Hvad er den enkleste vej til den mest grundlæggende didaktiske AI-modeltræning og implementering på Google AI Platform ved hjælp af et gratis niveau/prøveversion med en GUI-konsol trin for trin for en absolut nybegynder uden programmeringsbaggrund?

/ / Udgivet i Kunstig intelligens, EITC/AI/GCML Google Cloud Machine Learning, Første trin i maskinindlæring, Almindelige og enkle estimatorer

For at begynde at træne og implementere en grundlæggende AI-model ved hjælp af Google AI Platform via den webbaserede GUI, især som absolut nybegynder uden programmeringsbaggrund, anbefales det at bruge Google Clouds Vertex AI Workbench og AutoML (nu en del af Vertex AI) funktioner. Disse værktøjer er specielt designet til brugere uden kodningserfaring og tilbyder trinvise, grafiske grænseflader til opbygning af maskinlæringsmodeller. Den følgende vejledning beskriver hver fase af denne proces med fokus på didaktisk klarhed og praktisk anvendelighed.

Trin 1: Opsætning af en Google Cloud-konto og et Google Cloud-projekt

1. Tilmeld dig Google Cloud
– Besøg [https://cloud.google.com/](https://cloud.google.com/) og klik på “Kom i gang gratis.” Google tilbyder en gratis prøveperiode med kreditter til nye brugere, typisk $300 gyldig i 90 dage.
– Følg vejledningen for at oprette en Google Cloud-konto ved hjælp af dine Google-loginoplysninger, og indtast faktureringsoplysninger (du bliver ikke opkrævet betaling, før du overskrider de gratis kreditter).

2. Opret et nyt projekt
– Åbn [Google Cloud Console](https://console.cloud.google.com/) efter du har logget ind.
– Klik på rullemenuen for projekter (øverste navigationslinje), og vælg "Nyt projekt".
– Navngiv dit projekt (f.eks. "ml-demo-project") og vælg en organisation, hvis det er relevant. Klik på "Opret".

3. Aktivér fakturering og API'er
– Sørg for, at fakturering er aktiveret for dit nye projekt (følg vejledningen, hvis det er nødvendigt).
– Gå til “API'er og tjenester” → “Bibliotek”. Søg efter “Vertex AI API”, og klik på “Aktiver”.

Trin 2: Klargøring af data til modeltræning

1. Forståelse af datasætkrav
– AutoML i Vertex AI understøtter strukturerede data (tabulære), billeder, tekst og video.
– Til demonstration kan du bruge et simpelt tabeldatasæt – f.eks. det klassiske Iris-blomstdatasæt eller dine egne CSV-data.
– Filen skal være i CSV-format med kolonner, der repræsenterer funktioner (input), og én kolonne til måletiketten (det, du vil forudsige).

2. Lagring af data i cloud-lagring
– Naviger til “Lager” i venstre sidepanel i Cloud Console.
– Klik på “Opret bucket”, tildel et unikt navn (f.eks. “ml-demo-bucket”), vælg regionen, og accepter standardindstillingerne for andre indstillinger.
– Når bucket'en er oprettet, skal du klikke på den, derefter på "Upload filer" og uploade dit CSV-datasæt.

Trin 3: Adgang til Vertex AI og start af AutoML

1. Åben Vertex AI
– I Cloud Console skal du navigere til “Vertex AI” i venstre sidebjælke.

2. Oprettelse af et datasæt
– Klik på “Datasæt” under Vertex AI-menuen.
– Vælg “Opret” og vælg datasættypen (f.eks. “Tabulær” for CSV-data).
– Navngiv dit datasæt, vælg regionen, og klik derefter på “Opret”.
– Efter oprettelsen skal du klikke på "Importer data", vælge "Fra Cloud Storage" og angive stien til din CSV-fil i formatet: `gs://[dit-bucket-navn]/[din-fil].csv`.
– Lad platformen analysere og importere dine data. Du vil se en forhåndsvisning, hvor du kan verificere de registrerede kolonner og typer.

Trin 4: Konfiguration og træning af modellen

1. Igangsættelse af modeltræning
– Når dataimporten er færdig, skal du klikke på "Træn ny model".
– Angiv et navn til din model (f.eks. "iris-predictor").
– Vælg målkolonnen (den egenskab, du vil forudsige, f.eks. "art").
– Vælg et modelmål (f.eks. "Klassificering" til forudsigelse af kategorier, "Regression" til forudsigelse af tal).
– For absolutte begyndere, behold standardfunktionsvalget; Vertex AI kan automatisk vælge og forbehandle funktioner.

2. Avancerede indstillinger (valgfrit)
– Du kan lade avancerede indstillinger være på standardindstillingerne for at sikre enkelhed.
– Hvis du er interesseret, kan du justere træningsbudgettet (målt i nodetimer) for at kontrollere, hvor længe træningen varer. Den gratis prøveperiode dækker beskedne eksperimenter.

3. Start træning
– Klik på “Start træning”.
– Vertex AI vil automatisk opdele dine data i trænings-, validerings- og testsæt, håndtere forbehandling, bygge adskillige kandidatmodeller og evaluere dem.
– Træning tager typisk alt fra et par minutter til flere timer afhængigt af datasættets størrelse og kompleksitet.

Trin 5: Evaluering af den trænede model

1. Visning af evalueringsmålinger
– Når træningen er afsluttet, præsenterer Vertex AI evalueringsresultater, herunder metrikker som nøjagtighed, præcision, genkendelse, F1-score (til klassificering) eller RMSE/MAE (til regression).
– Forvirringsmatricen vises for klassifikationsopgaver, hvilket hjælper dig med at forstå forudsigelsespræstationen efter klasse.

2. Forstå resultaterne
– Gennemgå disse målepunkter af didaktiske årsager:
- Nøjagtighed: Andel af korrekte forudsigelser ud af alle forudsigelser.
- Præcision: Hvor ofte modellen er korrekt, når den forudsiger en bestemt klasse.
- Minde om: Andel af faktiske tilfælde af en klasse, som modellen korrekt identificerer.
– Brug disse til at vurdere, om modellen fungerer tilstrækkeligt til dine uddannelses- eller demonstrationsbehov.

Trin 6: Implementering af modellen til forudsigelse

1. Modelimplementering
– Klik på "Implementer til slutpunkt" på skærmbilledet med modeldetaljer.
– Tildel et navn til slutpunktet (f.eks. “iris-predictor-endpoint”).
– Behold standardmaskintypen, som er egnet til brug på demoniveau og er dækket af den gratis prøveperiode.
– Klik på “Implementer”. Denne proces opretter et online slutpunkt til at modtage forudsigelsesanmodninger.

2. Forudsigelser via GUI
– Når modellen er implementeret, skal du klikke på “Test og brug”.
– Indtast nye data direkte i formularen (der matcher modellens inputfunktioner) for at opnå forudsigelser.
– Eksempel: Hvis Iris-datasættet bruges, skal du indtaste bægerbladslængde, bægerbladsbredde, kronbladslængde og kronbladsbredde for at modtage den forudsagte art.

Trin 7: Undersøgelse af modellens forklaringsevne (valgfrit, men didaktisk)

– Vertex AI tilbyder forklaringsfunktioner, der fremhæver, hvilke inputfunktioner der mest påvirkede modellens forudsigelse.
– Gå til fanen "Forklar" for din model, og gennemgå hvilke kolonner modellen brugte mest til at lave forudsigelser.
– Dette giver værdifuld indsigt for eleverne i, hvordan maskinlæringsmodeller træffer beslutninger, hvilket forstærker forholdet mellem inputdata og output.

Trin 8: Oprydning af ressourcer

– For at undgå unødvendige gebyrer skal du slette implementerede slutpunkter og ubrugte ressourcer efter eksperimentering:
– Gå til Vertex AI → “Endpunkter”, vælg dit endpoint, og klik på “Slet”.
– Slet datasæt, modeller og Cloud Storage-buckets efter behov.
– Slet eventuelt hele projektet fra Cloud Consoles projektindstillinger.

—

Didaktisk værdi og forklaring

Denne grafiske, trinvise tilgang til maskinlæring på Google Clouds Vertex AI-platform er særligt effektiv for absolutte begyndere af flere årsager:

1. Intuitiv brugergrænseflade

Den grafiske konsol eliminerer behovet for at skrive kode, hvilket gør maskinlæring tilgængelig for brugere uden teknisk baggrund. Hver handling (upload af data, træning af en model, implementering og forudsigelse) udføres via guidede formularer og knapper.

2. Øjeblikkelig feedback

Vertex AI giver øjeblikkelig feedback i hver fase – uanset om det drejer sig om at uploade data, verificere kolonner, evaluere modelydelse eller lave forudsigelser. Dette giver eleverne mulighed for at se de konkrete resultater af deres handlinger i hvert trin.

3. End-to-End livscyklus

Ved at gå fra dataupload til modelimplementering og forudsigelse i en enkelt grænseflade, får eleverne et fuldt overblik over maskinlæringsprocessen, hvilket styrker en konceptuel forståelse af de faser, der er involveret i AI-projekter.

4. Didaktisk brug af eksempler

Brug af velkendte datasæt, såsom Iris-blomstklassificeringen, muliggør klare og relaterbare demonstrationer af maskinlæringsprincipper – såsom hvordan inputfunktioner bestemmer modeloutput, og hvordan evalueringsmålinger kvantificerer ydeevne.

5. Gennemsigtighed og forklaring

Værktøjer til modelforklaring er integreret i den grafiske brugergrænseflade, hvilket gør det muligt for brugerne at visualisere, hvilke funktioner der har størst indflydelse på forudsigelser. Dette afmystificerer AI's "sorte boks"-natur og understøtter forståelsen af ​​modeladfærd.

6. Sikker eksperimentering

Den gratis prøveperiode og de beskedne ressourcebegrænsninger giver et risikofrit miljø til eksperimentering. Brugere kan afprøve forskellige datasæt, modelmål eller dataopdelinger uden at pådrage sig omkostninger eller påvirke produktionssystemer.

7. Minimale tekniske barrierer

Denne tilgang kræver ikke kendskab til programmering, kommandolinjeværktøjer eller kompleks opsætning af miljøer. Brugere interagerer med menuer, formularer og grafiske output, hvilket sænker adgangsbarriererne til at lære maskinlæringskoncepter.

—

Eksempel Use Case

Forestil dig en nybegynder, der er interesseret i at forudsige, om en irisblomst er en af ​​tre arter baseret på fire målinger (bægerbladslængde, bægerbladsbredde, kronbladslængde og kronbladsbredde). Trinene ville være:

– Download Iris-datasættet i CSV-format fra UCI Machine Learning Repository eller Kaggle.
– Upload CSV-filen til en Cloud Storage-bucket.
– Opret et Vertex AI-tabulært datasæt og importer CSV-filen.
– Træn en klassifikationsmodel ved at angive "art" som målkolonnen.
– Gennemgå nøjagtigheds- og forvirringsmatricen efter træning.
– Implementer modellen og indtast nye blomstermålinger i den grafiske brugergrænseflade for at modtage en forudsagt art.
– Brug fanen forklarbarhed til at se, hvilke målinger der mest påvirkede forudsigelserne.

Denne proces giver en komplet, praktisk introduktion til maskinlæring på Google Cloud – der dækker dataforberedelse, modelbygning, implementering og fortolkning, alt sammen via en GUI, der er egnet til dem uden programmeringserfaring.

—

Yderligere læringstrin

Efter at have mestret denne arbejdsgang, kan eleverne uddybe deres forståelse ved at:

– Eksperimentering med forskellige datasæt (f.eks. forudsigelse af Titanic-overlevelse).
– Udforskning af andre Vertex AI-modeltyper, såsom billed- eller tekstklassificering.
– Gennemgang af de automatisk genererede modelrapporter for at få dybere indsigt.
– Gradvis introduktion til grundlæggende programmeringskoncepter ved at udforske afsnittet "Notesbøger" eller eksportere trænede modeller til brug i Google Colab.
– Se introduktionsvideoerne til “Vertex AI” i Google Cloud-dokumentationen.

Når det er klart, lettes overgangen fra GUI-baserede værktøjer til kodebaserede arbejdsgange af den fortrolighed, der opnås med den overordnede proces, terminologi og projektstruktur.

—

Andre seneste spørgsmål og svar vedr EITC/AI/GCML Google Cloud Machine Learning:

Se flere spørgsmål og svar i EITC/AI/GCML Google Cloud Machine Learning

Flere spørgsmål og svar:

Tagged under: , , , , ,