In diesem Lab verwenden Sie die Gemini Enterprise Agent Platform dazu, ein Machine-Learning-Modell zur Vorhersage des Kreditrisikos anhand eines tabellarischen Datensatzes zu trainieren und einzusetzen.
Nach Abschluss können Sie:
In diesem praxisorientierten Google Skills-Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung selbst durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.
Für dieses Lab benötigen Sie Folgendes:
Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:
Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).
Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.
Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.
Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.
Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.
Klicken Sie auf Weiter.
Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.
Sie finden das Passwort auch im Bereich „Details zum Lab“.
Klicken Sie auf Weiter.
Klicken Sie sich durch die nachfolgenden Seiten:
Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.
In diesem Lab kommt die Gemini Enterprise Agent Platform zum Einsatz, die einheitliche KI-Plattform in Google Cloud. Damit soll ein ML-Modell trainiert und bereitgestellt werden. Mit der Agent Platform haben Sie auf nur einer Plattform zwei Optionen zum Erstellen eines ML-Modells: eine Lösung ohne Code mit AutoML und eine codebasierte Lösung mit benutzerdefiniertem Training über die Agent Platform Workbench. Hier verwenden Sie AutoML.
In diesem Lab erstellen Sie ein ML-Modell, um zu ermitteln, ob ein bestimmter Kunde seinen Kredit zurückzahlen wird.
Der Startbildschirm des Agent Platform-Dashboards veranschaulicht die wichtigsten Schritte zum Trainieren und Bereitstellen eines ML-Modells: Trainingsdaten vorbereiten, Modell trainieren und Vorhersagen abrufen. Später zeigt das Dashboard Ihre jüngsten Aktivitäten an, z. B. die letzten Datensätze, Modelle, Vorhersagen, Endpunkte und Notebook-Instanzen.
Es gibt drei Möglichkeiten, Daten in die Agent Platform zu importieren:
Der Einfachheit halber wurde das Dataset schon in Cloud Storage hochgeladen.
Wählen Sie für die Datenquelle die Option CSV-Dateien aus Cloud Storage auswählen aus.
Geben Sie unter Importdateipfad Folgendes ein:
Klicken Sie auf Statistiken erstellen, um die beschreibenden Statistiken für jede Spalte Ihres Datasets anzuzeigen.
Das Erstellen der Statistiken kann einige Minuten dauern, vor allem beim ersten Mal.
Wenn die Statistiken fertig sind, können Sie durch Klicken auf die einzelnen Spaltennamen die analytischen Diagramme anzeigen.
Nachdem Sie ein Dataset hochgeladen haben, können Sie ein Modell trainieren, um vorherzusagen, ob ein Kunde einen Kredit zurückzahlen wird.
Das Dataset hat schon den Namen LoanRisk.
Wählen Sie als Ziel die Option Klassifizierung aus.
Sie wählen Klassifizierung statt Regression aus, weil Sie eine konkrete Zahl vorhersagen (ob ein Kunde einen Kredit zurückzahlen wird: 0 für Rückzahlung, 1 für Zahlungsausfall/Keine Rückzahlung) und nicht eine kontinuierliche Zahl.
Geben Sie den Namen des Modells und die Zielspalte an.
Geben Sie dem Modell einen Namen, beispielsweise LoanRisk.
Wählen Sie für Zielspalte die Option Standard.
(Optional) Unter Erweiterte Optionen können Sie festlegen, wie Trainings- und Testdaten zugewiesen werden, und Verschlüsselungsoptionen wählen.
Klicken Sie auf Weiter.
Geben Sie an, welche Spalten Sie in das Trainingsmodell aufnehmen möchten. Zum Beispiel spielt die ClientID für die Vorhersage des Kreditrisikos wahrscheinlich keine Rolle.
Klicken Sie auf das Kästchen in der Zeile ClientID, um sie aus dem Modelltraining auszuschließen.
(Optional) Unter Erweiterte Optionen können Sie verschiedene Optimierungsziele auswählen.
Weitere Informationen zu Optimierungszielen für tabellarische AutoML-Modelle finden Sie in der entsprechenden Anleitung.
Klicken Sie auf Weiter.
Der Wert unter Budget steht für die Knotenstunden für das Training. Geben Sie hier 1 ein.
Das Training Ihres AutoML-Modells für eine Rechenstunde ist meist ein guter Ausgangspunkt, um festzustellen, ob es eine Beziehung zwischen den von Ihnen ausgewählten Features und Labels gibt. Ausgehend davon können Sie Features anpassen und das Modell für weitere Stunden trainieren, um die Modellleistung zu verbessern.
Vorzeitiges Beenden sollte aktiviert bleiben.
Klicken Sie auf Training starten.
Abhängig von der Datenmenge und der Trainingsmethode kann das Training zwischen einigen Minuten und einigen Stunden dauern. Normalerweise erhalten Sie eine E-Mail von Google Cloud, wenn das Training abgeschlossen ist. In der Google Skills-Umgebung geschieht das jedoch nicht.
Die Agent Platform bietet zahlreiche Messwerte zur Bewertung der Modellleistung. Wir konzentrieren uns auf drei davon:
Der Konfidenzschwellenwert bestimmt, wie ein ML-Modell die positiven Fälle zählt. Ein höherer Schwellenwert erhöht den Precision-Wert, verringert aber den Recall-Wert. Ein niedrigerer Schwellenwert verringert den Precision-Wert, erhöht aber den Recall-Wert.
Sie können den Schwellenwert manuell anpassen, um die Auswirkungen auf Precision und Recall zu beobachten und den besten Kompromiss zwischen beiden Werten gemäß Ihren geschäftlichen Anforderungen zu ermitteln.
Eine Wahrheitsmatrix gibt den Prozentsatz der Beispiele jeder Klasse in einem Testsatz an, den das Modell korrekt vorhergesagt hat.
Die Wahrheitsmatrix zeigt, dass Ihr anfängliches Modell 100 % der Rückzahlungsbeispiele und 87 % der Standardbeispiele in Ihrem Testsatz richtig vorhersagen konnte, was nicht schlecht ist.
Sie können den Prozentsatz mit weiteren Beispielen (mehr Daten) erhöhen oder indem Sie neue Merkmale entwickeln, die Trainingsmethode ändern usw.
In der Agent Platform wird die Featurewichtigkeit in einem Balkendiagramm dargestellt, das veranschaulicht, wie jedes Feature sich auf die Vorhersage auswirkt. Je länger der Balken bzw. je größer der Zahlenwert eines Feature ist, desto wichtiger ist es.
Diese Featurewichtigkeitswerte können Ihnen helfen, Ihr Modell zu verbessern und mehr Vertrauen in seine Vorhersagen zu gewinnen. Es kann sinnvoll sein, beim nächsten Modelltraining die Features mit der geringsten Wichtigkeit zu entfernen oder zwei der wichtigeren Features zu einer Featureverknüpfung zu kombinieren und zu prüfen, ob das die Modellleistung verbessert.
Die Featurewichtigkeit ist nur ein Beispiel für die umfassenden Machine-Learning-Funktionen der Agent Platform, die als Explainable AI bezeichnet werden. Explainable AI umfasst eine Reihe von Tools und Frameworks, mit deren Hilfe Sie durch Ihre ML-Modelle generierte Vorhersagen verstehen und interpretieren können.
Da Sie nun ein trainiertes Modell haben, ist der nächste Schritt, einen Endpunkt auf der Agent Platform zu erstellen. Einer Modellressource in der Agent Platform können mehrere Endpunkte zugeordnet sein. Sie können den Traffic auch zwischen Endpunkten aufteilen.
Klicken Sie auf der Modellseite auf Bereitstellen und Testen und anschließend auf Auf Endpunkt bereitstellen.
Geben Sie als Endpunktnamen die Bezeichnung LoanRisk ein.
Klicken Sie auf Weiter.
Belassen Sie die Einstellungen zur Aufteilung des Traffics wie sie sind.
Wählen Sie als Maschinentyp die Option e2-standard-8, 8 vCPUs, 32 GiB Arbeitsspeicher.
Klicken Sie unter Optionen für Erklärbarkeit auf Featureattribution.
Klicken Sie auf Fertig.
Klicken Sie auf Weiter.
Klicken Sie unter Modellmonitoring auf Weiter.
Wählen Sie unter Modellziele > Trainingsdatenquelle die Option Agent Platform-Dataset aus.
Wählen Sie Ihr Dataset aus dem Drop-down-Menü aus.
Geben Sie unter Zielspalte den Wert Standard ein.
Lassen Sie die übrigen Einstellungen unverändert und klicken Sie auf Bereitstellen.
Die Bereitstellung des Endpunkts dauert einige Minuten. Sobald sie abgeschlossen ist, wird ein grünes Häkchen neben dem Namen angezeigt.
Jetzt können Sie Vorhersagen von Ihrem bereitgestellten Modell abrufen.
In diesem Abschnitt verwenden Sie das AutoML-Gateway, um mit einem vortrainierten Modell zu arbeiten.
| UMGEBUNGSVARIABLE | WERT |
|---|---|
| Credit_Risk ENDPUNKT | 1411183591831896064 |
| INPUT_DATA_FILE | INPUT-JSON |
Damit Sie das trainierte Modell verwenden können, müssen Sie einige Umgebungsvariablen erstellen.
Öffnen Sie ein Cloud Shell-Fenster.
Laden Sie die Lab-Assets herunter:
INPUT_DATA_FILE:PROJECT_NUMBER:AUTOML_SERVICE:Die Datei INPUT-JSON enthält folgende Werte:
Erwartete Ausgabe:
Wenn Sie die Google Cloud Console verwenden, sehen Sie im folgenden Bild, wie diese Aktion durchgeführt werden könnte:
Sie können die Agent Platform jetzt für Folgendes verwenden:
Weitere Informationen zu den verschiedenen Bereichen der Agent Platform finden Sie in der Dokumentation zur Agent Platform.
Wenn Sie das Lab abgeschlossen haben, klicken Sie auf Lab beenden. Google Skills entfernt daraufhin die von Ihnen genutzten Ressourcen und bereinigt das Konto.
Anschließend erhalten Sie die Möglichkeit, das Lab zu bewerten. Wählen Sie die entsprechende Anzahl von Sternen aus, schreiben Sie einen Kommentar und klicken Sie anschließend auf Senden.
Die Anzahl der Sterne hat folgende Bedeutung:
Wenn Sie kein Feedback geben möchten, können Sie das Dialogfeld einfach schließen.
Verwenden Sie für Feedback, Vorschläge oder Korrekturen den Tab Support.
© 2026 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.
Diese Inhalte sind derzeit nicht verfügbar
Bei Verfügbarkeit können wir Sie per E-Mail benachrichtigen
Sehr gut!
Bei Verfügbarkeit können wir Sie per E-Mail kontaktieren
Es ist immer nur ein Lab möglich
Bestätigen Sie, dass Sie alle vorhandenen Labs beenden und dieses Lab starten möchten