GSP223

Ringkasan

Agent Platform adalah platform terpadu Google Cloud untuk machine learning. Fitur AutoML dalam Agent Platform menyederhanakan pelatihan model pengenalan citra kustom berkualitas tinggi tanpa memerlukan keahlian ML yang mendalam. Setelah pelatihan, model di-deploy ke Endpoint terkelola untuk prediksi real-time melalui API yang mudah digunakan.

Di lab ini, Anda akan mengupload gambar awan ke Cloud Storage, membuat Set Data Agent Platform dari gambar tersebut, dan menggunakan model terlatih (simulasi) di Endpoint Agent Platform untuk menghasilkan prediksi.

Tujuan

Di lab ini, Anda akan melakukan tugas berikut:

• Menyiapkan lingkungan Agent Platform dan bucket Cloud Storage.
• Mengupload set data berlabel ke Cloud Storage.
• Membuat dan memeriksa Set Data Agent Platform.
• Membuat prediksi terhadap Endpoint Agent Platform.

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. Menyiapkan lingkungan Agent Platform

Anda akan mengaktifkan API yang diperlukan, mengakses konsol Agent Platform, dan menyiapkan bucket penyimpanan.

Memastikan Agent Platform diaktifkan

Agent Platform API diperlukan untuk mengelola set data, melatih, dan men-deploy model.

1. Di Konsol Google Cloud, pada Navigation menu (), pilih APIs & Services > Library.

2. Di kolom Search for APIs & services, ketik Agent Platform API, lalu klik Agent Platform API di hasil penelusuran.

3. Pastikan Agent Platform API dalam status Enable. Jika belum, klik Enable.

Membuka Dasbor Agent Platform

• Di Navigation menu (), klik Agent Platform.

Membuat bucket penyimpanan

Bucket penyimpanan akan menyimpan gambar pelatihan Anda dan file manifesnya. Region harus didukung oleh Agent Platform.

• Di Cloud Shell, jalankan perintah berikut untuk membuat bucket penyimpanan bernama -vcm:

gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l {{{project_0.default_region | Region}}} \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

Klik Periksa progres saya untuk memverifikasi tujuan.

Membuat bucket Cloud Storage

Tugas 2. Mengupload gambar pelatihan ke Cloud Storage

Untuk melatih model guna mengklasifikasi gambar awan, Anda memerlukan data pelatihan berlabel agar model dapat mengembangkan pemahaman tentang fitur gambar yang terkait dengan beragam jenis awan. Dalam contoh ini, model Anda akan mempelajari cara mengklasifikasi tiga jenis awan yang berbeda: sirus, kumulus, dan kumulonimbus.

Untuk menempatkan gambar pelatihan di bucket Cloud Storage Anda:

1. Di Cloud Shell, jalankan perintah berikut untuk membuat variabel lingkungan dengan nama bucket Anda:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Gambar pelatihan tersedia secara publik di bucket Cloud Storage.

2. Gunakan utilitas command line gsutil untuk Cloud Storage guna menyalin gambar pelatihan dari bucket publik ke bucket baru Anda:

gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. Untuk melihat gambar yang baru saja Anda salin ke bucket, di Navigation menu, klik Cloud Storage > Buckets, lalu klik nama bucket Anda. Anda akan melihat tiga folder yang sesuai dengan jenis awan.

Jika Anda mengklik file gambar masing-masing di setiap folder, Anda dapat melihat foto yang akan digunakan guna melatih model untuk setiap jenis awan.

Klik Periksa progres saya untuk memverifikasi tujuan.

Mengupload gambar pelatihan ke Bucket Cloud Storage

Tugas 3. Membuat set data

Setelah data pelatihan berada di Cloud Storage, Anda memerlukan cara agar Agent Platform dapat mengaksesnya. Biasanya, Anda akan membuat file CSV yang setiap barisnya berisi URL ke gambar pelatihan dan label terkait untuk gambar tersebut.

Untuk lab ini, file CSV telah dibuatkan untuk Anda, jadi Anda hanya perlu memperbaruinya dengan nama bucket Anda.

1. Salin file CSV ke instance Cloud Shell Anda:

gsutil cp gs://spls/gsp223/data.csv .

2. Perbarui file CSV dengan nama bucket spesifik Anda:

sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv

3. Upload file CSV yang diperbarui ke bucket Cloud Storage Anda:

gsutil cp ./data.csv gs://${BUCKET}

4. Setelah perintah tersebut selesai, klik tombol Refresh di bagian atas browser Storage. Pastikan Anda melihat file data.csv di bucket Anda.

5. Di Navigation menu, klik Agent Platform > Datasets.

6. Pilih , lalu klik Create.

7. Tetapkan clouds_vertex_ai sebagai Dataset Name.

8. Pilih Image sebagai jenis data.

9. Pilih Single-label classification (single-label) sebagai tujuan

Catatan: Di project Anda sendiri, Anda mungkin perlu menggunakan klasifikasi kelas jamak.

10. Untuk pemilihan region, pilih , lalu klik Create.

Sekarang Anda akan mengimpor data.

11. Pilih Select import files from Cloud Storage, lalu klik Browse > -vcm > data.csv. Klik Select.

12. Klik Continue, lalu Import.

Tunggu hingga impor gambar selesai. Durasinya sekitar 2—5 menit.

Klik Periksa progres saya untuk memverifikasi tujuan.

Membuat Set Data

Tugas 4. Membuat prediksi

Karena model telah dilatih dan diasumsikan akan di-deploy, sekarang Anda akan menggunakan Agent Platform API (melalui perintah curl) untuk mendapatkan prediksi.

Menyimulasikan Deployment (Model Terlatih)

Langkah selanjutnya mengasumsikan bahwa model terlatih akan di-deploy ke Endpoint Agent Platform. Di lingkungan produksi, model Anda akan di-deploy ke Endpoint Agent Platform setelah pelatihan. Struktur permintaan prediksi menggunakan ID resource model atau URL endpoint.

Menyiapkan gambar input

1. Download dua contoh gambar yang akan Anda gunakan untuk prediksi:

gsutil cp gs://spls/gsp223/examples/* .

2. Lihat contoh file input untuk prediksi (CLOUD1-JSON), yang berisi byte placeholder:

cat CLOUD1-JSON

Membuat Prediksi Terhadap Endpoint Agent Platform

Gunakan format Prediction API Agent Platform generik yang mengharuskan model di-deploy. Perintah berikut menggunakan nama model/endpoint placeholder untuk ilustrasi, dengan asumsi ada model yang di-deploy bernama clouds-model.

Pengujian 1: prediksi untuk CLOUD1

1. Tetapkan gambar pertama sebagai file input:

INPUT_DATA_FILE=CLOUD1-JSON

2. Simulasikan URL prediksi Agent Platform

• Karena endpoint aktif tidak dapat otomatis disediakan, kita menggunakan struktur perintah yang mencerminkan Agent Platform API, yang menggunakan Project ID dan Model ID Anda.

• Dalam skenario dunia nyata, Anda harus mendapatkan ID Endpoint yang sebenarnya terlebih dahulu. Perintah ini bersifat konseptual.

3. Tetapkan MODEL_ID dummy dan REGION:

export MODEL_ID='clouds_vertex_model' export REGION='{{{project_0.default_region | Region}}}'

4. Jalankan panggilan prediksi Agent Platform (konseptual):

curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction1.txt

Output yang Diharapkan (Konseptual): Model harus memprediksi dengan sangat yakin bahwa ini adalah awan sirus.

Pengujian 2: prediksi untuk CLOUD2

1. Tetapkan gambar pertama sebagai file input:

INPUT_DATA_FILE=CLOUD2-JSON

2. Jalankan panggilan prediksi Agent Platform (konseptual):

curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction2.txt

Output yang Diharapkan (Konseptual): Model harus memprediksi dengan sangat yakin bahwa ini adalah awan kumulonimbus.

3. Salin file txt ke bucket Google Cloud Storage Anda:

gsutil cp *.txt gs://${BUCKET}

Klik Periksa progres saya untuk memverifikasi tujuan.

Membuat prediksi

Selamat!

Di lab ini, Anda telah menggunakan Agent Platform untuk membuat set data gambar dan membuat prediksi terhadap endpoint model yang di-deploy.

Langkah berikutnya/Pelajari lebih lanjut

• Pelajari cara melakukan setiap langkah dengan API, lihat Introduction to Agent Platform

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 17 Oktober 2025

Lab Terakhir Diuji pada 17 Oktober 2025

Hak cipta 2026 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.