Qual è il percorso più semplice per un principiante assoluto senza alcuna formazione di programmazione, per l'addestramento e l'implementazione di modelli di intelligenza artificiale di base su Google AI Platform utilizzando una versione di prova/livello gratuito e una console GUI in modo graduale?

/ / Pubblicato in Intelligenza Artificiale, EITC/AI/GCML Google Cloud Machine Learning, Primi passi nel Machine Learning, Stimatori chiari e semplici

Per iniziare ad addestrare e implementare un modello di intelligenza artificiale di base utilizzando la piattaforma Google AI tramite l'interfaccia utente grafica (GUI) basata sul web, soprattutto per i principianti assoluti senza competenze di programmazione, è consigliabile utilizzare le funzionalità Vertex AI Workbench e AutoML (ora parte di Vertex AI) di Google Cloud. Questi strumenti sono progettati specificamente per utenti senza esperienza di programmazione e offrono interfacce grafiche passo passo per la creazione di modelli di machine learning. La seguente guida illustra ogni fase di questo processo, concentrandosi sulla chiarezza didattica e sull'utilità pratica.

Passaggio 1: configurazione di un account Google Cloud e di un progetto

1. Iscriviti a Google Cloud
– Visita [https://cloud.google.com/](https://cloud.google.com/) e clicca su “Inizia gratuitamente”. Google offre una prova gratuita con crediti per i nuovi utenti, in genere pari a 300 $ validi per 90 giorni.
– Segui le istruzioni per creare un account Google Cloud utilizzando le tue credenziali Google, inserendo le informazioni di fatturazione (non ti verrà addebitato alcun importo finché non avrai superato i crediti gratuiti).

2. Crea un nuovo progetto
– Dopo aver effettuato l’accesso, apri [Google Cloud Console](https://console.cloud.google.com/).
– Fare clic sul menu a discesa del progetto (barra di navigazione in alto) e selezionare “Nuovo progetto”.
– Assegna un nome al progetto (ad esempio, "ml-demo-project") e seleziona un'organizzazione, se applicabile. Fai clic su "Crea".

3. Abilita fatturazione e API
– Assicurati che la fatturazione sia abilitata per il tuo nuovo progetto (segui le istruzioni se necessario).
– Vai su “API e servizi” → “Libreria”. Cerca “Vertex AI API” e fai clic su “Abilita”.

Fase 2: Preparazione dei dati per l'addestramento del modello

1. Comprensione dei requisiti del set di dati
– AutoML in Vertex AI supporta dati strutturati (tabulari), immagini, testo e video.
– Per la dimostrazione, utilizzare un semplice set di dati tabulari, come il classico set di dati sui fiori di iris o i propri dati CSV.
– Il file deve essere in formato CSV, con colonne che rappresentano le caratteristiche (input) e una colonna per l'etichetta di destinazione (ciò che si desidera prevedere).

2. Archiviazione dei dati nel cloud storage
– Vai a “Archiviazione” nella barra laterale sinistra della Cloud Console.
– Fai clic su “Crea bucket”, assegna un nome univoco (ad esempio, “ml-demo-bucket”), seleziona la regione e accetta i valori predefiniti per le altre impostazioni.
– Dopo aver creato il bucket, cliccaci sopra, poi su “Carica file” e carica il tuo set di dati CSV.

Passaggio 3: accesso a Vertex AI e avvio di AutoML

1. Open Vertex AI
– Nella Cloud Console, vai a “Vertex AI” nella barra laterale sinistra.

2. Creazione di un set di dati
– Fare clic su “Set di dati” nel menu Vertex AI.
– Selezionare “Crea” e scegliere il tipo di set di dati (ad esempio, “Tabulare” per i dati CSV).
– Assegna un nome al set di dati, seleziona la regione, quindi fai clic su “Crea”.
– Dopo la creazione, fai clic su "Importa dati", seleziona "Da Cloud Storage" e specifica il percorso del file CSV nel formato: `gs://[nome-del-tuo-bucket]/[file].csv`.
– Lascia che la piattaforma analizzi e importi i tuoi dati. Vedrai un'anteprima in cui potrai verificare le colonne e i tipi rilevati.

Fase 4: Configurazione e addestramento del modello

1. Avvio dell'addestramento del modello
– Una volta completata l’importazione dei dati, fare clic su “Addestra nuovo modello”.
– Fornisci un nome per il tuo modello (ad esempio, “iris-predictor”).
– Selezionare la colonna di destinazione (la caratteristica che si intende prevedere, ad esempio "specie").
– Scegliere un obiettivo del modello (ad esempio, “Classificazione” per prevedere le categorie, “Regressione” per prevedere i numeri).
– Per i principianti assoluti, mantieni la selezione predefinita delle feature; Vertex AI può selezionare e preelaborare automaticamente le feature.

2. Opzioni avanzate (opzionale)
– Per garantire la semplicità, è possibile lasciare le impostazioni avanzate ai valori predefiniti.
– Se interessati, è possibile modificare il budget di addestramento (misurato in ore nodo) per controllare la durata dell'addestramento. La prova gratuita copre esperimenti di modesta entità.

3. Inizia l'allenamento
– Fare clic su “Inizia allenamento”.
– Vertex AI suddividerà automaticamente i tuoi dati in set di addestramento, convalida e test, gestirà la pre-elaborazione, creerà diversi modelli candidati e li valuterà.
– La formazione dura in genere da pochi minuti a diverse ore, a seconda delle dimensioni e della complessità del set di dati.

Fase 5: Valutazione del modello addestrato

1. Visualizzazione delle metriche di valutazione
– Al termine dell'addestramento, Vertex AI presenta i risultati della valutazione, inclusi parametri quali accuratezza, precisione, richiamo, punteggio F1 (per la classificazione) o RMSE/MAE (per la regressione).
– La matrice di confusione viene mostrata per le attività di classificazione, aiutandoti a comprendere le prestazioni di previsione per classe.

2. Comprensione dei risultati
– A fini didattici, rivedere queste metriche:
- Precisione: Percentuale di previsioni corrette sul totale delle previsioni.
- Precisione: Con quale frequenza il modello è corretto quando prevede una determinata classe.
- Richiamare: Percentuale di casi effettivi di una classe che il modello identifica correttamente.
– Utilizzali per valutare se il modello funziona in modo adeguato per le tue esigenze didattiche o dimostrative.

Fase 6: Distribuzione del modello per la previsione

1. Distribuzione del modello
– Nella schermata dei dettagli del modello, fare clic su “Distribuisci all’endpoint”.
– Assegnare un nome all’endpoint (ad esempio, “iris-predictor-endpoint”).
– Mantieni il tipo di macchina predefinito, adatto all'utilizzo a livello demo e coperto dalla prova gratuita.
– Fare clic su “Distribuisci”. Questo processo configurerà un endpoint online per ricevere le richieste di previsione.

2. Fare previsioni tramite GUI
– Una volta distribuito il modello, fare clic su “Test e utilizza”.
– Inserire nuovi dati direttamente nel modulo (corrispondenti alle caratteristiche di input del modello) per ottenere previsioni.
– Esempio: se si utilizza il set di dati Iris, immettere la lunghezza del sepalo, la larghezza del sepalo, la lunghezza del petalo e la larghezza del petalo per ricevere la specie prevista.

Fase 7: Esplorazione della spiegabilità del modello (facoltativo, ma didattico)

– Vertex AI offre funzionalità di spiegabilità che evidenziano quali caratteristiche di input hanno influenzato maggiormente la previsione del modello.
– Accedi alla scheda “Spiega” del tuo modello e controlla quali colonne sono state utilizzate maggiormente dal modello per effettuare previsioni.
– Ciò fornisce agli studenti informazioni preziose su come i modelli di apprendimento automatico prendono decisioni, rafforzando la relazione tra dati di input e output.

Fase 8: Pulizia delle risorse

– Per evitare addebiti non necessari, eliminare gli endpoint distribuiti e le risorse inutilizzate dopo la sperimentazione:
– Vai su Vertex AI → “Endpoint”, seleziona il tuo endpoint e fai clic su “Elimina”.
– Eliminare set di dati, modelli e bucket di Cloud Storage in base alle necessità.
– Facoltativamente, elimina l'intero progetto dalle impostazioni del progetto della Cloud Console.

-

Valore didattico e spiegazione

Questo approccio grafico e passo dopo passo all'apprendimento automatico sulla piattaforma Vertex AI di Google Cloud è particolarmente efficace per i principianti assoluti per diversi motivi:

1. Interfaccia utente intuitiva

La console grafica elimina la necessità di scrivere codice, rendendo l'apprendimento automatico accessibile anche a utenti senza competenze tecniche specifiche. Ogni azione (caricamento dei dati, addestramento di un modello, distribuzione e previsione) viene eseguita tramite moduli e pulsanti guidati.

2. Feedback immediato

Vertex AI fornisce feedback immediato in ogni fase, che si tratti di caricare dati, verificare colonne, valutare le prestazioni del modello o fare previsioni. Questo permette agli studenti di vedere i risultati concreti delle loro azioni in ogni fase.

3. Ciclo di vita end-to-end

Passando dal caricamento dei dati all'implementazione e alla previsione del modello in un'unica interfaccia, gli studenti acquisiscono una panoramica completa del processo di apprendimento automatico, rafforzando la comprensione concettuale delle fasi coinvolte nei progetti di intelligenza artificiale.

4. Uso didattico degli esempi

Utilizzando set di dati noti, come la classificazione dei fiori di Iris, è possibile dimostrare in modo chiaro e pertinente i principi dell'apprendimento automatico, ad esempio come le caratteristiche di input determinano gli output del modello e come le metriche di valutazione quantificano le prestazioni.

5. Trasparenza e spiegabilità

Gli strumenti di spiegazione del modello sono integrati nell'interfaccia utente grafica, consentendo agli utenti di visualizzare quali caratteristiche influenzano maggiormente le previsioni. Questo demistifica la natura "black box" dell'IA e favorisce la comprensione del comportamento del modello.

6. Sperimentazione sicura

La prova gratuita e i limiti contenuti delle risorse offrono un ambiente di sperimentazione privo di rischi. Gli utenti possono provare diversi set di dati, obiettivi di modello o suddivisioni dei dati senza incorrere in costi o influire sui sistemi di produzione.

7. Minime barriere tecniche

Questo approccio non richiede conoscenze di programmazione, strumenti da riga di comando o configurazioni complesse dell'ambiente. Gli utenti interagiscono con menu, moduli e output grafici, riducendo le barriere d'ingresso all'apprendimento dei concetti di machine learning.

-

Caso d'uso di esempio

Prendiamo il caso di un principiante interessato a prevedere se un fiore di iris appartiene a una delle tre specie in base a quattro misurazioni (lunghezza del sepalo, larghezza del sepalo, lunghezza e larghezza del petalo). I passaggi sarebbero:

– Scarica il set di dati Iris in formato CSV dall’UCI Machine Learning Repository o da Kaggle.
– Carica il CSV in un bucket di Cloud Storage.
– Creare un set di dati tabulari Vertex AI e importare il CSV.
– Addestrare un modello di classificazione specificando “specie” come colonna di destinazione.
– Rivedere la matrice di accuratezza e confusione dopo la formazione.
– Distribuisci il modello e inserisci le nuove misurazioni dei fiori nella GUI per ricevere una specie prevista.
– Utilizzare la scheda "Spiegabilità" per vedere quali misurazioni hanno influenzato maggiormente le previsioni.

Questo processo fornisce un'introduzione completa e pratica all'apprendimento automatico su Google Cloud, che comprende la preparazione dei dati, la creazione di modelli, l'implementazione e l'interpretazione, il tutto tramite un'interfaccia utente grafica adatta anche a chi non ha esperienza di programmazione.

-

Ulteriori passaggi di apprendimento

Dopo aver padroneggiato questo flusso di lavoro, gli studenti possono approfondire la loro comprensione:

– Sperimentare con diversi set di dati (ad esempio, la previsione di sopravvivenza al Titanic).
– Esplorazione di altri tipi di modelli Vertex AI, come la classificazione di immagini o testo.
– Esaminare i report dei modelli generati automaticamente per ottenere informazioni più approfondite.
– Introduzione graduale dei concetti base della programmazione esplorando la sezione “Notebook” o esportando modelli addestrati da utilizzare in Google Colab.
– Guardare i video introduttivi “Vertex AI” disponibili nella documentazione di Google Cloud.

Una volta pronti, il passaggio dagli strumenti basati su GUI ai flussi di lavoro basati su codice è facilitato dalla familiarità acquisita con il processo generale, la terminologia e la struttura del progetto.

-

Altre domande e risposte recenti riguardanti EITC/AI/GCML Google Cloud Machine Learning:

Visualizza altre domande e risposte in EITC/AI/GCML Google Cloud Machine Learning

Altre domande e risposte:

Etichettato sotto: , , , , ,