Visão geral

O objetivo deste laboratório é mostrar aos estudantes como usar as ferramentas de MLOps e as práticas recomendadas para implantar, avaliar, monitorar e operar sistemas de ML de produção no Google Cloud. Também incluímos experiências práticas de uso da ingestão de streaming do Vertex AI Feature Store na camada do SDK.

Objetivos de aprendizagem

Neste laboratório, você vai aprender a usar o SDK de ingestão de streaming no Jupyiter Labs para executar as seguintes tarefas:

• Baixar e preparar os dados do BigQuery.
• Criar um novo Feature Store.
• Criar um novo tipo de entidade.
• Criar e gravar atributos no Feature Store.
• Acessar atributos do Feature Store.

Configuração e requisitos

Para cada laboratório, você recebe um novo projeto do Google Cloud e um conjunto de recursos por um determinado período sem custo financeiro.

1. Faça login no Google Skills usando uma janela anônima.

2. Confira o tempo de acesso do laboratório (por exemplo, 1:15:00) e finalize todas as atividades nesse prazo.
   Não é possível pausar o laboratório. Você pode reiniciar o desafio, mas vai precisar refazer todas as etapas.

3. Quando tudo estiver pronto, clique em Começar o laboratório.

4. Anote as credenciais (Nome de usuário e Senha). É com elas que você vai fazer login no Console do Google Cloud.

5. Clique em Abrir Console do Google.

6. Clique em Usar outra conta, depois copie e cole as credenciais deste laboratório nos locais indicados.
   Se você usar outras credenciais, vai receber mensagens de erro ou cobranças.

7. Aceite os termos e pule a página de recursos de recuperação.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual que contém ferramentas para desenvolvedores. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece aos seus recursos do Google Cloud acesso às linhas de comando. A gcloud é a ferramenta ideal para esse tipo de operação no Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

1. No painel de navegação do Console do Google Cloud, clique em Ativar o Cloud Shell ().

2. Clique em Continuar.
   O provisionamento e a conexão do ambiente podem demorar um pouco. Quando esses processos forem concluídos, você já vai ter uma autenticação, e o projeto estará definido com seu PROJECT_ID. Por exemplo:

Exemplo de comandos

• Liste o nome da conta ativa:

(Saída)

(Exemplo de saída)

• Liste o ID do projeto:

(Saída)

(Exemplo de saída)

Tarefa 1: iniciar uma instância de notebooks da Vertex AI

1. No console do Google Cloud, no menu de navegação (), clique em Vertex AI.

2. Selecione Ativar todas as APIs recomendadas.

3. No menu de navegação, clique em Workbench.

   Verifique se você está na visualização Instâncias do topo da página do Workbench.

4. Clique em Criar.

5. Configure a instância:

   • Nome: lab-workbench
   • Região: configure a região como
   • Zona: configure a zona como
   • Opções avançadas (opcional): se necessário, clique em "Opções avançadas" para personalizar mais (ex.: tipo de máquina, tamanho do disco).

6. Clique em Criar.

O processo vai levar alguns minutos, e uma marca de seleção verde vai aparecer ao lado do nome da instância quando ela estiver pronta.

7. Clique em ABRIR O JUPYTERLAB ao lado do nome da instância para iniciar a interface do ambiente. Uma nova guia será aberta no navegador.

Clique em Verificar meu progresso para conferir o objetivo. Iniciar a instância do Vertex AI Workbench

Tarefa 2: clonar um repositório do curso na sua interface do JupyterLab

Para clonar o notebook training-data-analyst da sua instância do JupyterLab:

Etapa 1

No JupyterLab, clique no ícone Terminal para abrir um novo terminal.

Etapa 2

No prompt de linha de comando, digite o código abaixo e pressione Enter.

Etapa 3

Para confirmar que o repositório foi clonado, clique duas vezes no diretório training-data-analyst e verifique se o conteúdo dele está presente. Os arquivos de todos os laboratórios com notebooks do Jupyter deste curso estão disponíveis nesse diretório.

Clique em Verificar meu progresso para conferir o objetivo. Clonar um repositório do curso na sua interface do JupyterLab

Tarefa 3: transferir atributos para o Feature Store com o SDK de ingestão de streaming

1. Na interface do notebook, acesse training-data-analyst > courses > machine_learning > deepdive2 > mlops_vertexai_manage_features > labs e abra feature_store_streaming_ingestion_sdk.ipynb.

2. Na caixa de diálogo Selecionar Kernel, escolha Python 3 na lista de kernels disponíveis.

3. Na interface do notebook, clique em Editar > Limpar todas as saídas.

4. Leia com atenção as instruções do notebook e adicione o código necessário nas linhas marcadas com #TODO.

Dica: para executar a célula atual, clique nela e pressione SHIFT+ENTER. Veja outros comandos de células na interface do notebook em Executar.

• Você também vai encontrar dicas para realizar as tarefas. Destaque o texto para ler as dicas, que são exibidas em letras brancas.

Finalize o laboratório

Após terminar seu laboratório, clique em End Lab. O Qwiklabs removerá os recursos usados e limpará a conta para você.

Você poderá avaliar sua experiência neste laboratório. Basta selecionar o número de estrelas, digitar um comentário e clicar em Submit.

O número de estrelas indica o seguinte:

• 1 estrela = muito insatisfeito
• 2 estrelas = insatisfeito
• 3 estrelas = neutro
• 4 estrelas = satisfeito
• 5 estrelas = muito satisfeito

Feche a caixa de diálogo se não quiser enviar feedback.

Para enviar seu feedback, fazer sugestões ou correções, use a guia Support.

Copyright 2026 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de empresas e produtos podem ser marcas registradas das empresas a que estão associados.