Anzeige
Anzeige
Ratgeber
Artikel merken

Vertex AI auf Google Cloud: Onlinevorhersagen für Datentrends mit Machine-Learning-Modell

Auch für Anwender ohne Programmierkenntnisse ist es möglich, für Daten-Forecasts eigene Machine-Learning-Modelle zu erstellen und zu trainieren – mit der Vertex AI auf der Google Cloud.

Von Slava Wagner
7 Min. Lesezeit
Anzeige
Anzeige

Google Cloud Big Lake. (Foto: Shutterstock)

Es gibt viele Möglichkeiten, eigene Machine-Learning-Modelle für Daten-Forecasts zu erstellen. Das geht mit IBM Watson Studio, Microsoft Azure, der AWS Cloud oder der Google Cloud. Nur ist es für die meisten Menschen nicht realistisch, da neben starken Programmierkenntnissen ein geballtes statistisches Verständnis und vor allem auch operative technologiespezifische Erfahrung notwendig ist. Das gilt für den Import der Datensätze, für das Aufsetzen, Trainieren und Bereitstellen des Modells sowie vor allem für die Interpretation der Ergebnisse.

Anzeige
Anzeige

Doch es gibt Abhilfe: Schon 2018 startete die Google Cloud die Anwendung AutoML, die für den einfachen Gebrauch automatisierte Machine-Learning-Modelle bereitstellt – und das ohne oder nur mit geringer Steuerung durch Programmiercodes von unserer Seite. 2021 wurde die Vertex AI auf der Google Cloud gelauncht, in der die Anwendung AutoML eingegliedert ist. Bei der Vertex AI handelt es sich um eine umfassende Plattform für ganzheitliche Machine-Learning-Anwendungen. Hier werden Datensets hochgeladen, automatisch als Modell trainiert und anschließend als Endpunkt ausgegeben. Mit der Funktion der Onlinevorhersagen können wir aus einem trainierten Modell Vorhersagewerte abrufen, um darauf aufbauend mögliche Datenentwicklungen in einer Zeitachse abzubilden.

Wofür eignen sich Onlinevorhersagen?

Überall dort, wo wir aus bestehenden Daten in einer Zeitachse Vorhersagewerte kalkulieren wollen, kann die Vertex AI uns weiterhelfen. Das gilt zum Beispiel für die Online-Marketing-Branche, wo wir Online-Verkäufe oder Traffic-Entwicklungen auf Websites prognostizieren können. Generell lässt sich das aber für jeden Bereich anwenden, in dem Bestandsdaten in einer Zeitachse vorhergesagt werden sollen.

Anzeige
Anzeige

Rechts der roten Trennlinie: Forecast aus den Onlinevorhersage-Daten der Vertex AI für Beispiel-Website-Klicks mit selbsttrainiertem Modell basierend auf Bestandsdaten. (Screenshot: Slava Wagner)

Rechts der roten Trennlinie: Forecast-Daten für Beispiel-Website-Klicks, segmentiert in Monaten. Hier wird deutlich, dass im August der Schwellenwert von 5.000 Klicks unterschritten werden wird. Der Abwärtstrend ist zwar aufgrund der bisherigen Entwicklung abzusehen, jedoch haben wir hier eine feste Zahl in einem festen Monat zur Prognostizierung der Unterschreitung eines weiteren Schwellenwerts. Das macht die Tragweite der Entwicklung wesentlich ernster und belastbarer. Darauf basierend ließe sich zum Beispiel ein Frühwarnsystem in einem Team einrichten, welches sich dann auf solche Entwicklungen vorbereiten könnte. (Screenshot: Slava Wagner)

Wie funktionieren die Onlinevorhersagen?

Das System für Vorhersagen basiert auf dem Trainieren von tabellarischen Daten – hochgeladen als CSV-Datei oder abgerufen von einer Bigquery-Datenbank. Die Tabelleneinträge benötigen immer eine Zeitachsen-Angabe sowie eine Nummerierung als eigene Spalte für die Zuordnung. Außerdem sei noch gesagt: Die gesamte Funktion für Onlinevorhersagen befindet sich im sogenannten Vorschau-Modus, was bedeutet, dass dies mit einer Beta-Version vergleichbar ist.

Anzeige
Anzeige

Schritt 1 – Konto in der Google Cloud erstellen und Vertex AI aktivieren

Im ersten Schritt muss ein Konto in der Google Cloud erstellt und die Vertex AI aktiviert werden. Das geht am besten direkt in der Produktseite der Vertex AI. Google bietet für alle neuen Anmeldungen einen kostenlosen Zugriff mit Testzeitraum von 90 Tagen und 300 Euro Startguthaben für die Nutzung des Cloud-Computings. Nachdem der Testzugriff steht und Vertex AI aktiviert ist, können wir mit dem Datenimport fortfahren.

Schritt 2 – Datenset als CSV vorbereiten

Nun benötigen wir tabellarische Daten für die Onlinevorhersage. Wir können an der Stelle entweder eine einfache, kommagetrennte CSV-Datei hochladen oder in der Google Cloud einen Bigquery-Arbeitsbereich anlegen, um dort eine CSV-Datei hochzuladen. Wichtig ist hier, dass die CSV-Datei bestimmte Spaltenvorgaben erfüllen muss:

Anzeige
Anzeige

a) Zeitstempel: Es muss eine eigene Spalte als Zeitachsendimension vorliegen („Zeitstempel“). Der Name der Spalte kann ein beliebiger Text sein. Die Zeitangaben hingegen müssen numerisch sein und in einem der akzeptierten Formate vorbereitet werden. Die akzeptierten Formate für Zeitangaben sind in der Dokumentation im Abschnitt „Zeitstempel“ gelistet. Für Tagesdaten könnte entsprechend das Format für den 26. Januar 2022 so lauten: 2022-01-26.

b) Ziel-Spalte: Es muss eine sogenannte Ziel-Spalte vorliegen. Diese beschreibt den Messwert, für den wir eine Onlinevorhersage errechnen wollen. Die Daten in der Ziel-Spalte müssen immer numerisch sein. Eine Ziel-Spalte wäre also zum Beispiel: Klicks auf einer Website pro Tag, mit 1.000 numerischen Zeileneinträgen, die nach der Spalte folgen.

c) Achsenkennzeichnung: Es muss immer eine sogenannte Achsenkennzeichnung als Spalte vorliegen. Das kann eine einfache Nummerierung sein und muss entsprechend numerisch vorliegen.

Anzeige
Anzeige

Schritt 3 – Datenset importieren

In der Konsole der Vertex AI können wir in der linken Menüleiste unter Datasets eine CSV-Datei hochladen. Im Hauptfenster muss dafür der Reiter „Tabellarisch“ angeklickt werden und für die Onlinevorhersage anschließend das Feld „Regression/Klassifizierung“ ausgewählt werden. Achtung: Die Onlinevorhersage funktioniert nur für ein Modell der Regression/Klassifizierung, nicht jedoch für ein Modell des Typs Vorhersage.

Das Dashboard der Vertex-AI-Konsole: Hier können wir die Regression/Klassifizierung-Funktion auswählen. (Screenshot: Slava Wagner)

Für das Hochladen von CSV-Dateien ist ein eigener Cloud-Storage erforderlich, der auf der Produktseite der Google Cloud aktiviert werden muss. Die Kosten hierfür werden vom kostenlosen Startguthaben von 300 Euro abgezogen. Anschließend lässt sich dann die CSV-Datei hochladen.

CSV-Datei hochladen, sobald der Cloud-Storage eingerichtet ist. (Screenshot: Slava Wagner)

Schritt 4 – Modell automatisch trainieren

Nun geht es ans Training: Die Vertex AI analysiert für die Onlinevorhersage automatisch den Datensatz und erstellt daraus ein Machine-Learning-Modell. Dazu müssen wir rechts auf den blauen Button „Modell trainieren“ klicken. Anschließend öffnet sich ein Fenster, in das wir einige Trainingsdaten eingeben müssen. Wählt hier als Ziel Regression und als Trainingsmethode AutoML.

Anzeige
Anzeige

Trainingsziel und Trainingsmethode eingeben: Regression und AutoML. (Screenshot: Slava Wagner)

Jetzt ist es noch wichtig, die Ziel-Spalte aus unserer hochgeladenen CSV-Datei als Target Column festzulegen, damit Vorhersagewerte für sie ermittelt werden können. Wenn wir also eine Vorhersage für Website-Klicks haben wollen, so wählen wir entsprechend Klicks, da das die Ziel-Daten sind, die wir untersuchen wollen.

Ziel-Spalte der zu untersuchenden Metrik als Target Column festlegen. (Screenshot: Slava Wagner)

Bei den Trainingsoptionen sollten die Spaltenbeschaffenheiten eigentlich automatisch erkannt werden. Zur Sicherheit können wir den Spalten aber noch die exakten Bedeutungen zuweisen: Unter dem Tabellenpunkt Transformation weisen wir für das Datum den Typ „Zeitstempel“ zu und für die Achsenkennzeichnung weisen wir „Numerisch“ zu.

Unsere Tabellenspalten sind hier: Die Ziel-Spalte, die den Untersuchungsgegenstand anzeigt (Klicks), der Zeitstempel (Datum) und die numerische Achsenkennzeichnung. (Screenshot: Slava Wagner)

Fast fertig: Es fehlt nur noch ein Trainingsbudget. Hier weisen wir eine Knotenstunde zu und starten das Modell mit dem blauen Button links zum Starten des Kurses.

Anzeige
Anzeige

Festlegung einer Knotenstunde als Trainingsbudget. (Screenshot: Slava Wagner)

Schritt 5 – Modell bereitstellen

Nun heißt es: Warten, bis das Lernen des Modells abgeschlossen ist. Eine E-Mail der Vertex AI benachrichtigt uns darüber, wenn der Lernprozess abgeschlossen ist. Anschließend liegt das Modell in der Konsole der Vertex AI in der linken Menüleiste unter dem Punkt „Modelle“. Damit wir Onlinevorhersagen tätigen können, muss das Modell noch platziert und bereitgestellt werden. Dazu wählt ihr euer Modell aus, klickt auf eure aktuelle Version und wählt anschließend oben den Reiter „Bereitstellen und testen“ aus. Klickt nun auf den blauen Button unten „Auf Endpunkt bereitstellen“ und tragt hier noch einige abgefragte Daten ein.

Im linken Menüpunkt „Modelle“ können wir einen Endpunkt bereitstellen, um unser Machine-Learning-Modell zugänglich zu machen. (Screenshot: Slava Wagner)

Die meisten erforderlichen Daten könnt ihr selbst festlegen – vieles ist schon vorkonfiguriert oder als Best Practice empfohlen. Nur eine Sache ist hier sehr wichtig: und zwar wieder einmal die Ziel-Spalte aus Schritt 2 und Schritt 4. Tippe die genaue Bezeichnung der Zielspalte im Fenster der Monitoringziele erneut ein. Die Ziel-Spalte gibt die Metrik an, die untersucht werden soll: In unserem Beispiel sind es also die Website-Klicks. Für den Speicherort könnt ihr direkt euren Cloud-Storage auswählen oder einen neuen Ordner im Cloud-Storage erstellen.

Festlegung der Ziel-Spalte (Metrik des Untersuchungsgegenstandes) in den Monitoringzielen. (Screenshot: Slava Wagner)

Schritt 6 – Onlinevorhersage

Es dauert nun wieder eine Weile, bis das System das Deployment, also die Bereitstellung eures Modells, auf der Vertex AI finalisiert hat und ihr eine E-Mail über das Ergebnis ins Postfach bekommt. In der Vertex-AI-Konsole steht dann unter „Modelle“ die Funktion für Onlinevorhersagen bereit. Dazu wieder auf das Modell klicken, dann auf die Version klicken und herunterscrollen. Das Tool zum Testen des Modells ermöglicht euch, direkt abfragen für Vorhersagewerte in der Zukunft abzurufen, und zwar ohne Programmieraufwand, denn im Normalfall lässt sich der Datenabruf nur darüber steuern.

Anzeige
Anzeige

Damit ein Wert vorhergesagt werden kann, muss der numerische Achsenwert mit der Zeitangabe des in der Zukunft liegenden Ereignisses eingegeben werden. Daraus erhalten wir den Vorhersagewert für diesen Zeitpunkt. Vom Erstellen bis zum Bereitstellen dürfte die Google Cloud gut 50 Euro an Budget verbrauchen, und mit jedem Tag der Verfügbarkeit als bereitgestelltes Modell werden noch ein paar Euro fällig. Das bedeutet: Wenn das Modell nicht mehr gebraucht wird – gleich abstellen.

(Screenshot: Slava Wagner)

Fazit: Eigene Machine-Learning-Modelle für Vorhersagen

Machine-Learning-Modelle lassen sich mittlerweile auch ohne Programmierkenntnisse aufsetzen und für realitätsnahe Daten-Vorhersagen nutzen. Das kann generell für alle Branchen sinnvoll sein, da dadurch auf bestimmte Szenarien reagiert werden kann, bevor sie erst eintreten. Das gilt besonders für den Online-Marketing-Bereich. Wenn wir genau sehen, welcher Schwellenwert einer Website-Performance über- oder unterschritten wird, können wir Positivtrends noch stärker ausbauen und Negativtrends entgegenwirken, bevor sie eintreten.

Allerdings sollte auch gesagt sein: Meistens liefern uns die Forecasts lediglich die Bestätigung für Tendenzen, die sowieso schon absehbar sind. Wenn ein Datensatz sowieso im Großen und Ganzen eine Abwärtsentwicklung zeigt, diese im Forecast wiedergegeben wird und dann schlussendlich eintritt, ist das keine Überraschung. Die Vorhersagen helfen aber, eine solche Entwicklung mit belastbaren Zahlen für Schwellenwerte mit konkretem Datum zu prognostizieren, was sie wesentlich glaubwürdiger macht, und dadurch eher ein Anreiz besteht, wirklich etwas zu unternehmen.

Fast fertig!

Bitte klicke auf den Link in der Bestätigungsmail, um deine Anmeldung abzuschließen.

Du willst noch weitere Infos zum Newsletter? Jetzt mehr erfahren

Anzeige
Anzeige
2 Kommentare
Bitte beachte unsere Community-Richtlinien

Wir freuen uns über kontroverse Diskussionen, die gerne auch mal hitzig geführt werden dürfen. Beleidigende, grob anstößige, rassistische und strafrechtlich relevante Äußerungen und Beiträge tolerieren wir nicht. Bitte achte darauf, dass du keine Texte veröffentlichst, für die du keine ausdrückliche Erlaubnis des Urhebers hast. Ebenfalls nicht erlaubt ist der Missbrauch der Webangebote unter t3n.de als Werbeplattform. Die Nennung von Produktnamen, Herstellern, Dienstleistern und Websites ist nur dann zulässig, wenn damit nicht vorrangig der Zweck der Werbung verfolgt wird. Wir behalten uns vor, Beiträge, die diese Regeln verletzen, zu löschen und Accounts zeitweilig oder auf Dauer zu sperren.

Trotz all dieser notwendigen Regeln: Diskutiere kontrovers, sage anderen deine Meinung, trage mit weiterführenden Informationen zum Wissensaustausch bei, aber bleibe dabei fair und respektiere die Meinung anderer. Wir wünschen Dir viel Spaß mit den Webangeboten von t3n und freuen uns auf spannende Beiträge.

Dein t3n-Team

Volker

Sehr interessant! Vielen Dank für den Artikel!
Wäre es möglich ein Beispiel Ihrer CSV Datei zu sehen?
Wenn ich Ihren Angaben folge, werden in meinem Fall nur eine Zeile erkannt.

Besten Dank!

Antworten
Slava Wagner

Hallo, vielen Dank für das freundliche Feedback! In diesem Beispiel sah die Tabelle folgendermaßen aus:

Spalte 1: Datum
Zeilen-Beispiel: 2018-10-24
Zeilen-Beispiel: 2018-10-25
Zeilen-Beispiel: 2018-10-26

Spalte 2: Klicks
Zeilen-Beispiel: 321
Zeilen-Beispiel: 299
Zeilen-Beispiel: 287

Spalte 3: Achsenkennzeichnung
Zeilen-Beispiel: 1
Zeilen-Beispiel: 2
Zeilen-Beispiel: 3

Das kann zum Beispiel bei Google Sheets erstellt, und dann als CSV exportiert werden.

Es kann sein, dass oben im Schritt 4, im dritten Screenshot, die Zuweisungen für die Transformation manuell erfolgen müsste (wenn es nicht automatisch klappt):

Spalte 1: Datum
Zuweisung als: Zeitstempel

Spalte 2: Klicks
Zuweisung als: Numerisch

Spalte 3: Achsenkennzeichnung
Zuweisung als: Numerisch

Antworten

Melde dich mit deinem t3n Account an oder fülle die unteren Felder aus.

Bitte schalte deinen Adblocker für t3n.de aus!
Hallo und herzlich willkommen bei t3n!

Bitte schalte deinen Adblocker für t3n.de aus, um diesen Artikel zu lesen.

Wir sind ein unabhängiger Publisher mit einem Team von mehr als 75 fantastischen Menschen, aber ohne riesigen Konzern im Rücken. Banner und ähnliche Werbemittel sind für unsere Finanzierung sehr wichtig.

Schon jetzt und im Namen der gesamten t3n-Crew: vielen Dank für deine Unterstützung! 🙌

Deine t3n-Crew

Anleitung zur Deaktivierung
Artikel merken

Bitte melde dich an, um diesen Artikel in deiner persönlichen Merkliste auf t3n zu speichern.

Jetzt registrieren und merken

Du hast schon einen t3n-Account? Hier anmelden

oder
Auf Mastodon teilen

Gib die URL deiner Mastodon-Instanz ein, um den Artikel zu teilen.

Anzeige
Anzeige