিগ্রেশন/ক্লাসিফিকেশন নির্বাচন করুন। এরপর ডেটা সেট তৈরি করুন :

Vertex-এর Managed Datasets-এ ডেটা ইম্পোর্ট করার জন্য কয়েকটি বিকল্প রয়েছে:

• আপনার কম্পিউটার থেকে একটি স্থানীয় ফাইল আপলোড করা
• ক্লাউড স্টোরেজ থেকে ফাইল নির্বাচন করা
• BigQuery থেকে ডেটা নির্বাচন করা

এখানে আমরা একটি পাবলিক BigQuery টেবিল থেকে ডেটা আপলোড করব।

ধাপ ২: BigQuery থেকে ডেটা ইম্পোর্ট করুন

আপনার ইম্পোর্ট পদ্ধতি হিসেবে 'Selection a table or view from BigQuery' বেছে নিন, এবং তারপর BigQuery টেবিল বক্সে নিম্নলিখিতটি কপি করুন: bigquery-public-data.ml_datasets.ulb_fraud_detection । এরপর ' Continue ' নির্বাচন করুন।

আপনার ডেটাসেট ইম্পোর্ট করার পর আপনি নিচের মতো কিছু দেখতে পাবেন:

আপনি চাইলে, এই ডেটাসেট সম্পর্কে অতিরিক্ত তথ্য দেখতে 'Generate statistics'-এ ক্লিক করতে পারেন, কিন্তু পরবর্তী ধাপে যাওয়ার আগে এটি আবশ্যক নয়। এই ডেটাসেটটিতে প্রকৃত ক্রেডিট কার্ড লেনদেন রয়েছে। বেশিরভাগ কলামের নাম গোপন রাখা হয়েছে, যে কারণে সেগুলোকে V1 , V2 ইত্যাদি নামে ডাকা হয়।

৫. AutoML ব্যবহার করে একটি মডেলকে প্রশিক্ষণ দিন

একটি ম্যানেজড ডেটাসেট আপলোড করা হয়ে গেলে, আমরা এই ডেটা দিয়ে একটি মডেলকে প্রশিক্ষণ দেওয়ার জন্য প্রস্তুত। আমরা একটি নির্দিষ্ট লেনদেন জালিয়াতিপূর্ণ কিনা তা ভবিষ্যদ্বাণী করার জন্য একটি ক্লাসিফিকেশন মডেলকে প্রশিক্ষণ দেব। মডেল প্রশিক্ষণের জন্য ভার্টেক্স এআই আপনাকে দুটি বিকল্প দেয়:

• অটোএমএল : ন্যূনতম পরিশ্রম ও এমএল দক্ষতা দিয়ে উন্নত মানের মডেল তৈরি করুন।
• কাস্টম প্রশিক্ষণ : গুগল ক্লাউডের আগে থেকে তৈরি কন্টেইনারগুলোর একটি ব্যবহার করে অথবা আপনার নিজের কন্টেইনার ব্যবহার করে ক্লাউডে আপনার কাস্টম প্রশিক্ষণ অ্যাপ্লিকেশনগুলো চালান।

এই ল্যাবে আমরা প্রশিক্ষণের জন্য AutoML ব্যবহার করব।

ধাপ ১: প্রশিক্ষণের কাজটি শুরু করুন

পূর্ববর্তী ধাপে আপনি যেখানে কাজ শেষ করেছিলেন, সেই ডেটাসেট ডিটেইল পেজ থেকে উপরের ডানদিকে থাকা 'Train new model' নির্বাচন করুন। উদ্দেশ্য হিসেবে 'Classification' নির্বাচন করুন, মডেল প্রশিক্ষণের জন্য 'AutoML' নির্বাচিত রাখুন এবং তারপর ' Continue ' ক্লিক করুন।

আপনার মডেলের একটি নাম দিন, অথবা আপনি ডিফল্ট নামটি ব্যবহার করতে পারেন। 'টার্গেট' কলামের অধীনে 'ক্লাস' নির্বাচন করুন। এটি একটি পূর্ণসংখ্যা যা নির্দেশ করে যে একটি নির্দিষ্ট লেনদেন জালিয়াতিপূর্ণ ছিল কি না ( 0 জালিয়াতিহীন, 1 জালিয়াতিপূর্ণ)।

আপনি যদি এই ধাপের অ্যাডভান্সড অপশনগুলো দেখেন, তাহলে দেখতে পাবেন যে আপনি একটি নির্দিষ্ট ট্রেন/টেস্ট স্প্লিট নির্ধারণ করে দিতে পারেন, যদি আপনি না চান যে ভার্টেক্স আপনার জন্য এই কাজটি স্বয়ংক্রিয়ভাবে করুক। এই ক্ষেত্রে আমরা র‍্যান্ডম অ্যাসাইনমেন্ট ব্যবহার করছি, কিন্তু আপনি আপনার ডেটার একটি CSV আপলোড করার সময় এটি ম্যানুয়ালিও নির্ধারণ করে দিতে পারেন, অথবা ডেটাতে একটি Time কলাম থাকলে সেটিকে কালানুক্রমিকভাবেও ভাগ করতে পারেন।

তারপর চালিয়ে যান নির্বাচন করুন:

এই ধাপে, নিচে স্ক্রল করুন এবং 'Advanced options' প্রসারিত করতে ক্লিক করুন। যেহেতু এই ডেটাসেটটি ব্যাপকভাবে ভারসাম্যহীন (ডেটার ১%-এরও কম অংশে জালিয়াতিপূর্ণ লেনদেন রয়েছে), তাই AUC PRC বিকল্পটি বেছে নিন, যা তুলনামূলকভাবে কম প্রচলিত ক্লাসের জন্য প্রিসিশন-রিকল সর্বাধিক করবে:

'Continue' নির্বাচন করুন এবং তারপর শেষ ধাপে (Compute and pricing) যান। এখানে, আপনার বাজেটের জন্য নোড আওয়ার সংখ্যা হিসেবে ১ লিখুন এবং আর্লি স্টপিং (early stopping) চালু রাখুন। আপনার নির্বাচিত ফিচার এবং লেবেলের মধ্যে কোনো সম্পর্ক আছে কিনা তা বোঝার জন্য, আপনার AutoML মডেলকে ১ কম্পিউট আওয়ার ধরে প্রশিক্ষণ দেওয়া সাধারণত একটি ভালো সূচনা। সেখান থেকে, আপনি আপনার ফিচারগুলো পরিবর্তন করতে পারেন এবং মডেলের পারফরম্যান্স উন্নত করার জন্য আরও বেশি সময় ধরে প্রশিক্ষণ দিতে পারেন। এরপর, 'Start training' নির্বাচন করুন।

আপনার প্রশিক্ষণ সম্পন্ন হলে আপনি একটি ইমেল পাবেন। রিসোর্স চালু ও বন্ধ করার সময়টুকু হিসাব করলে, প্রশিক্ষণটি সম্পন্ন হতে এক ঘণ্টার চেয়ে সামান্য বেশি সময় লাগবে।

৬. মডেল মূল্যায়ন মেট্রিকগুলো অন্বেষণ করুন

এই ধাপে আমরা দেখব আমাদের মডেলটি কেমন কাজ করেছে।

আপনার মডেল প্রশিক্ষণের কাজটি সম্পন্ন হয়ে গেলে, Vertex-এর Models ট্যাবে যান। আপনি এইমাত্র যে মডেলটি প্রশিক্ষণ দিয়েছেন সেটিতে ক্লিক করুন এবং Evaluate ট্যাবটি দেখুন। এখানে অনেকগুলো মূল্যায়ন মেট্রিক রয়েছে - আমরা দুটির উপর মনোযোগ দেব: Confusion Matrix এবং Feature Importance ।

ধাপ ১: কনফিউশন ম্যাট্রিক্সটি বুঝুন।

একটি কনফিউশন ম্যাট্রিক্স আমাদের টেস্ট সেটের প্রতিটি ক্লাস থেকে মডেল দ্বারা সঠিকভাবে প্রেডিক্ট করা উদাহরণের শতকরা হার বলে দেয়। আমাদের মতো একটি ইমব্যালেন্সড ডেটাসেটের ক্ষেত্রে, এটি আমাদের মডেলের পারফরম্যান্স পরিমাপের জন্য ওভারঅল অ্যাক্যুরেসির চেয়ে ভালো একটি মাপকাঠি।

মনে রাখবেন যে আমাদের ডেটাসেটের উদাহরণগুলোর মধ্যে ১%-এরও কম ছিল জালিয়াতিপূর্ণ লেনদেন, তাই যদি আমাদের মডেলের নির্ভুলতা ৯৯% হয়, তাহলে খুব সম্ভবত এটি ৯৯% সময়ই এলোমেলোভাবে অ-জালিয়াতিপূর্ণ শ্রেণীটি অনুমান করছে। একারণেই এখানে প্রতিটি শ্রেণীর জন্য আমাদের মডেলের নির্ভুলতা দেখা একটি ভালো পরিমাপক।

আপনি যদি 'Evaluate' ট্যাবে নিচে স্ক্রল করেন, তাহলে এইরকম দেখতে একটি কনফিউশন ম্যাট্রিক্স দেখতে পাবেন (সঠিক শতাংশ ভিন্ন হতে পারে):

কনফিউশন ম্যাট্রিক্স থেকে দেখা যায় যে, আমাদের প্রাথমিক মডেলটি টেস্ট সেটের ৮৫% জাল উদাহরণ সঠিকভাবে শনাক্ত করতে সক্ষম। এটি বেশ ভালো, বিশেষ করে আমাদের ডেটাসেটের উল্লেখযোগ্য ভারসাম্যহীনতার কথা বিবেচনা করলে। এরপর আমরা এই ৮৫% থেকে আরও উন্নতি করতে পারি কিনা তা দেখার জন্য আমাদের মডেলটিকে আরও বেশি কম্পিউট আওয়ার দিয়ে প্রশিক্ষণ দেওয়ার চেষ্টা করতে পারি।

ধাপ ২: বৈশিষ্ট্যের গুরুত্ব দেখা

কনফিউশন ম্যাট্রিক্সের নিচে, আপনি এইরকম দেখতে একটি ফিচার ইম্পরটেন্স চার্ট দেখতে পাবেন:

এটি আমাদের সেই বৈশিষ্ট্যগুলো দেখায়, যেগুলো পূর্বাভাস দেওয়ার সময় আমাদের মডেলকে সবচেয়ে বড় সংকেত দিয়েছিল। ফিচার ইম্পরটেন্স হলো এক ধরনের এক্সপ্লেইনেবল এআই (Explainable AI) – এটি এমন একটি ক্ষেত্র যেখানে একটি এমএল (ML) মডেলের পূর্বাভাস দেওয়ার প্রক্রিয়া সম্পর্কে আরও গভীর ধারণা পাওয়ার বিভিন্ন পদ্ধতি অন্তর্ভুক্ত রয়েছে। এখানে প্রদর্শিত ফিচার ইম্পরটেন্স চার্টটি আমাদের টেস্ট সেটে মডেলের সমস্ত পূর্বাভাসের সমষ্টিগতভাবে গণনা করা হয়েছে। এটি একগুচ্ছ উদাহরণের মধ্যে সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্যগুলো আমাদের দেখায়।

ফিচার ইম্পরটেন্স কীভাবে গণনা করা হয় সে সম্পর্কে আরও জানতে, এক্সপ্লেইনেবল এআই টিমের হোয়াইটপেপারটি দেখুন।

আমাদের ডেটাসেটের বেশিরভাগ বৈশিষ্ট্য অস্পষ্ট না থাকলে এই চার্টটি আরও আকর্ষণীয় হতো। উদাহরণস্বরূপ, আমরা হয়তো জানতে পারতাম যে লেনদেনের ধরন (স্থানান্তর, জমা, ইত্যাদি) জালিয়াতির সবচেয়ে বড় সূচক ছিল।

বাস্তব ক্ষেত্রে, এই ফিচার ইম্পর্টেন্স ভ্যালুগুলো আমাদের মডেলকে উন্নত করতে এবং এর প্রেডিকশনের উপর আরও বেশি আস্থা রাখতে সাহায্য করতে পারে। আমরা হয়তো পরেরবার মডেলকে ট্রেইন করার সময় সবচেয়ে কম গুরুত্বপূর্ণ ফিচারগুলো বাদ দেওয়ার সিদ্ধান্ত নিতে পারি, অথবা আমাদের দুটি অধিক গুরুত্বপূর্ণ ফিচারকে একত্রিত করে একটি ফিচার ক্রস তৈরি করে দেখতে পারি যে এটি মডেলের পারফরম্যান্স উন্নত করে কিনা।

আমরা এখানে একটি ব্যাচ জুড়ে ফিচার ইম্পরটেন্স দেখছি, কিন্তু ভার্টেক্স এআই-তে আমরা স্বতন্ত্র প্রেডিকশনের জন্যও ফিচার ইম্পরটেন্স পেতে পারি। আমাদের মডেলটি ডেপ্লয় করার পর আমরা দেখব কীভাবে তা করতে হয়।

৭. একটি এন্ডপয়েন্টে মডেলটি স্থাপন করা

এখন যেহেতু আমাদের একটি প্রশিক্ষিত মডেল আছে, পরবর্তী ধাপ হলো ভার্টেক্সে একটি এন্ডপয়েন্ট তৈরি করা। ভার্টেক্সের একটি মডেল রিসোর্সের সাথে একাধিক এন্ডপয়েন্ট যুক্ত থাকতে পারে এবং আপনি এন্ডপয়েন্টগুলোর মধ্যে ট্র্যাফিক ভাগ করে দিতে পারেন।

ধাপ ১: একটি এন্ডপয়েন্ট তৈরি করা

আপনার মডেল পেজে, Deploy and test ট্যাবে যান এবং Deploy to endpoint-এ ক্লিক করুন:

আপনার এন্ডপয়েন্টের একটি নাম দিন, যেমন fraud_v1 , অ্যাক্সেস স্ট্যান্ডার্ড- এ সেট করা রাখুন এবং কন্টিনিউ-তে ক্লিক করুন।

ট্র্যাফিক স্প্লিটিং এবং মেশিন টাইপ ডিফল্ট সেটিংসে রেখে, 'Done'-এ ক্লিক করুন এবং তারপর 'Continue'-তে ক্লিক করুন।

আমরা এই এন্ডপয়েন্টের জন্য মডেল মনিটরিং ব্যবহার করব না, তাই আপনি এটি নির্বাচন না করেই 'Deploy' বোতামে ক্লিক করতে পারেন। আপনার এন্ডপয়েন্টটি ডেপ্লয় হতে কয়েক মিনিট সময় লাগবে। এটি সম্পন্ন হলে আপনি এর পাশে একটি সবুজ টিক চিহ্ন দেখতে পাবেন।

আপনি প্রায় কাছাকাছি চলে এসেছেন! এখন আপনি আপনার ডেপ্লয় করা মডেলের প্রেডিকশনগুলো পাওয়ার জন্য প্রস্তুত।

৮. আমাদের স্থাপন করা মডেলের পূর্বাভাস পাওয়া

মডেলের পূর্বাভাস পাওয়ার জন্য কয়েকটি উপায় রয়েছে:

• ভার্টেক্স এআই ইউআই
• ভার্টেক্স এআই এপিআই

আমরা এখানে দুটোই দেখাবো।

ধাপ ১: UI-তে মডেলের পূর্বাভাসগুলো দেখুন

আপনার মডেল পেজে, যেখানে আপনার এন্ডপয়েন্ট দেখানো হচ্ছে (যেখানে আমরা আগের ধাপে কাজ শেষ করেছিলাম), নিচে স্ক্রল করে ' Test your model' সেকশনে যান:

এখানে, ভার্টেক্স এআই আমাদের মডেলের প্রতিটি ফিচারের জন্য কিছু র‍্যান্ডম মান বেছে নিয়েছে, যা ব্যবহার করে আমরা একটি টেস্ট প্রেডিকশন পেতে পারি। আপনি চাইলে এই মানগুলো পরিবর্তন করতে পারেন। পেজটির একদম নিচে স্ক্রল করে যান এবং ‘Predict’ নির্বাচন করুন।

পেজের 'প্রেডিকশন রেজাল্ট' অংশে, আপনি প্রতিটি ক্লাসের জন্য আপনার মডেলের পূর্বাভাসিত শতাংশ দেখতে পাবেন। উদাহরণস্বরূপ, ক্লাস 0 এর জন্য 0.99 -এর একটি কনফিডেন্স স্কোরের অর্থ হলো, আপনার মডেল মনে করে যে এই উদাহরণটি ৯৯% জালিয়াতিমুক্ত হওয়ার সম্ভাবনা রয়েছে।

ধাপ ২: Vertex AI API ব্যবহার করে মডেলের পূর্বাভাস জানুন।

আপনার ডেপ্লয় করা এন্ডপয়েন্টটি প্রত্যাশা অনুযায়ী কাজ করছে কিনা, তা নিশ্চিত করার জন্য UI একটি চমৎকার উপায়, কিন্তু সম্ভবত আপনি একটি REST API কলের মাধ্যমে ডাইনামিকভাবে প্রেডিকশন পেতে চাইবেন। এখানে কীভাবে মডেল প্রেডিকশন পেতে হয় তা দেখানোর জন্য, আমরা এই ল্যাবের শুরুতে আপনার তৈরি করা Vertex Workbench ইনস্ট্যান্সটি ব্যবহার করব।

এপিআই-এর মাধ্যমে মডেল প্রেডিকশন পেতে আপনার ভার্টেক্স ওয়ার্কবেঞ্চ ব্যবহার করার প্রয়োজন নেই। আপনি চাইলে অন্য কোনো এনভায়রনমেন্ট ব্যবহার করে নিচের ধাপগুলো অনুসরণ করতে পারেন।

এরপর, আপনার তৈরি করা নোটবুক ইনস্ট্যান্সটি খুলুন এবং লঞ্চার থেকে একটি পাইথন ৩ নোটবুক খুলুন:

আপনার নোটবুকের একটি সেলে Vertex SDK ইনস্টল করতে নিম্নলিখিত কমান্ডটি চালান:

!pip3 install google-cloud-aiplatform --upgrade --user

এরপর, SDK ইম্পোর্ট করতে এবং আপনার সদ্য ডিপ্লয় করা এন্ডপয়েন্টটির একটি রেফারেন্স তৈরি করতে আপনার নোটবুকে একটি সেল যোগ করুন:

from google.cloud import aiplatform

endpoint = aiplatform.Endpoint(
    endpoint_name="projects/YOUR-PROJECT-NUMBER/locations/us-central1/endpoints/YOUR-ENDPOINT-ID"
)

আপনাকে উপরের endpoint_name স্ট্রিং-এর দুটি মান আপনার প্রজেক্ট নম্বর এবং এন্ডপয়েন্ট দিয়ে প্রতিস্থাপন করতে হবে। আপনি আপনার প্রজেক্ট ড্যাশবোর্ডে গিয়ে 'Project Number' মানটি থেকে আপনার প্রজেক্ট নম্বরটি খুঁজে নিতে পারেন।

আপনি আপনার এন্ডপয়েন্ট আইডিটি কনসোলের এন্ডপয়েন্টস সেকশনে এখানে খুঁজে পাবেন:

অবশেষে, নিচের কোডটি একটি নতুন সেলে কপি করে রান করার মাধ্যমে আপনার এন্ডপয়েন্টে একটি প্রেডিকশন তৈরি করুন:

test_instance={
    'Time': 80422,
    'Amount': 17.99,
    'V1': -0.24,
    'V2': -0.027,
    'V3': 0.064,
    'V4': -0.16,
    'V5': -0.152,
    'V6': -0.3,
    'V7': -0.03,
    'V8': -0.01,
    'V9': -0.13,
    'V10': -0.18,
    'V11': -0.16,
    'V12': 0.06,
    'V13': -0.11,
    'V14': 2.1,
    'V15': -0.07,
    'V16': -0.033,
    'V17': -0.14,
    'V18': -0.08,
    'V19': -0.062,
    'V20': -0.08,
    'V21': -0.06,
    'V22': -0.088,
    'V23': -0.03,
    'V24': 0.01,
    'V25': -0.04,
    'V26': -0.99,
    'V27': -0.13,
    'V28': 0.003
}

response = endpoint.predict([test_instance])

print('API response: ', response)

০ ক্লাসের জন্য আপনি প্রায় .67 এর একটি পূর্বাভাস দেখতে পাবেন, যার অর্থ হলো মডেলটি মনে করে যে এই লেনদেনটি প্রতারণামূলক নয়, তার সম্ভাবনা ৬৭%।

🎉 অভিনন্দন! 🎉

আপনি শিখেছেন কীভাবে ভার্টেক্স এআই ব্যবহার করে:

• একটি পরিচালিত ডেটাসেট আপলোড করুন
• AutoML ব্যবহার করে সারণী ডেটার উপর একটি মডেলকে প্রশিক্ষণ ও মূল্যায়ন করুন
• মডেলটি একটি এন্ডপয়েন্টে স্থাপন করুন
• Vertex-এর SDK ব্যবহার করে একটি মডেল এন্ডপয়েন্টের প্রেডিকশন পান।

Vertex AI-এর বিভিন্ন অংশ সম্পর্কে আরও জানতে ডকুমেন্টেশন দেখুন।

৯. পরিচ্ছন্নতা

আপনি যদি এই ল্যাবে তৈরি করা নোটবুকটি ব্যবহার করা চালিয়ে যেতে চান, তবে ব্যবহার না করার সময় এটি বন্ধ করে রাখার পরামর্শ দেওয়া হচ্ছে। আপনার ক্লাউড কনসোলের ওয়ার্কবেঞ্চ UI থেকে, নোটবুকটি নির্বাচন করুন এবং তারপরে স্টপ (Stop) নির্বাচন করুন।

যদি আপনি নোটবুকটি সম্পূর্ণরূপে মুছে ফেলতে চান, তবে উপরের ডানদিকে থাকা ডিলিট বোতামটিতে ক্লিক করুন।

আপনার ডেপ্লয় করা এন্ডপয়েন্টটি ডিলিট করতে, আপনার Vertex AI কনসোলের এন্ডপয়েন্টস সেকশনে যান এবং আপনার এন্ডপয়েন্ট থেকে মডেলটি আনডেপ্লয় করুন:

স্টোরেজ বাকেটটি ডিলিট করতে, আপনার ক্লাউড কনসোলের নেভিগেশন মেনু ব্যবহার করে স্টোরেজ-এ যান, আপনার বাকেটটি সিলেক্ট করুন এবং ডিলিট-এ ক্লিক করুন: