এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

Google ক্লাউডের জন্য ABAP SDK ব্যবহার করে SAP-এ BigQuery ML পূর্বাভাস পড়ুন

1. ভূমিকা

এই কোডল্যাবে, আপনি BigQuery- এ একটি মেশিন লার্নিং (ML) মডেল তৈরি করবেন এবং Google Cloud-এর জন্য ABAP SDK ব্যবহার করে এই মডেল থেকে ভবিষ্যদ্বাণী পাবেন।

আপনি নিম্নলিখিত Google ক্লাউড পরিষেবাগুলি ব্যবহার করবেন:

BigQuery
মেঘের শেল

আপনি কি নির্মাণ করবেন

আপনি নিম্নলিখিত তৈরি করবেন:

একটি BigQuery মেশিন লার্নিং (ML) মডেল।
BigQuery API কল করার জন্য BigQuery কাজের ব্যবহারকারীর ভূমিকা সহ একটি পরিষেবা অ্যাকাউন্ট।
BigQuery API কল করার জন্য এবং ML মডেল থেকে ভবিষ্যদ্বাণী পেতে একটি ABAP প্রোগ্রাম।

2. প্রয়োজনীয়তা

একটি ব্রাউজার, যেমন ক্রোম বা ফায়ারফক্স ।
বিলিং সক্ষম সহ একটি Google ক্লাউড প্রকল্প বা Google ক্লাউড প্ল্যাটফর্মের জন্য একটি 90-দিনের বিনামূল্যে ট্রায়াল অ্যাকাউন্ট তৈরি করুন ৷
আপনার সিস্টেমে ইনস্টল করা SAP GUI (উইন্ডোজ বা জাভা)। যদি আপনার ল্যাপটপে SAP GUI ইতিমধ্যেই ইনস্টল করা থাকে, তাহলে অ্যাপ্লিকেশন সার্ভার IP হিসাবে VM বাহ্যিক IP ঠিকানা ব্যবহার করে SAP-এর সাথে সংযোগ করুন। আপনি যদি ম্যাকে থাকেন, তাহলে আপনি এই লিঙ্কে উপলব্ধ জাভার জন্য SAP GUI ইনস্টল করতে পারেন।

3. আপনি শুরু করার আগে

Google ক্লাউড কনসোলে , প্রকল্প নির্বাচক পৃষ্ঠায়, একটি Google ক্লাউড প্রকল্প নির্বাচন করুন বা তৈরি করুন (উদাহরণস্বরূপ: abap-sdk-poc )।
নিশ্চিত করুন যে আপনার ক্লাউড প্রকল্পের জন্য বিলিং সক্ষম করা আছে৷ একটি প্রকল্পে বিলিং সক্ষম কিনা তা পরীক্ষা করতে শিখুন। আপনি যদি 90-দিনের ফ্রি ট্রায়াল অ্যাকাউন্ট ব্যবহার করেন তবে এই ধাপটি এড়িয়ে যান।
আপনি Cloud Shell ব্যবহার করবেন, Google ক্লাউডে চলমান একটি কমান্ড-লাইন পরিবেশ।
ক্লাউড কনসোল থেকে, উপরের ডানদিকে কোণায় ক্লাউড শেল সক্রিয় করুন ক্লিক করুন:

আপনার অ্যাকাউন্টের জন্য প্রমাণীকরণ করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডগুলি চালান এবং ডিফল্ট প্রকল্পটিকে abap-sdk-poc এ সেট করুন। Zone us-west4-b উদাহরণ হিসেবে ব্যবহার করা হয়েছে। যদি প্রয়োজন হয়, অনুগ্রহ করে আপনার পছন্দের উপর ভিত্তি করে নিম্নলিখিত কমান্ডগুলিতে প্রকল্প এবং অঞ্চল পরিবর্তন করুন।

gcloud auth login
gcloud config set project abap-sdk-poc
gcloud config set compute/zone us-west4-b

Google ক্লাউড ইনস্টল করার জন্য ABAP SDK সহ একটি SAP সিস্টেমে আপনার অ্যাক্সেস থাকতে হবে।
এই কোডল্যাব নিয়ে এগিয়ে যাওয়ার আগে আপনাকে অবশ্যই কোডল্যাব 1 ( Google ক্লাউড প্ল্যাটফর্মে ABAP প্ল্যাটফর্ম ট্রায়াল 1909 ইনস্টল করতে হবে এবং Google Cloud এর জন্য ABAP SDK ইনস্টল করতে হবে) এবং কোডল্যাব 2 ( Compute Engine VM-তে SAP হোস্ট করা টোকেন ব্যবহার করে ABAP SDK প্রমাণীকরণ কনফিগার করতে হবে )।
আপনি যদি কোডল্যাব 1 এবং কোডল্যাব 2 সম্পূর্ণ করে থাকেন, তাহলে এটি আপনাকে প্রমাণীকরণ এবং সংযোগের জন্য প্রয়োজনীয় সেটআপ সহ Google ক্লাউডে একটি ABAP প্ল্যাটফর্ম ট্রায়াল 1909 সিস্টেমের ব্যবস্থা করবে।
আপনি যদি কোডল্যাব 1 এবং কোডল্যাব 2 সম্পূর্ণ না করে থাকেন তবে এই কোডল্যাবে প্রদত্ত পদক্ষেপগুলি সম্পাদন করার জন্য আপনার কাছে প্রয়োজনীয় সমস্ত অবকাঠামো এবং সংযোগ থাকবে না। অতএব, এই কোডল্যাবের সাথে এগিয়ে যাওয়ার আগে আপনাকে অবশ্যই কোডল্যাব 1 এবং কোডল্যাব 2 সম্পূর্ণ করতে হবে।

4. আপনার Google ক্লাউড প্রকল্পে BigQuery API V2 সক্ষম করুন৷

ক্লাউড কনসোল থেকে, উপরের ডানদিকে কোণায় ক্লাউড শেল সক্রিয় করুন ক্লিক করুন:

BigQuery API সক্ষম করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডগুলি চালান:

gcloud services enable bigquery.googleapis.com

সফলভাবে সঞ্চালন করার সময় আপনি নীচের হিসাবে প্রদর্শিত একটি বার্তা দেখতে পাবেন

আপনার Google ক্লাউড প্রকল্পে এখন BigQuery API সক্ষম করা উচিত।

5. নিরাপদ BigQuery অ্যাক্সেসের জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন৷

BigQuery ML মডেল থেকে নিরাপদে ML ভবিষ্যদ্বাণী পেতে, আপনাকে BigQuery জব ব্যবহারকারী এবং BigQuery ডেটা ভিউয়ারের ভূমিকা সহ একটি পরিষেবা অ্যাকাউন্ট তৈরি করতে হবে, যা আপনার প্রোগ্রামকে প্রকল্পের মধ্যে কোয়েরি (চাকরি হিসাবে) চালানোর এবং টেবিল থেকে ডেটা পড়ার অনুমতি দেবে৷ এই ভূমিকা নিরাপত্তা ঝুঁকি কমিয়ে চাকরি তৈরি এবং ডেটা পড়ার জন্য শুধুমাত্র প্রয়োজনীয় অনুমতি দেয়।

একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন

প্রয়োজনীয় ভূমিকা সহ একটি পরিষেবা অ্যাকাউন্ট তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করুন:

ক্লাউড শেল টার্মিনালে নিম্নলিখিত কমান্ডটি চালান:

gcloud iam service-accounts create abap-sdk-bigquery-jobuser --display-name="Service Account for BigQuery Job user"

এখন পূর্ববর্তী ধাপে তৈরি পরিষেবা অ্যাকাউন্টে প্রয়োজনীয় ভূমিকা যোগ করুন:

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.jobUser'

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.dataViewer'

উপরের কমান্ডটি Google ক্লাউড প্রকল্পের জন্য একটি স্থানধারক হিসাবে abap-sdk-poc ব্যবহার করে। abap-sdk-poc আপনার প্রজেক্ট আইডি দিয়ে প্রতিস্থাপন করুন।

যাচাই করতে, ভূমিকা যোগ করা হয়েছে, IAM পৃষ্ঠায় যান। আপনি যে পরিষেবা অ্যাকাউন্টটি তৈরি করেছেন সেটিকে নির্ধারিত ভূমিকা সহ তালিকাভুক্ত করা উচিত।

6. একটি BigQuery মেশিন লার্নিং মডেল তৈরি করা

এই কোডল্যাবে, আমরা লন্ডন সাইকেল ভাড়ার ডেটাসেট ক্লাস্টার করার জন্য একটি কে-মিন্স মডেল তৈরি করব। আপনি ক্লাস্টারে আপনার ডেটা গ্রুপ করতে k-মান অ্যালগরিদম প্রয়োগ করতে পারেন। তত্ত্বাবধানে থাকা মেশিন লার্নিংয়ের বিপরীতে, যা ভবিষ্যদ্বাণীমূলক বিশ্লেষণ সম্পর্কে, তত্ত্বাবধানহীন শিক্ষা বর্ণনামূলক বিশ্লেষণ সম্পর্কে। এটি আপনার ডেটা বোঝার বিষয়ে যাতে আপনি ডেটা-চালিত সিদ্ধান্ত নিতে পারেন।

আপনার ডেটাসেট তৈরি করুন

আপনার ML মডেল সংরক্ষণ করার জন্য একটি BigQuery ডেটাসেট তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করুন:

Google ক্লাউড কনসোলে, BigQuery পৃষ্ঠাতে যান। BigQuery পৃষ্ঠায় যান
এক্সপ্লোরার প্যানে, আপনার প্রকল্পের নাম ক্লিক করুন।
ক্লিক করুন কর্ম দেখুন > ডেটাসেট তৈরি করুন ।

ডেটাসেট তৈরি পৃষ্ঠায়, নিম্নলিখিতগুলি করুন:

ডেটাসেট আইডির জন্য, bqml_tutorial লিখুন।
অবস্থানের প্রকারের জন্য, বহু-অঞ্চল নির্বাচন করুন এবং তারপরে EU (ইউরোপীয় ইউনিয়নে একাধিক অঞ্চল) নির্বাচন করুন। লন্ডন বাইসাইকেল হায়ার পাবলিক ডেটাসেট ইইউ বহু-অঞ্চলে সংরক্ষণ করা হয়। আপনার ডেটাসেট অবশ্যই একই অবস্থানে থাকতে হবে।
অবশিষ্ট ডিফল্ট সেটিংস যেমন আছে তেমনই রেখে দিন এবং ডেটাসেট তৈরি করুন ক্লিক করুন।

একটি কে-মান মডেল তৈরি করুন

এখন আপনার ডেটাসেট সেট আপ করা হয়েছে, পরবর্তী ধাপ হল ডেটা ব্যবহার করে একটি কে-মান মডেল তৈরি করা। আপনি model_type=kmeans বিকল্পের সাথে CREATE MODEL স্টেটমেন্ট ব্যবহার করে একটি k-মান মডেল তৈরি এবং প্রশিক্ষণ দিতে পারেন।

ক্যোয়ারী চালানোর জন্য এবং একটি কে-মান মডেল তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করুন:

BigQuery পৃষ্ঠায় যান। BigQuery-এ যান
সম্পাদক ফলকে, নিম্নলিখিত SQL বিবৃতিটি চালান:

CREATE OR REPLACE MODEL `bqml_tutorial.london_station_clusters`
  OPTIONS(model_type='kmeans', num_clusters=4) AS
WITH
  hs AS (
  SELECT
    h.start_station_name AS station_name,
  IF
    (EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 1
      OR EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 7,
      "weekend",
      "weekday") AS isweekday,
    h.duration,
    ST_DISTANCE(ST_GEOGPOINT(s.longitude,
        s.latitude),
      ST_GEOGPOINT(-0.1,
        51.5))/1000 AS distance_from_city_center
  FROM
    `bigquery-public-data.london_bicycles.cycle_hire` AS h
  JOIN
    `bigquery-public-data.london_bicycles.cycle_stations` AS s
  ON
    h.start_station_id = s.id
  WHERE
    h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP)
    AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ),
  stationstats AS (
  SELECT
    station_name,
    isweekday,
    AVG(duration) AS duration,
    COUNT(duration) AS num_trips,
    MAX(distance_from_city_center) AS distance_from_city_center
  FROM
    hs
  GROUP BY
    station_name, isweekday)
SELECT
  * EXCEPT(station_name, isweekday)
FROM
  stationstats

নেভিগেশন প্যানেলে, সম্পদ বিভাগে, আপনার প্রকল্পের নাম প্রসারিত করুন, bqml_tutorial-এ ক্লিক করুন এবং তারপর london_station_clusters-এ ক্লিক করুন।
স্কিমা ট্যাবে ক্লিক করুন। মডেল স্কিমা তিনটি স্টেশন বৈশিষ্ট্য তালিকাভুক্ত করে যা BigQuery ML ক্লাস্টারিং সম্পাদন করতে ব্যবহার করে। স্কিমা নিম্নলিখিত মত হওয়া উচিত:

মূল্যায়ন ট্যাবে ক্লিক করুন। এই ট্যাবটি k-means মডেল দ্বারা চিহ্নিত ক্লাস্টারগুলির ভিজ্যুয়ালাইজেশন প্রদর্শন করে। সাংখ্যিক বৈশিষ্ট্যের অধীনে, বার গ্রাফ প্রতিটি সেন্ট্রোয়েডের জন্য সর্বাধিক গুরুত্বপূর্ণ সংখ্যাসূচক বৈশিষ্ট্য মানগুলির মধ্যে 10টি পর্যন্ত প্রদর্শন করে। আপনি ড্রপ-ডাউন মেনু থেকে কোন বৈশিষ্ট্যগুলি কল্পনা করতে চান তা নির্বাচন করতে পারেন৷

7. Google ক্লাউডের জন্য ABAP SDK ব্যবহার করে BigQuery ML পূর্বাভাস পান

এখন যেহেতু আপনি Google ক্লাউড সাইডে প্রাক-প্রয়োজনীয়তা সেট আপ করেছেন, আপনি Google ক্লাউডের জন্য ABAP SDK ব্যবহার করে ML মডেল থেকে ভবিষ্যদ্বাণী পেতে আপনার SAP সিস্টেমে পদক্ষেপগুলি সম্পূর্ণ করতে প্রস্তুত৷

ক্লায়েন্ট কী কনফিগারেশন তৈরি করুন

প্রমাণীকরণ এবং সংযোগ সম্পর্কিত কনফিগারেশনের জন্য, Google ক্লাউডের জন্য ABAP SDK টেবিলগুলি /GOOG/CLIENT_KEY এবং /GOOG/SERVIC_MAP.

/GOOG/CLIENT_KEY টেবিলে কনফিগারেশন বজায় রাখতে, নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করুন:

SAP GUI-তে, লেনদেন কোড SPRO লিখুন।
SAP রেফারেন্স IMG এ ক্লিক করুন।
Google ক্লাউড > বেসিক সেটিংস > কনফিগার ক্লায়েন্ট কী-এর জন্য ABAP SDK-এ ক্লিক করুন

তালিকাভুক্ত ক্ষেত্রগুলির বিপরীতে নিম্নলিখিত মানগুলি বজায় রাখুন, অন্য সমস্ত ক্ষেত্রগুলি ফাঁকা রাখুন:

মাঠ	মান
গুগল ক্লাউড কী নাম	BIGQUERY_ML
Google ক্লাউড পরিষেবা অ্যাকাউন্টের নাম	abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com
গুগল ক্লাউড স্কোপ	https://www.googleapis.com/auth/cloud-platform
প্রকল্প আইডি	abap-sdk-poc
অনুমোদন শ্রেণী	/GOOG/CL_AUTH_GOOGLE৷

BigQuery ML মডেল থেকে ভবিষ্যদ্বাণী পেতে একটি ABAP রিপোর্ট তৈরি করুন

একটি ABAP রিপোর্ট তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করুন:

আপনার SAP GUI-তে, লেনদেন কোড SE38 এ যান এবং ZDEMO_BIGQUERY_ML_PREDICT.
যে পপ-আপটি খোলে, নিচের চিত্রের মতো বিশদ বিবরণ প্রদান করুন:

পরবর্তী পপ-আপে, হয় স্থানীয় অবজেক্ট নির্বাচন করুন বা উপযুক্ত হিসাবে একটি প্যাকেজ নাম দিন।
ABAP সম্পাদকে, নিম্নলিখিত কোড যোগ করুন:

REPORT zdemo_bigquery_ml_predict.

types:
  begin of lty_query_result,
    centroid_id     type i,
    station_name    type string,
    isweekday       type string,
    num_trips       type i,
    distance_from_city type string,
  end of lty_query_result,
  ltt_query_result type standard table of lty_query_result.

DATA:
  lv_project_id TYPE string,
  ls_input      TYPE /goog/cl_bigquery_v2=>ty_103,
  ls_output     TYPE lty_query_result,
  lt_output     TYPE ltt_query_result.

CONSTANTS:
  lc_newline TYPE c VALUE cl_abap_char_utilities=>newline.

TRY.
    "Initialize Bigquery object, pass the client key name that you have configured in /GOOG/CLIENT_KEY table
    DATA(lo_bq) = NEW /goog/cl_bigquery_v2( iv_key_name = 'BIGQUERY_ML' ).

    "Populate relevant parameters
    lv_project_id = lo_bq->gv_project_id.

    ls_input-default_dataset-project_id = 'abap-sdk-poc'.
    ls_input-default_dataset-dataset_id = 'bqml_tutorial'.

    "This query gets predictions from
    ls_input-query =
                | WITH | && lc_newline &&
                | hs AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | h.start_station_name AS station_name, | && lc_newline &&
                | IF | && lc_newline &&
                | (EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 1 | && lc_newline &&
                | OR EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 7, | && lc_newline &&
                | "weekend", | && lc_newline &&
                | "weekday") AS isweekday, | && lc_newline &&
                | h.duration, | && lc_newline &&
                | ST_DISTANCE(ST_GEOGPOINT(s.longitude, | && lc_newline &&
                | s.latitude), | && lc_newline &&
                | ST_GEOGPOINT(-0.1, | && lc_newline &&
                | 51.5))/1000 AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_hire` AS h | && lc_newline &&
                | JOIN | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_stations` AS s | && lc_newline &&
                | ON | && lc_newline &&
                | h.start_station_id = s.id | && lc_newline &&
                | WHERE | && lc_newline &&
                | h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP) | && lc_newline &&
                | AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ), | && lc_newline &&
                | stationstats AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | station_name, | && lc_newline &&
                | isweekday, | && lc_newline &&
                | AVG(duration) AS duration, | && lc_newline &&
                | COUNT(duration) AS num_trips, | && lc_newline &&
                | MAX(distance_from_city_center) AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | hs | && lc_newline &&
                | GROUP BY | && lc_newline &&
                | station_name, isweekday ) | && lc_newline &&
                | SELECT | && lc_newline &&
                | * EXCEPT(nearest_centroids_distance) | && lc_newline &&
                | FROM | && lc_newline &&
                | ML.PREDICT( MODEL `bqml_tutorial.london_station_clusters`, | && lc_newline &&
                | ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | * | && lc_newline &&
                | FROM | && lc_newline &&
                | stationstats | && lc_newline &&
                | WHERE | && lc_newline &&
                | REGEXP_CONTAINS(station_name, 'Kennington'))) |.

    "Call API method: bigquery.jobs.query
    CALL METHOD lo_bq->query_jobs
      EXPORTING
        iv_p_project_id = lv_project_id
        is_input        = ls_input
      IMPORTING
        es_output       = DATA(ls_response)
        ev_ret_code     = DATA(lv_ret_code)
        ev_err_text     = DATA(lv_err_text)
        es_err_resp     = DATA(ls_err_resp).

    IF lo_bq->is_success( lv_ret_code ).
      "API Call successful, loop through the data & display the result
      IF ls_response-job_complete = abap_true.
        LOOP AT ls_response-rows ASSIGNING FIELD-SYMBOL(<ls_row>).
          LOOP AT <ls_row>-f ASSIGNING FIELD-SYMBOL(<ls_value>).
            ASSIGN <ls_value>-v->* TO FIELD-SYMBOL(<ls_field_value>).
            CASE sy-tabix.
              WHEN 1.
                ls_output-centroid_id = <ls_field_value>.
              WHEN 2.
                ls_output-station_name = <ls_field_value>.
              WHEN 3.
                ls_output-isweekday = <ls_field_value>.
              WHEN 4.
                ls_output-num_trips = <ls_field_value>.
              WHEN 5.
                ls_output-distance_from_city = <ls_field_value>.
            ENDCASE.
          ENDLOOP.
          APPEND ls_output TO lt_output.
          CLEAR ls_output.
        ENDLOOP.
        IF lt_output IS NOT INITIAL.
          cl_demo_output=>new( )->begin_section( 'ML.Predict Query Details'
                               )->write_text( ls_input-query
                               )->write_text( 'Dataset: bigquery-public-data.london_bicycles'
                               )->end_section(
                               )->begin_section( 'ML.Predict Query Results'
                               )->write_data( lt_output
                               )->end_section(
                               )->display( ).
        ENDIF.
      ENDIF.
    ELSE.
      "Display error message in case the API call fails
      MESSAGE lv_err_text TYPE 'E'.
    ENDIF.

    "Close HTTP Connection
    lo_bq->close( ).

  CATCH /goog/cx_sdk INTO DATA(lo_exception).
    MESSAGE lo_exception->get_text( ) TYPE 'E'.
ENDTRY.

প্রতিবেদনটি সংরক্ষণ করুন এবং সক্রিয় করুন।
রিপোর্ট চালান (F8)।

সফলভাবে সঞ্চালন করার সময়, আপনি নীচে দেখানো হিসাবে একটি রিপোর্ট আউটপুট দেখতে হবে:

8. অভিনন্দন

"Google ক্লাউডের জন্য ABAP SDK ব্যবহার করে একটি BigQuery মেশিন লার্নিং (ML) মডেল থেকে ভবিষ্যদ্বাণী পান" কোডল্যাব সম্পূর্ণ করার চমৎকার কাজ!

আপনি আপনার SAP সিস্টেমের মধ্যে থেকে একটি BigQuery মেশিন লার্নিং মডেলের ভবিষ্যদ্বাণী সফলভাবে পুনরুদ্ধার করেছেন! আপনি ABAP এবং Google ক্লাউড পরিষেবাগুলির মধ্যে একীকরণের একটি নতুন স্তর আনলক করেছেন৷ Google ক্লাউড কোডল্যাবগুলির জন্য অন্যান্য উত্তেজনাপূর্ণ ABAP SDK দিয়ে আপনার দিগন্ত প্রসারিত করুন:

Google ক্লাউডের জন্য ABAP SDK-এর সাথে অনুবাদ API ব্যবহার করা
চাঙ্কিং ব্যবহার করে একটি ক্লাউড স্টোরেজ বালতিতে একটি বড় বস্তু আপলোড করুন
গুগল ক্লাউডের জন্য ABAP SDK-এর মাধ্যমে সিক্রেট ম্যানেজার থেকে শংসাপত্র/গোপন তথ্য পুনরুদ্ধার করা হচ্ছে
ABAP থেকে Vertex AI টেস্ট-বাইসন কল করুন

9. পরিষ্কার করুন

আপনি যদি Google ক্লাউডের জন্য ABAP SDK-এর সাথে সম্পর্কিত অতিরিক্ত কোডল্যাবগুলি চালিয়ে যেতে না চান, তাহলে অনুগ্রহ করে পরিষ্কারের সাথে এগিয়ে যান৷

প্রকল্পটি মুছুন

সতর্কতা : একটি প্রকল্প মুছে ফেলার নিম্নলিখিত প্রভাব রয়েছে:

প্রকল্পের সবকিছু মুছে ফেলা হয়েছে। আপনি যদি এই নথিতে কাজগুলির জন্য একটি বিদ্যমান প্রকল্প ব্যবহার করেন, আপনি এটি মুছে ফেললে, আপনি প্রকল্পে আপনার করা অন্য কোনো কাজও মুছে ফেলবেন।
কাস্টম প্রকল্প আইডি হারিয়ে গেছে। আপনি যখন এই প্রকল্পটি তৈরি করেছেন, আপনি হয়ত একটি কাস্টম প্রকল্প আইডি তৈরি করেছেন যা আপনি ভবিষ্যতে ব্যবহার করতে চান৷ একটি appspot.com ইউআরএলের মতো প্রোজেক্ট আইডি ব্যবহার করে এমন ইউআরএল সংরক্ষণ করতে, পুরো প্রোজেক্ট মুছে ফেলার পরিবর্তে প্রোজেক্টের মধ্যে নির্বাচিত রিসোর্স মুছে দিন।

আপনি যদি একাধিক আর্কিটেকচার, টিউটোরিয়াল বা কুইকস্টার্টগুলি অন্বেষণ করার পরিকল্পনা করেন, তাহলে প্রকল্পগুলি পুনঃব্যবহার করা আপনাকে প্রকল্পের কোটা সীমা অতিক্রম করা এড়াতে সাহায্য করতে পারে।

Google ক্লাউড প্রকল্প মুছুন:

gcloud projects delete abap-sdk-poc

পৃথক সম্পদ মুছুন

গণনা উদাহরণ মুছুন:

gcloud compute instances delete abap-trial-docker

ফায়ারওয়াল-নিয়ম মুছুন:

gcloud compute firewall-rules delete sapmachine

পরিষেবা অ্যাকাউন্ট মুছুন:

gcloud iam service-accounts delete \
    abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com