GSP972

Ringkasan

Vertex AI menyatukan layanan Google Cloud untuk membangun Machine Learning (ML) dalam satu UI dan API terpadu. Di Vertex AI, kini Anda dapat dengan mudah melatih dan membandingkan model menggunakan AutoML atau pelatihan kode kustom, dan semua model Anda disimpan dalam satu repositori model terpusat. Model-model ini sekarang dapat di-deploy ke endpoint yang sama di Vertex AI.

Vertex AI AutoML membantu siapa saja yang memiliki keahlian ML terbatas untuk melatih model klasifikasi gambar berkualitas tinggi. Di lab praktik ini, Anda akan mempelajari cara membuat model ML kustom yang dapat mengidentifikasi secara otomatis komponen mobil yang rusak. Karena waktu yang diperlukan untuk melatih model melampaui batas waktu lab, Anda akan melakukan interaksi dan meminta prediksi dari model yang dihosting di project lain yang dilatih dalam set data yang sama. Selanjutnya, Anda akan menyempurnakan nilai data untuk permintaan prediksi dan mempelajari bagaimana hal tersebut dapat mengubah prediksi yang dihasilkan dari model.

Tujuan

Di lab ini, Anda akan mempelajari cara melakukan tugas berikut:

• Mengupload set data berlabel ke Cloud Storage menggunakan file CSV dan menghubungkannya ke Vertex AI sebagai Set Data Terkelola.
• Memeriksa gambar yang diupload untuk memastikan tidak ada error dalam set data Anda.
• Memulai tugas pelatihan model AutoML.
• Meminta prediksi dari model yang dihosting dan dilatih dalam set data yang sama.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

   {{{user_0.username | "Username"}}}

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

   {{{user_0.password | "Password"}}}

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Mengaktifkan Cloud Shell

Cloud Shell adalah mesin virtual yang dilengkapi dengan berbagai alat pengembangan. Mesin virtual ini menawarkan direktori beranda persisten berkapasitas 5 GB dan berjalan di Google Cloud. Cloud Shell menyediakan akses command-line untuk resource Google Cloud Anda.

1. Klik Activate Cloud Shell di bagian atas Konsol Google Cloud.

2. Klik jendela berikut:

   • Lanjutkan melalui jendela informasi Cloud Shell.
   • Beri otorisasi ke Cloud Shell untuk menggunakan kredensial Anda guna melakukan panggilan Google Cloud API.

Setelah terhubung, Anda sudah diautentikasi, dan project ditetapkan ke Project_ID, . Output berisi baris yang mendeklarasikan Project_ID untuk sesi ini:

Project Cloud Platform Anda dalam sesi ini disetel ke {{{project_0.project_id | "PROJECT_ID"}}}

gcloud adalah alat command line untuk Google Cloud. Alat ini sudah terinstal di Cloud Shell dan mendukung pelengkapan command line.

3. (Opsional) Anda dapat menampilkan daftar nama akun yang aktif dengan perintah ini:

gcloud auth list

4. Klik Authorize.

Output:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} Untuk menetapkan akun aktif, jalankan: $ gcloud config set account `ACCOUNT`

5. (Opsional) Anda dapat menampilkan daftar ID project dengan perintah ini:

gcloud config list project

Output:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Catatan: Untuk mendapatkan dokumentasi gcloud yang lengkap di Google Cloud, baca panduan ringkasan gcloud CLI.

Tugas 1. Mengupload gambar pelatihan ke Cloud Storage

Dalam tugas ini, Anda akan mengupload gambar pelatihan yang ingin Anda gunakan pada Cloud Storage. Hal ini akan memudahkan Anda untuk mengimpor data ke Vertex AI nanti.

Untuk melatih model guna mengklasifikasi gambar komponen mobil yang rusak, Anda perlu memberikan data pelatihan berlabel ke mesin. Model kemudian akan menggunakan data tersebut untuk meningkatkan pemahaman dari setiap gambar, membedakan antara komponen mobil yang rusak dan yang tidak rusak.

Catatan: Untuk keperluan lab ini, Anda tidak perlu melabeli gambar karena kami telah menyediakan set data berlabel (yakni gambar serta labelnya) dalam file CSV. Bagian berikutnya menguraikan langkah-langkah untuk menggunakan file CSV.

Dalam contoh ini, model Anda akan mempelajari cara mengklasifikasi lima komponen mobil yang rusak: bumper (bumper), engine compartment (ruang mesin), hood (kap mesin), lateral (suspensi), dan windshield (kaca depan).

Membuat bucket Cloud Storage

• Buka jendela Cloud Shell dan jalankan perintah berikut untuk membuat bucket Cloud Storage:

gsutil mb -p {{{project_0.project_id | PROJECT_ID}}} \ -c standard \ -l "{{{project_0.default_region | REGION}}}" \ gs://{{{project_0.project_id | BUCKET}}}

Mengupload gambar mobil ke Bucket Cloud Storage

Gambar pelatihan tersedia secara publik di bucket Cloud Storage. Sekali lagi, salin dan tempel template skrip di bawah ke Cloud Shell untuk menyalin gambar ke bucket Anda sendiri.

1. Untuk menyalin gambar ke bucket Cloud Storage, jalankan perintah berikut:

gsutil -m cp -r gs://car_damage_lab_images/* gs://{{{project_0.project_id | BUCKET}}}

2. Di panel navigasi, klik Cloud Storage > Buckets.

3. Klik tombol Refresh di bagian atas browser Cloud Storage.

4. Klik nama bucket Anda. Anda akan melihat lima folder foto untuk kelima komponen mobil yang rusak yang akan diklasifikasikan:

5. Anda juga dapat mengklik salah satu folder untuk melihat gambar yang ada di dalamnya.

Bagus! Gambar mobil Anda telah tertata rapi dan siap untuk pelatihan.

Klik Check my progress untuk memverifikasi tujuan. Mengupload gambar mobil ke Bucket Cloud Storage

Tugas 2. Membuat set data

Dalam tugas ini, Anda akan membuat set data baru dan menghubungkannya ke gambar pelatihan agar Vertex AI dapat mengaksesnya.

Biasanya, Anda akan membuat file CSV yang setiap barisnya berisi URL ke gambar pelatihan dan label terkait untuk gambar tersebut. Dalam kasus ini, file CSV telah dibuatkan untuk Anda, jadi Anda hanya perlu mengupdatenya dengan nama bucket dan mengupload file CSV tersebut ke bucket Cloud Storage Anda.

Mengupdate file CSV

Salin dan tempel template skrip berikut ke Cloud Shell, lalu tekan ENTER untuk mengupdate, lalu upload file CSV.

1. Untuk membuat salinan file, jalankan perintah berikut:

gsutil cp gs://car_damage_lab_metadata/data.csv .

2. Untuk mengupdate CSV dengan jalur ke penyimpanan Anda, jalankan perintah berikut:

sed -i -e "s/car_damage_lab_images/{{{project_0.project_id | BUCKET}}}/g" ./data.csv

3. Jalankan perintah berikut untuk memverifikasi bahwa nama bucket Anda telah disisipkan ke dalam CSV dengan benar:

cat ./data.csv

4. Untuk mengupload file CSV ke bucket Cloud Storage Anda, jalankan perintah berikut:

gsutil cp ./data.csv gs://{{{project_0.project_id | BUCKET}}}

5. Setelah perintah selesai, klik tombol Refresh di bagian atas browser Cloud Storage dan buka bucket Anda.

6. Pastikan bahwa file data.csv telah tercantum dalam bucket Anda.

Mengaktifkan Gemini Code Assist di Cloud Shell IDE

Anda dapat menggunakan Gemini Code Assist di lingkungan pengembangan terintegrasi (IDE) seperti Cloud Shell untuk menerima panduan tentang kode atau menyelesaikan masalah dengan kode Anda. Sebelum mulai menggunakan Gemini Code Assist, Anda perlu mengaktifkannya.

1. Di Cloud Shell, aktifkan Gemini for Google Cloud API dengan perintah berikut:

gcloud services enable cloudaicompanion.googleapis.com

2. Klik Open Editor di toolbar Cloud Shell.

Catatan: Untuk membuka Cloud Shell Editor, klik Open Editor di toolbar Cloud Shell. Anda dapat beralih antara Cloud Shell dan Editor kode dengan mengklik Open Editor atau Open Terminal, sesuai kebutuhan.

3. Di panel kiri, klik ikon Settings, lalu di tampilan Settings, cari Gemini Code Assist.

4. Temukan dan pastikan kotak centang dipilih untuk Geminicodeassist: Enable, lalu tutup Settings.

5. Klik Cloud Code - No Project di status bar di bagian bawah layar.

6. Berikan otorisasi pada plugin seperti yang ditunjukkan. Jika project tidak dipilih secara otomatis, klik Select a Google Cloud Project, lalu pilih .

7. Pastikan project Google Cloud Anda () ditampilkan dalam pesan status Cloud Code di status bar.

Menganalisis file CSV

Untuk membantu Anda menjadi lebih produktif sekaligus meminimalkan pengalihan konteks, Gemini Code Assist menyediakan tindakan cerdas yang didukung AI langsung di editor kode Anda. Di bagian ini, Anda memutuskan untuk meminta bantuan Gemini Code Assist dalam menjelaskan struktur dan tujuan file CSV kepada anggota tim.

1. Di file Explorer Cloud Shell Editor, buka file data.csv. Tindakan ini mengaktifkan Gemini Code Assist, seperti yang ditunjukkan oleh keberadaan ikon di sudut kanan atas editor.

2. Klik ikon Gemini Code Assist: Smart Actions , lalu pilih Explain this.

3. Gemini Code Assist akan membuka panel chat dengan perintah yang telah diisi sebelumnya, yakni Explain this. Di kotak teks inline chat Code Assist, ganti perintah yang sudah terisi dengan perintah berikut, lalu klik Send:

Anda adalah Machine Learning Engineer di Cymbal AI. Berikan analisis formal terhadap data CSV data.csv, yang merupakan manifes pelatihan untuk model klasifikasi gambar label tunggal Vertex AI. Jelaskan struktur dan tujuan file untuk membantu anggota tim baru memahami set data ini, yang dirancang untuk mengenali komponen mobil yang rusak. Berdasarkan data ini, berikan insight berikut dalam format terstruktur dan profesional: * Ringkasan Set Data: Jelaskan tujuan dan struktur ketiga kolom (pembagian set data, URI gambar, dan label). * Pembagian Set Data: Berikan jumlah total gambar dalam pembagian PELATIHAN, VALIDASI, dan PENGUJIAN. * Distribusi Kelas: Untuk setiap kelas (bumper, engine_compartment, hood, lateral, windshield), berikan jumlah gambar yang ditetapkan ke kelas tersebut. * Analisis Ketidakseimbangan Data: Berdasarkan jumlah kelas dan pembagian, nilai apakah set data seimbang atau tidak seimbang. Jelaskan bagaimana hal ini dapat memengaruhi performa model selama pelatihan. Untuk peningkatan yang disarankan, jangan buat perubahan apa pun pada konten file.

Penjelasan mendetail untuk struktur dan tujuan kode file CSV data.csv akan muncul di chat Gemini Code Assist.

Membuat set data terkelola

1. Di Konsol Google Cloud, pada Navigation menu (), klik Vertex AI > Dashboard.

2. Klik Enable All Recommended APIs jika belum diaktifkan.

3. Dari menu navigasi Vertex AI di sebelah kiri, klik Datasets.

4. Di bagian atas konsol, klik + Create.

5. Untuk nama Set Data, ketik damaged_car_parts.

6. Pilih Single-label classification. (Catatan: di project Anda sendiri, sebaiknya centang kotak "Multi-label Classification" jika Anda melakukan klasifikasi kelas jamak).

7. Pilih Region sebagai .

8. Klik Create.

Menghubungkan set data ke gambar pelatihan

Di bagian ini, Anda akan memilih lokasi gambar pelatihan yang telah Anda upload di langkah sebelumnya.

1. Di bagian Select an import method, klik Select import files from Cloud Storage.

2. Di bagian Select import files from Cloud Storage, klik Browse.

3. Ikuti petunjuk untuk membuka bucket penyimpanan, lalu klik file data.csv. Klik Select.

4. Setelah memilih file dengan benar, tanda centang hijau akan muncul di sebelah kiri jalur file. Klik Continue untuk melanjutkan.

Catatan: Diperlukan waktu sekitar 9 sampai 12 menit untuk mengimpor gambar dan menyesuaikannya dengan kategori. Anda harus menunggu langkah ini hingga selesai sebelum dapat memeriksa progres Anda.

5. Setelah proses impor selesai, lanjutkan ke bagian berikutnya dengan mengklik tab Browse. (Petunjuk: Anda mungkin perlu memuat ulang halaman untuk mengonfirmasi).

Klik Check my progress untuk memverifikasi tujuan. Membuat set data

Tugas 3. Memeriksa gambar

Di tugas ini, Anda akan memeriksa gambar untuk memastikan tidak ada error dalam set data Anda.

Memeriksa label gambar

1. Jika halaman browser Anda telah dimuat ulang, klik Datasets, pilih nama gambar Anda, lalu klik Browse.

2. Di bagian Filter labels, klik salah satu label untuk melihat gambar pelatihan tertentu. (Misalnya: engine_compartment.)

Catatan: Jika Anda membangun model produksi, siapkan setidaknya 100 gambar per label untuk memastikan akurasi yang tinggi. Karena ini adalah demo, hanya 20 gambar yang digunakan untuk setiap jenis sehingga modelnya dapat dilatih dengan cepat.

3. Jika gambar diberi label yang keliru, Anda dapat mengkliknya untuk memilih label yang benar atau menghapus gambar tersebut dari set pelatihan Anda:

4. Berikutnya, klik tab Analyze untuk melihat jumlah gambar per label. Jendela Label Stats akan muncul di browser Anda.

Tugas 4. Melatih model Anda

Sekarang, Anda siap untuk melatih model Anda. Vertex AI menangani proses ini secara otomatis dan Anda tidak perlu menulis kode model apa pun.

1. Dari sisi kanan, klik Train New Model.

2. Dari jendela Training method, jangan ubah konfigurasi default dan pilih AutoML sebagai metode pelatihan. Klik Continue.

3. Dari jendela Model details, masukkan nama model Anda, gunakan: damaged_car_parts_model. Klik Continue.

4. Dari jendela Training options, pilih Enable incremental training dan klik Continue.

5. Dari jendela Compute and pricing, tetapkan anggaran Anda ke jam kerja node maksimum, yaitu 8.

6. Klik Start Training.

Catatan: Pelatihan model dapat memerlukan waktu lebih lama dari yang dialokasikan untuk menyelesaikan lab. Anda tidak perlu menyelesaikan pelatihan model ini untuk melanjutkan ke bagian berikutnya.

Klik Check my progress untuk memverifikasi tujuan. Melatih model Anda

Tugas 5. Meminta prediksi dari model yang dihosting

Untuk tujuan lab ini, model yang dilatih dalam set data yang sama persis akan dihosting di project lain sehingga Anda dapat meminta prediksi darinya ketika model lokal Anda menyelesaikan pelatihan. Hal ini dikarenakan pelatihan model lokal tersebut cenderung akan melebihi batasan lab ini.

Proxy ke model terlatih akan disiapkan untuk Anda sehingga Anda tidak perlu menjalankan langkah-langkah ekstra untuk membuatnya berfungsi dalam lingkungan lab Anda.

Untuk meminta prediksi dari model tersebut, Anda perlu mengirimkan prediksi ke endpoint di dalam project Anda. Selanjutnya, permintaan tersebut akan diteruskan ke model yang dihosting dan menampilkan kembali output. Cara mengirimkan prediksi ke Proxy AutoML sangat mirip dengan cara berinteraksi dengan model yang baru saja dibuat, jadi Anda dapat menggunakannya untuk berlatih.

Mendapatkan nama endpoint proxy AutoML

1. Di Konsol Google Cloud, pada Navigation menu (≡), klik Cloud Run.

2. Klik automl-proxy.

3. Salin URL ke endpoint. Tampilannya akan terlihat sebagai berikut: https://automl-proxy-xfpm6c62ta-uc.a.run.app.

Anda akan menggunakan endpoint ini untuk permintaan prediksi di bagian berikutnya.

Membuat permintaan prediksi

1. Buka jendela Cloud Shell baru.

2. Di toolbar Cloud Shell, klik Open Editor. Jika diminta, klik Open in New Window.

3. Klik File > New File.

4. Masukkan nama file sebagai payload.json di jendela file baru, lalu pilih jalur dari dropdown (/home/student_xx_xxxxx).

5. Klik Ok.

6. Tempel konten berikut ke dalam file baru yang baru saja Anda buat:

{ "instances": [{ "content": "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" }], "parameters": { "confidenceThreshold": 0.5, "maxPredictions": 5 } }

7. Klik File > Save.

Sebagai referensi, konten yang Anda sediakan adalah string Base64 dari gambar berikut.

Sekarang, Anda akan memutuskan untuk meminta bantuan Gemini Code Assist untuk menjelaskan struktur dan tujuan payload JSON kepada anggota tim.

8. Dengan file payload.json terbuka, klik ikon Gemini Code Assist: Smart Actions di toolbar, lalu pilih Explain this.

9. Gemini Code Assist akan membuka panel chat dengan perintah yang telah diisi sebelumnya, yakni Explain this. Di kotak teks inline chat Code Assist, ganti perintah yang sudah terisi dengan perintah berikut, lalu klik Send:

Anda adalah Machine Learning Engineer di Cymbal AI. Seorang anggota tim baru memerlukan bantuan untuk memahami struktur dan tujuan file payload.json. Payload ini digunakan untuk meminta prediksi dari model klasifikasi gambar Vertex AI yang di-deploy. Penjelasan Anda harus mencakup: * Tujuan keseluruhan payload dalam konteks alur kerja prediksi Vertex AI. * Peran kunci instance, yang menjelaskan data gambar berenkode base64 di dalamnya. * Fungsi kunci parameter, termasuk tujuan confidenceThreshold dan maxPredictions. * Cara payload ini dikirim ke endpoint model. Untuk peningkatan yang disarankan, jangan buat perubahan apa pun pada konten file.

Penjelasan mendetail untuk file payload JSON payload.json akan muncul di chat Gemini Code Assist.

10. Berikutnya, tetapkan variabel lingkungan berikut. Salin di URL Proxy AutoML Anda yang diambil sebelumnya.

AUTOML_PROXY=<automl-proxy url> INPUT_DATA_FILE=payload.json

11. Jalankan perintah berikut untuk menjalankan permintaan API ke endpoint Proxy AutoML untuk meminta prediksi dari model yang dihosting:

curl -X POST -H "Content-Type: application/json" $AUTOML_PROXY/v1 -d "@${INPUT_DATA_FILE}"

Jika Anda menjalankan prediksi yang berhasil, output Anda akan terlihat seperti berikut.

Output:

{"predictions":[{"confidences":[0.951557755],"displayNames":["bumper"],"ids":["1960986684719890432"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Untuk model ini, hasil prediksinya cukup mudah dipahami. Kolom displayNames seharusnya memprediksi secara benar bumper dengan nilai minimum keyakinan yang tinggi. Sekarang, Anda dapat mengubah nilai gambar yang dienkode Base64 dalam file JSON yang Anda buat.

Klik Check my progress untuk memverifikasi tujuan. Membuat permintaan prediksi

12. Klik kanan di setiap gambar di bawah, lalu pilih Save image As….

13. Ikuti prompt untuk menyimpan setiap gambar dengan nama unik. (Petunjuk: Tetapkan nama yang sederhana seperti 'Gambar1' dan 'Gambar2' untuk mempermudah proses upload).

14. Buka Base64 Image Encoder dan ikuti petunjuk untuk mengupload dan mengenkode gambar ke string Base64.

15. Ganti nilai string yang dienkode Base64 di kolom content di file payload JSON Anda, lalu jalankan prediksinya kembali. Ulangi untuk gambar lain.

Bagaimana performa model Anda? Apakah model tersebut memprediksi ketiga gambar dengan benar? Anda akan melihat output berikut untuk tiap gambar:

{"predictions":[{"ids":["5419751198540431360"],"confidences":[0.985487759],"displayNames":["engine_compartment"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"} {"predictions":[{"displayNames":["hood"],"ids":["3113908189326737408"],"confidences":[0.962432086]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Selamat!

Di lab ini, Anda telah mempelajari cara melatih model machine learning kustom Anda sendiri, dengan bantuan Gemini Code Assist, dan menghasilkan prediksi pada model yang dihosting melalui permintaan API. Anda telah mengupload gambar pelatihan ke Cloud Storage dan menggunakan file CSV untuk Vertex AI guna menemukan gambar tersebut. Anda telah memeriksa semua perbedaan pada gambar berlabel sebelum akhirnya mengevaluasi model terlatih. Sekarang, Anda telah mempelajari semua yang diperlukan untuk melatih model set data gambar milik Anda sendiri.

Langkah berikutnya/Pelajari lebih lanjut

• Pelajari Vertex AI lebih lanjut dalam Dokumentasi Vertex AI

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 15 Oktober 2025

Lab Terakhir Diuji pada 10 September 2025

Hak cipta 2025 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.