מעקב אחר ביצועים ופריטי מידע שנוצרו בתהליך פיתוח (Artifact)

‫Gemini Enterprise Agent Platform Experiments תומך במעקב אחרי ביצועים וגם אחרי ארטיפקטים. הפעולות הן שלבים בתהליך עבודה של ML שכוללים, בין היתר, עיבוד מקדים של נתונים, אימון והערכת מודלים. הפעולות יכולות לצרוך ארטיפקטים כמו מערכי נתונים, ולייצר ארטיפקטים כמו מודלים.

יצירת פריט מידע שנוצר בתהליך פיתוח (Artifact)

בדוגמה הבאה השתמשנו בשיטה create של מחלקת הארטיפקטים.

Python

from typing import Dict, Optional

from google.cloud import aiplatform


def create_artifact_sample(
    schema_title: str,
    project: str,
    location: str,
    uri: Optional[str] = None,
    resource_id: Optional[str] = None,
    display_name: Optional[str] = None,
    schema_version: Optional[str] = None,
    description: Optional[str] = None,
    metadata: Optional[Dict] = None,
):
    artifact = aiplatform.Artifact.create(
        schema_title=schema_title,
        uri=uri,
        resource_id=resource_id,
        display_name=display_name,
        schema_version=schema_version,
        description=description,
        metadata=metadata,
        project=project,
        location=location,
    )
    return artifact
  • ‫schema_title: שדה חובה. מזהה את כותרת הסכימה שבה נעשה שימוש במשאב.
  • project: . אפשר למצוא את המזהים האלה בדף welcome במסוף Google Cloud .
  • ‫location: ראו רשימה של מיקומים זמינים.
  • ‫uri: אופציונלי. ה-URI של מיקום הארטיפקט.
  • ‫resource_id: אופציונלי. החלק resource_id של שם הארטיפקט עם הפורמט. הערך הזה ייחודי באופן גלובלי ב-metadataStore:
    projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • ‫display_name: אופציונלי. השם שהמשתמש נתן למשאב.
  • ‫schema_version: אופציונלי. מציינת את הגרסה שבה נעשה שימוש במשאב. אם לא מגדירים את המדיניות, המערכת תשתמש בגרסה האחרונה כברירת מחדל.
  • ‫description: אופציונלי. מתאר את המטרה של המשאב שייווצר.
  • ‫metadata: אופציונלי. מכיל את פרטי המטא-נתונים שייאוחסנו במשאב.

התחלת הביצוע

בדוגמה הבאה השתמשנו בשיטה start_execution.

Python

from typing import Any, Dict, List, Optional

from google.cloud import aiplatform


def start_execution_sample(
    schema_title: str,
    display_name: str,
    input_artifacts: List[aiplatform.Artifact],
    output_artifacts: List[aiplatform.Artifact],
    project: str,
    location: str,
    resource_id: Optional[str] = None,
    metadata: Optional[Dict[str, Any]] = None,
    schema_version: Optional[str] = None,
    resume: bool = False,
):
    aiplatform.init(project=project, location=location)

    with aiplatform.start_execution(
        schema_title=schema_title,
        display_name=display_name,
        resource_id=resource_id,
        metadata=metadata,
        schema_version=schema_version,
        resume=resume,
    ) as execution:
        execution.assign_input_artifacts(input_artifacts)
        execution.assign_output_artifacts(output_artifacts)
        return execution
  • ‫schema_title: מזהה את שם הסכימה שמשמשת את המשאב.
  • ‫display_name: השם שהמשתמש הגדיר למשאב.
  • ‫input_artifacts: ארטיפקטים להקצאה כקלט.
  • ‫ output_artifacts: ארטיפקטים כפלט של ההרצה הזו.
  • ‫project: מזהה הפרויקט. אפשר למצוא אותם בדף welcome במסוף Google Cloud .
  • ‫location: ראו רשימה של מיקומים זמינים.
  • ‫resource_id: אופציונלי. החלק resource_id בשם הארטיפקט עם הפורמט. המזהה הזה הוא ייחודי באופן גלובלי ב-metadataStore: projects/123/locations/us-central1/metadataStores/<metadata_store_id>/artifacts/<resource_id>.
  • ‫schema_version: אופציונלי. מציינת את הגרסה שבה נעשה שימוש במשאב. אם לא מגדירים את המדיניות, המערכת תשתמש בגרסה האחרונה כברירת מחדל.
  • ‫metadata: אופציונלי. מכיל את פרטי המטא-נתונים שייאוחסנו במשאב.
  • ‫resume: בוליאני.

    הערה: אם הפרמטר האופציונלי resume מוגדר כ-TRUE, הריצה שהופעלה קודם ממשיכה. אם הפרמטר לא מוגדר, ברירת המחדל של resume היא FALSE ונוצרת ריצה חדשה.

דוגמאות ל-Notebook