# Crie uma Inteligência Artificial no Google Vertex AI > Aprenda com a BIX a desenvolver uma Análise Sentimental com Google Vertex AI! Crie uma solução de Machine Learning de ponta a ponta. URL: https://bixtecnologia.com.br/7-passo-para-criar-uma-inteligencia-artificial-no-google-vertex-ai/ Idioma: pt-BR Publicado em: 2021-09-20T16:56:45.000Z ## 7 passos para criar uma Inteligência Artificial no Google Vertex AI 20 de setembro de 2021 12 min de leitura _Atualizado em 30 de agosto de 2024_ Criar **soluções inovadoras** é essencial para manter a sua empresa ou projeto competitivos, uma das melhores formas de fazer isso é utilizando os dados. Seja para criação de uma [análise preditiva](https://bixtecnologia.com.br/analise-preditiva/), Processamento de Linguagem Natural ou reconhecimento de imagem, iremos precisar de uma equipe super completa para começar a implementação, certo?! Na verdade, **não necessariamente!** Neste artigo, iremos te guiar no desenvolvimento de uma solução simples de **Análise Sentimental**, utilizando a **Google Vertex AI**. Com essa ferramenta, é possível desenvolver **soluções de [Machine Learning](https://bixtecnologia.com.br/machine-learning/) de ponta a ponta**, desde a ETL até a previsão de novos dados, utilizando o **mínimo de código possível**! Continue a leitura e saiba mais. ## O que é a Google Vertex AI? A Google Vertex AI é uma plataforma unificada e totalmente gerenciada que centraliza todas as ferramentas para **desenvolvimento de Inteligência Artificial e Machine Learning** do [Google Cloud Platform (GCP)](https://bixtecnologia.com.br/google-cloud/). Com ela, é possível criar pipelines completas, desde a preparação dos dados (ETL) até a implantação de modelos, suportando diversos formatos, como texto, imagens, vídeos e dados tabulares. Sua flexibilidade permite utilizar tanto modelos predefinidos via **AutoML** quanto **códigos customizados de treinamento**. Isso torna o processo de experimentação e melhoria contínua mais ágil e simples. Além disso, a Google Vertex AI oferece acesso a **modelos de** [**IA generativa**](https://bixtecnologia.com.br/ia-generativa/) **avançados**, como o [Gemini](https://gemini.google.com/), que combina diferentes tipos de dados para gerar saídas complexas, desde texto até informações extraídas de imagens. Há também o Gemma, outra linha de modelos desenvolvidos a partir das mesmas tecnologias de ponta. Com essas ferramentas, os desenvolvedores podem criar **soluções de IA inovadoras** para diversos casos de uso. O projeto que faremos hoje vai utilizar o **AutoML** para definir o modelo de treinamento, sendo a escolha ideal para pôr um MVP (Mínimo Produto Viável) no ar e começar a avaliar se o projeto funciona. Com o tempo, após validação do MVP, será necessário aprimorar a IA. O melhor de tudo é que, como a Vertex AI é super flexível, o processo de **experimentação e melhoria da pipeline** é bem mais simples! ## Análise sentimental com a Google Vertex AI Sem mais delongas, vamos ao assunto deste artigo. Imagine que seu objetivo é **ajudar pessoas que enfrentam dificuldades emocionais**. Você percebe que pode identificar quem precisa de apoio analisando as postagens dessas pessoas no X (antigo Twitter). Como profissional de dados qualificado, você tem uma técnica eficaz para ajudá-las. O desafio agora é **encontrar essas pessoas**! Se você tentasse identificar esses usuários apenas lendo tweets manualmente, o processo seria **muito lento** e, provavelmente, **inviável**. Mas, e se você pudesse usar um “filtro” para passar por milhões de comentários e só ler aqueles com alta probabilidade de indicar que alguém está passando por um momento difícil? Bem mais **eficiente**, certo? Por isso, para reconhecer essas pessoas de forma rápida e precisa, vamos usar uma IA treinada com uma lista de textos previamente classificados. Essa IA avaliará os posts de um usuário e determinará se eles **podem indicar um comportamento depressivo**. Para isso, utilizaremos uma tabela disponibilizada no Kaggle [**neste link**](https://www.kaggle.com/gargmanas/sentimental-analysis-for-tweets). _**Observação importante:** apesar de ser possível detectar padrões de comportamento utilizando Machine Learning, a identificação e diagnóstico de doenças mentais devem ser feitos por um profissional certificado da área da saúde._ ## Passo a passo da análise sentimental com a Google Vertex AI Estas serão todas as etapas necessárias para construir uma solução de Machine Learning utilizando a Google Vertex AI: - **Etapa 0:** Configuração do projeto e ambiente - **Etapa 1:** Acessando os dados - **Etapa 2:** ‘Jogando’ os dados para o Cloud Storage - **Etapa 3:** Criar um conjunto de dados - **Etapa 4:** Treinando o modelo - **Etapa 5:** Avaliação do modelo - **Etapa 6:** Deploy - **Etapa 7:** Fazer previsões ### Passo #00: Configuração do projeto e ambiente Para desenvolver essa análise sentimental, você precisa **ter acesso à Google Cloud Platform (GCP)** com uma conta que possua créditos disponíveis. Se você ainda não tem uma conta, pode criar uma gratuitamente e **receber $300 em créditos** para explorar as ferramentas da GCP. Para configurar o seu ambiente e habilitar a API da Google Vertex AI, siga o [**tutorial disponibilizado pelo Google**](https://cloud.google.com/vertex-ai/docs/tutorials/text-classification-automl?hl=pt-br#setting_up_your_project). ### Passo #01: Obtenha acesso aos dados Você pode baixar os dados que utilizaremos neste exemplo por meio [**deste link do Kaggle**](https://www.kaggle.com/gargmanas/sentimental-analysis-for-tweets). Precisaremos fazer algumas **pequenas modificações** na estrutura dos dados, de forma que ele esteja adequado para ser usado no AutoML. Você pode ler mais sobre a formatação, de acordo com o tipo de projeto, [neste link](https://cloud.google.com/natural-language/automl/docs/prepare). ### Passo #02. ‘Jogue’ os dados para o Cloud Storage Para armazenar nossos dados na Cloud, e então utilizá-los no treinamento do modelo, precisamos criar um Bucket na Cloud Store. Como prometemos fazer o processo com o mínimo de código possível, utilizaremos **apenas o console da GCP**. - Acesse o [Navegador do Cloud Storage](https://console.cloud.google.com/storage/browser?_ga=2.104926595.1829682149.1623076186-190099316.1620822004); - Clique em Criar intervalo; - Preencha as informações conforme sua necessidade. Para mais informações sobre cada um dos campos, acesse [este link](https://cloud.google.com/storage/docs/creating-buckets?hl=pt-br). Uma vez criado o Bucket, abra-o e clique em “Fazer Upload de Arquivos“. Selecione o arquivo ‘sentiment_tweets_new.csv’, contendo os dados que iremos usar. ### Passo #03: Crie um conjunto de dados Agora, montaremos o nosso **conjunto de dados**. É aqui que definiremos o **tipo de análise** que será utilizada. Nesse caso, faremos uma análise de sentimento em texto. Na hora de definir a importação dos dados, iremos selecionar o **arquivo .csv** presente no Bucket que criado no início do projeto. Uma vez montado o conjunto de dados, é muito importante **avaliarmos a dispersão deles e como são constituídos**. Na aba **“Analisar”**, é possível ter a visão de todas as variáveis que constituiem o seu modelo de dados, inclusive aquelas que serão preditas. ### Passo #04: Treine o modelo Agora que já temos o conjunto de dados criado, podemos treinar o nosso modelo. Para isso, clicamos em **“Treinar Novo Modelo”**. Como optamos por desenvolver um projeto com o mínimo de código possível, iremos utilizar o **AutoML** para o treinamento. Por fim, basta definir a quantidade de dados que serão destinados para treinamento, validação e teste dos resultados. Neste projeto, usamos os valores padrões sugeridos. Para treinar o modelo, basta clicar em **“Iniciar Treinamento”** e esperar até que o processo seja concluído! ### Passo #05: Avalie o modelo Quando o treinamento estiver finalizado, podemos avaliar a performance resultante. Para isso, basta abrir a aba **“Modelos”** e clicar naquele que acabamos de treinar. Na aba **“Avaliar”**, já conseguimos visualizar a **Precisão**: ![google vertez ai](https://images.bix-tech.com/google_vertex_ai_9_df63608243.webp) Mas, o mais importante é considerar os **valores apresentados na matriz de confusão**. Nela, vemos os valores previstos corretamente e incorretamente para cada rótulo definido. Para entender a importância da matriz de confusão, considere o seguinte exemplo: uma IA foi desenvolvida para detectar se uma pessoa tem uma certa doença. No grupo de estudo, apenas 1% das pessoas realmente possuem essa condição. Após o treinamento, o modelo alcança **99% de precisão**. Isso parece bom, certo? Mas, será que é mesmo? Imagine que um médico, sem examinar ninguém, simplesmente afirma que nenhuma das pessoas tem a doença. Qual seria a precisão desse médico? **Também 99%**. Em outras palavras, o médico de “olhos vendados”, apesar de ter 99% de precisão, **não conseguiu identificar corretamente** nenhum paciente com a doença. Isso ocorre pois estamos focando **apenas no desempenho geral**, sem considerar os resultados para cada categoria específica, como “Ter a doença” e “Não ter a doença”. ### Passo #06: Faça o deploy Depois de ter avaliado o seu modelo, para fazer o deploy, basta trocar de aba para **“Implante e Teste”**. Para criar o Endpoint, precisamos apenas definir o nome. O tráfego fica em 100% pois temos apenas um modelo. Em casos mais avançados, podemos dividir os tráfegos entre mais de um modelo, de forma que seja possível a **validação de novas soluções**. ### Passo #07: Faça previsões Pronto! Temos nosso modelo treinado e preparado para receber novas previsões. Antes de sairmos para fazer a conexão de alguma aplicação ao nosso Endpoint, vamos fazer um teste. Parece que está funcionando!! Agora, iremos testar o nosso Endpoint com uma conexão utilizando Python. Para que essa etapa funcione, você deve ter autenticado as credenciais do seu projeto. Para saber mais sobre, leia [**aqui**](https://cloud.google.com/docs/authentication/production). Utilizaremos o seguinte código exemplo, sugerido pela Google, para acessar nossa API: ``` # Copyright 2020 Google LLC # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # https://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # [START aiplatform_predict_text_sentiment_analysis_sample] from google.cloud import aiplatform from google.cloud.aiplatform.gapic.schema import predict from google.protobuf import json_format from google.protobuf.struct_pb2 import Value def predict_text_sentiment_analysis_sample( project: str, endpoint_id: str, content: str, location: str = "us-central1", api_endpoint: str = "us-central1-aiplatform.googleapis.com", ): # The AI Platform services require regional API endpoints. client_options = {"api_endpoint": api_endpoint} # Initialize client that will be used to create and send requests. # This client only needs to be created once, and can be reused for multiple requests. client = aiplatform.gapic.PredictionServiceClient(client_options=client_options) instance = predict.instance.TextSentimentPredictionInstance( content=content, ).to_value() instances = [instance] parameters_dict = {} parameters = json_format.ParseDict(parameters_dict, Value()) endpoint = client.endpoint_path( project=project, location=location, endpoint=endpoint_id ) response = client.predict( endpoint=endpoint, instances=instances, parameters=parameters ) print("response") print(" deployed_model_id:", response.deployed_model_id) # See gs://google-cloud-aiplatform/schema/predict/prediction/text_sentiment.yaml for the format of the predictions. predictions = response.predictions for prediction in predictions: print(" prediction:", dict(prediction)) # [END aiplatform_predict_text_sentiment_analysis_sample] predict_text_sentiment_analysis_sample( project = 'NOME DO PROJETO', endpoint_id = 'ENDPOINT-ID', c, location = 'us-central1', #Lozalização, por padrão, é us-central1. Modificar de acordo com o que você definiu na Endpoint api_endpoint = "us-central1-aiplatform.googleapis.com" ) ``` ## E quando a sua base não é bem preparada? Nesse projeto, utilizamos um banco de dados público, tendo em vista que é somente um exemplo. Observe o que pode acontecer quando sua base **não é bem preparada**: Nesse caso, o termo depressão foi usado em um contexto de geologia; mesmo assim, foi categorizado como o estado emocional. Este projeto foi desenvolvido com o objetivo de demonstrar o desenvolvimento de uma solução na Google Vertex AI. Em um projeto real, deve-se atentar para a **qualidade dos dados**. O seu conjunto de dados deve abranger todos os casos que seu negócio atinge, e deve ter uma quantidade razoável de linhas para cada um deles. ## Explore o potencial da Google Vertex AI com a BIX Tecnologia! Se você está pronto para transformar dados em insights poderosos, a BIX Tecnologia pode te ajudar a explorar o potencial da Google Vertex AI. Desde análise sentimental até detecção de fraudes e recomendações personalizadas, oferecemos o suporte necessário para criar soluções de Machine Learning de ponta a ponta. Entre em contato conosco e vamos dar o primeiro passo no seu próximo projeto de IA juntos! _Escrito por Vittorio Girardi_ ## Artigos relacionados ![Câmera de segurança integrada com inteligência artificial analisando a qualidade de produtos em uma esteira industrial.](https://bixtecnologia.com.br/img/Camera_industrial_escaneando_linhas_de_montagem_automaticas_651357eefc-960.webp) Ciência de Dados ### [Além dos textos: o avanço e o impacto da visão computacional nos negócios](https://bixtecnologia.com.br/visao-computacional-negocios/) 16 de março de 2026 6 min de leitura Cultura Data-Driven Ciência de Dados ### [Databricks Lakehouse: Principais Funcionalidades e Casos de Uso no Mundo Real (Além de Quando é a Escolha Certa)](https://bixtecnologia.com.br/databricks-lakehouse/) 12 de fevereiro de 2026 8 min de leitura ![Diagrama técnico mostrando diferentes agentes de dados conectados por um barramento de eventos central.](https://bixtecnologia.com.br/img/Como_construir_Agentes_de_Dados_que_se_comunicam_entre_si_arquitetura_e_padroes_4617102515-960.webp) Análise de Dados Ciência de Dados ### [Como construir Agentes de Dados que se comunicam entre si: arquitetura e padrões](https://bixtecnologia.com.br/agentes-de-dados-colaborativos/) 27 de janeiro de 2026 5 min de leitura Sem categoria Ciência de Dados ### [Extensões e Conectores Customizados: Unificando Qlik, Power BI e SAP em um Único Ecossistema Analítico](https://bixtecnologia.com.br/qlik-power-bi-sap-ecossistema-analitico/) 19 de janeiro de 2026 13 min de leitura Engenharia de Dados Ciência de Dados ### [Infraestrutura multi-cloud com Terraform e automação de CI/CD (Sem dores de cabeça)](https://bixtecnologia.com.br/infraestrutura-multi-cloud-terraform-cicd/) 16 de janeiro de 2026 9 min de leitura Dicas Sem categoria ### [Supervisão de Agentes LangGraph: Como Controlar, Registrar e Monitorar Agentes de IA em Tempo Real](https://bixtecnologia.com.br/supervisao-de-agentes-langgraph-como-controlar-registrar-e-monitorar-agentes-de-ia-em-tempo-real/) 13 de janeiro de 2026 11 min de leitura --- BIX Tecnologia · Contato: https://bixtecnologia.com.br/contato/ Índice do site para agentes: https://bixtecnologia.com.br/llms.txt