1. モデルを作成するためのデータを用意する

AI Platform Trainingにてモデルを作成するためのデータを用意します。
今回はアヤメの計測データセットを利用しました。

私は、以下のコードをGoogle Coraboratory上で実行し、 iris.csv という学習用データセットをGoogleDriveにエクスポートしました。

from sklearn.datasets import load_iris
iris = load_iris()

import pandas as pd

df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target
df.loc[df['target'] == 0, 'target'] = "setosa"
df.loc[df['target'] == 1, 'target'] = "versicolor"
df.loc[df['target'] == 2, 'target'] = "virginica"

df = df[df.columns[::-1]] # 目的変数を1列目にする必要があるため

from google.colab import drive 
drive.mount('/content/drive')
df.to_csv(path_or_buf="/content/drive/My Drive/iris.csv", index=False, header=False, encoding='utf-8') # headerは削除する必要があるため

AI Platform Training（組み込みアルゴリズムによるトレーニング）では、読み込ませるデータの仕様が以下の通り決まっているので注意です。

目的変数がデータセット1列目である必要がある。
headerは削除する必要がある。

AI Platform Trainingでモデル作成を実行する際、学習用のデータセットがGoogle Cloud Storage上に保存されている必要があるので、先ほどGoogle Driveに保存した iris.csv をCloud Storageにアップロードします。

AI Platform Trainingで作成されるモデルもGoogle Cloud Storage上にエクスポートされるため、バケットを用意してもいいかもしれません。

2. AI Platform Trainingを利用してXGBoostのモデルを作る

作成した iris.csv を用いて、AI Platform Training（組み込みアルゴリズムによるトレーニング）にてモデルを作成していきます。
AI Platform Training（組み込みアルゴリズムによるトレーニング）を利用して、ノーコーディングでモデルを作成していきます。

Google Cloudのコンソールから、AI Platformのサービス画面に移動します。

まず、AI PlatformのAPIを有効にしていない場合は有効にします。

続いて左のメニューから「ジョブ」を選択し、「新規トレーニングジョブ」をクリックします。「組み込みアルゴリズムによるトレーニング」か「カスタムコードトレーニング」のどちらかが選択できます。今回は「組み込みアルゴリズムによるトレーニング」を選択します。

はじめにアルゴリズムの選択画面となります。複数のアルゴリズムが選択可能ですが、今回はXGBoostを選択します。

続いてトレーニングデータについての設定画面となります。

トレーニングデータのGoogle Cloud Storageのパスを入力する画面があるため、先ほどデータを格納したパスを入力します。
検証データは、今回 iris.csv の20%を利用することにしました。
そして、トレーニング出力（＝モデルの出力先）となるGoogle Cloud Storageのパスも記入する必要があります。

続いて、XGBoostのパラメータ設定画面が表示されます。
今回は複数クラス分類になるため、objectiveの欄は multi:softmax を選択しました。

最後の画面では任意のジョブ名記入、トレーニングを実行するリージョン名選択、スケール階層選択ができます。

スケール階層というのは、トレーニングに割り当てるインスタンスリソースを指すようです。
小さく試すときは BASIC、重ための学習を行うときには CUSTOM で適切なリソースサイズを選ぶのが良いでしょう。

今回はデータも非常に小さいので BASIC を選択しました。

全て記入が終わったら、「完了」ボタンを押してトレーニングを開始します。
トレーニング完了には5分ほどかかります。恐らくバックエンドの環境整備（インスタンスリソースの割り当て）に時間がかかっているものだと思います。

3. AI Platform Predictionでモデルをデプロイ

ジョブの画面から、先ほどトレーニングしたジョブの詳細画面を開きます。
上方にある「モデルをデプロイ」をクリックします。

以下のような画面が表示されるので、モデル名とデプロイ先のリージョンを選択し、確認を押します。

続いて Model to Deployと表示された画面に遷移します。
ここで、デプロイメントに対する任意のバージョン名と、推論用のインフラリソースのMachine Typeを選択します。
入力が完了したら「保存」を押します。

モデルのデプロイには5分ほどかかります。

4. curlで叩いてみる

デプロイされたモデルをcurlで叩いてみます。

はじめに以下二つの権限を持たせたサービスアカウントを作成し、キー（json）をローカル環境にダウンロードします。

ml.models.predict
ml.versions.predict

環境変数 GOOGLE_APPLICATION_CREDENTIALS にダウンロードしたJSONファイルのパスを指定します。

以下のコマンドを実行します。

$ export GOOGLE_APPLICATION_CREDENTIALS="YOUR_SERVICE_ACCOUNT_JSON_PATH"
$ curl -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json" \
    -X POST \
    -d '{"instances": [[0.5, 1.6, 2.6, 6.3]]}' \
    https://ml.googleapis.com/v1/projects/{YOUR_PROJECT_ID}/models/{YOUR_MODEL_NAME}:predict

#=> {"predictions": [2.0]}

推測の結果が帰ってきました。

APIにアクセスする際には、サービスアカウントでtokenを取得して渡す必要があります。（Authorizataion~ の部分）
推測したいデータは、上記の通りにJSON形式で記述します。（{"instances": ~} の部分）
モデルをデプロイする際に、「リージョンエンドポイントを利用する」設定にしている場合は、エンドポイントの ml.googleapis.com の部分が （リージョン名）-ml.googleapis.com のような形になります。（例： us-central1-ml.googleapis.com）