Featuregruppe erstellen

Eine Featuregruppe ist eine Ressource der Feature-Registry , die einer BigQuery-Tabelle oder ‑Ansicht mit Ihren Featuredaten zugeordnet ist. Eine Featuregruppe kann mehrere Features enthalten, wobei jedes Feature einer Spalte in der Featuredatenquelle zugeordnet ist. Wenn Sie Ihre Featuredatenquelle in der Feature-Registry registrieren möchten, erstellen Sie eine Featuregruppe und fügen Sie ihr dann Features hinzu.

Nachdem Sie eine Featuregruppe erstellt und die BigQuery-Daten quelle verknüpft haben, können Sie Features erstellen, die den Spalten in der Datenquelle zugeordnet sind. Obwohl es optional ist, beim Erstellen einer Featuregruppe eine Datenquelle zu verknüpfen, müssen Sie eine BigQuery-Tabelle oder ‑Ansicht verknüpfen, bevor Sie Features in dieser Featuregruppe erstellen. Jedes Feature entspricht einer Spalte in der Datenquelle, die der Featuregruppe zugeordnet ist.

Warum Featuregruppen und Features verwenden?

Die Registrierung Ihrer Featuredatenquelle ist optional. Sie müssen Ihre Featuredaten jedoch registrieren, indem Sie in den folgenden Szenarien Featuregruppen und Features erstellen:

  • Verwenden Sie Verlaufsdaten im Zeitreihenformat, um ein Modell zu trainieren: Wenn die Feature datenquelle sowohl aktuelle als auch Verlaufsdaten mit mehreren Featuredatensätzen für dieselbe Entitäts-ID enthält, formatieren Sie diese Daten als Zeitreihe, indem Sie die feature_timestamp Spalte hinzufügen. In diesem Fall müssen Sie die Datenquelle mit Featuregruppen und Features registrieren. Anschließend können Sie Features wie folgt bereitstellen:

    • Verwenden Sie die Onlinebereitstellung, um die neuesten Featurewerte basierend auf dem Zeitstempel für Echtzeitvorhersagen bereitzustellen.

    • Verwenden Sie die Offlinebereitstellung, um sowohl aktuelle als auch Verlaufsdaten für das Training eines Modells bereitzustellen.

  • Features aus mehreren Quellen aggregieren: Verwenden Sie Featuregruppen, um bestimmte Spalten aus mehreren BigQuery- Datenquellen zu aggregieren, wenn Sie eine Featureansicht erstellen.

  • Null-Featurewerte bereitstellen: Wenn Sie bei der Onlinebereitstellung nur die neuesten Featurewerte, einschließlich Nullwerte, bereitstellen möchten, registrieren Sie Ihre Featuredatenquelle, indem Sie Featuregruppen erstellen, bei denen der Parameter dense auf true gesetzt ist.

  • Kontinuierliche Datensynchronisierung in Ihren Featureansichten verwenden: Die Registrierung Ihrer Features ist eine Voraussetzung für die Verwendung der kontinuierlichen Datensynchronisierung in Ihren Feature ansichten.

  • Features auf Anomalien überwachen: Sie müssen Ihre Features registrieren, wenn Sie das Feature-Monitoring einrichten möchten, um Featurestatistiken abzurufen und Feature-Drift zu erkennen.

Wann Featuregruppen und Features nicht verwendet werden sollten

Wenn Sie Einbettungen bereitstellen aus Ihrer Featuredatenquelle möchten, registrieren Sie die Datenquelle nicht, indem Sie Featuregruppen und Features erstellen. In diesem Fall müssen Sie die Onlinebereitstellung einrichten, indem Sie die BigQuery-Tabelle oder ‑Ansicht direkt mit Ihren Featureansichten verknüpfen.

Weitere Informationen zum Einrichten der Onlinebereitstellung ohne Registrierung Ihrer Featuredatenquelle finden Sie unter Featureansicht aus BigQuery-Quelle erstellen.

Zugriff kontrollieren

Sie können den Zugriff auf eine Featuregruppe auf den folgenden Ebenen steuern:

  • Zugriff auf die Ressesse FeatureGroup steuern: Wenn Sie den Zugriff auf eine Featuregruppe für eine bestimmte Person, Google-Gruppe, Domain oder ein bestimmtes Dienstkonto steuern möchten, richten Sie eine IAM-Richtlinie für die Featuregruppe ein.

  • Zugriff auf die BigQuery-Datenquelle steuern: Standardmäßig verwendet eine Featuregruppe das für das Projekt konfigurierte Standarddienstkonto. Vertex AI Feature Store weist diesem Dienstkonto die IAM-Rolle „Identity and Access Management“ zu. So kann jeder Nutzer mit der Berechtigung, eine Featuregruppe im Projekt zu erstellen, auf die Featuredatenquelle in BigQuery zugreifen. Wenn Sie den Zugriff auf die BigQuery-Datenquelle einschränken oder zusätzlichen Nutzern Zugriff gewähren möchten, können Sie Ihre Featuregruppe so einrichten, dass sie ein eigenes Dienstkonto verwendet. Vertex AI Feature Store generiert für jede Featuregruppe, die für die Verwendung eines eigenen Dienstkontos konfiguriert ist, eine eindeutige E-Mail-Adresse für das Dienstkonto.

Hinweis

Bevor Sie eine Featuregruppe erstellen, müssen die folgenden Voraussetzungen erfüllt sein:

  • In Ihrem Projekt muss mindestens eine Onlineshop-Instanz erstellt sein, auch wenn Sie eine neue Onlineshop-Instanz erstellen möchten. Wenn Sie ein neues Projekt verwenden, erstellen Sie eine Onlinespeicherinstanz, bevor Sie die Featuregruppe erstellen.

  • Formatieren Sie Ihre Featuredaten in der BigQuery-Tabelle oder ‑Ansicht gemäß den Richtlinien zur Vorbereitung der Datenquelle.

  • Ihre BigQuery-Datenquelle muss mindestens eine Spalte für die Entitäts-ID mit string- oder int-Werten enthalten.

  • Authentifizieren Sie sich bei der Gemini Enterprise Agent Platform, sofern noch nicht geschehen.

    Wählen Sie den Tab für die geplante Verwendung der Beispiele auf dieser Seite aus:

    Console

    Wenn Sie über die Google Cloud Console auf Google Cloud Dienste und APIs zugreifen, müssen Sie keine Authentifizierung einrichten.

    Python

    Wenn Sie die Python-Beispiele auf dieser Seite in einer lokalen Entwicklungsumgebung verwenden möchten, installieren und initialisieren Sie die gcloud CLI und richten Sie dann die Standardanmeldedaten für Anwendungen mit Ihren Nutzeranmeldedaten ein.

    1. Installieren Sie die Google Cloud CLI.

    2. Wenn Sie einen externen Identitätsanbieter (IdP) verwenden, müssen Sie sich zuerst mit Ihrer föderierten Identität in der gcloud CLI anmelden.

    3. Wenn Sie eine lokale Shell verwenden, erstellen Sie lokale Anmeldedaten zur Authentifizierung für Ihr Nutzer konto: 

      gcloud auth application-default login

      Wenn Sie Cloud Shell verwenden, ist dies nicht erforderlich.

      Wenn ein Authentifizierungsfehler zurückgegeben wird und Sie einen externen Identitätsanbieter (IdP) verwenden, prüfen Sie, ob Sie sich mit Ihrer föderierten Identität in der gcloud CLI angemeldet haben.

    Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.

    REST

    Wenn Sie die REST API-Beispiele auf dieser Seite in einer lokalen Entwicklungsumgebung verwenden möchten, verwenden Sie die Anmeldedaten, die Sie der gcloud CLI bereitstellen.

      Installieren Sie die Google Cloud CLI.

      Wenn Sie einen externen Identitätsanbieter (IdP) verwenden, müssen Sie sich zuerst mit Ihrer föderierten Identität in der gcloud CLI anmelden.

    Weitere Informationen finden Sie in der Google Cloud Authentifizierungsdokumentation unter Für die Verwendung von REST authentifizieren.

Featuregruppe erstellen, um eine Featuredatenquelle zu registrieren

Verwenden Sie die folgenden Beispiele, um eine Featuregruppe zu erstellen und eine Featuredatenquelle wie eine BigQuery-Tabelle oder ‑Ansicht zu verknüpfen.

Console

Wichtig: Sie können keine Featuregruppe mit einem dedizierten Dienstkonto über die Google Cloud Console erstellen. Wenn Sie eine Featuregruppe mit einem dedizierten Dienstkonto erstellen möchten, verwenden Sie die REST API oder das Agent Platform SDK für Python.

So erstellen Sie eine Featuregruppe über die Google Cloud Console:

  1. Rufen Sie im Bereich „Agent Platform“ der Google Cloud Console die Seite Feature Store auf.

    Zur Seite „Feature Store“

  2. Klicken Sie im Abschnitt Featuregruppen auf Erstellen, um den Bereich Allgemeine Informationen auf der Seite Featuregruppe erstellen zu öffnen.

  3. Geben Sie den Namen der Featuregruppe an.

  4. Optional: Klicken Sie auf Label hinzufügen und geben Sie den Namen und den Wert des Labels an. Sie können einer Featuregruppe mehrere Labels hinzufügen.

  5. Klicken Sie im Feld BigQuery-Pfad auf Durchsuchen , um die BigQuery-Quelltabelle oder ‑ansicht auszuwählen, die mit der Featuregruppe verknüpft werden soll.

  6. Wählen Sie in der Liste Spalte für Entitäts-ID die Spalten für die Entitäts-ID aus der BigQuery-Quelltabelle oder ‑ansicht aus.

    Dies ist optional, wenn die BigQuery-Quelltabelle oder ‑ansicht eine Spalte mit dem Namen entity_id hat. Wenn Sie in diesem Fall keine Spalte für die Entitäts-ID auswählen, verwendet die Featuregruppe die Spalte entity_id als Standardspalte für die Entitäts-ID.

  7. Klicken Sie auf Weiter.

  8. Klicken Sie im Bereich Register (Registrieren) auf eine der folgenden Optionen, um anzugeben, ob Sie der neuen Featuregruppe Features hinzufügen möchten:

    • Alle Spalten aus der BigQuery-Tabelle einschließen: Sie können in der Featuregruppe Features für alle Spalten in der BigQuery-Quelltabelle oder ‐ansicht erstellen.

    • Features manuell eingeben : Erstellen Sie Features basierend auf bestimmten Spalten in der BigQuery-Quelle. Geben Sie für jedes Feature einen Featurenamen ein und klicken Sie in der Liste auf den entsprechenden Namen der BigQuery-Quellspalte.

      Wenn Sie weitere Features hinzufügen möchten, klicken Sie auf Weiteres Feature hinzufügen.

    • Leere Featuregruppe erstellen: Sie erstellen die Featuregruppe, ohne ihr Features hinzuzufügen.

  9. Klicken Sie auf Erstellen.

Python

Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Python API-Referenzdokumentation.

Hinweis: In diesem Beispiel wird eine Featuregruppe mit der Standardkonfiguration für das Dienstkonto erstellt. 

from google.cloud import aiplatform
from vertexai.resources.preview import feature_store
from typing import List


def create_feature_group_sample(
    project: str,
    location: str,
    feature_group_id: str,
    bq_table_uri: str,
    entity_id_columns: List[str],
):
    aiplatform.init(project=project, location=location)
    fg = feature_store.FeatureGroup.create(
        name=feature_group_id,
        source=feature_store.utils.FeatureGroupBigQuerySource(
            uri=bq_table_uri, entity_id_columns=entity_id_columns
        ),
    )
    return fg
  • project: Ihre Projekt-ID.
  • location: die Region, in der Sie die Featuregruppe erstellen möchten, z. B. us-central1.
  • feature_group_id: der Name der neuen Featuregruppe, die Sie erstellen möchten.
  • bq_table_uri: URI der BigQuery-Quelltabelle oder ‑ansicht, die Sie für die Featuregruppe registrieren möchten.
  • entity_id_columns: Die Namen der Spalten mit den Entitäts-IDs. Sie können entweder eine oder mehrere Spalten angeben.
    • Wenn Sie nur eine Spalte für die Entitäts-ID angeben möchten, geben Sie den Spaltennamen im folgenden Format an:
      "entity_id_column_name".
    • Wenn Sie mehrere Spalten für die Entitäts-ID angeben möchten, geben Sie die Spaltennamen im folgenden Format an:
      ["entity_id_column_1_name", "entity_id_column_2_name", ...].

REST

So erstellen Sie eine FeatureGroup-Ressource: Senden Sie eine POST-Anfrage mithilfe der Methode featureGroups.create .

Ersetzen Sie vor der Verwendung von Anfragedaten, Folgendes:

  • LOCATION_ID: Region, in der Sie die Featuregruppe erstellen möchten, z. B. us-central1.
  • SERVICE_AGENT_TYPE: Optional. Konfiguration des Dienstkontos für die Featuregruppe. Wenn Sie ein dediziertes Dienstkonto für die Featuregruppe verwenden möchten, geben Sie SERVICE_AGENT_TYPE_FEATURE_GROUP ein.
  • PROJECT_ID: Ihre Projekt-ID.
  • ENTITY_ID_COLUMNS: Die Namen der Spalten mit den Entitäts-IDs. Sie können entweder eine oder mehrere Spalten angeben.
    • Wenn Sie nur eine Spalte für die Entitäts-ID angeben möchten, geben Sie den Spaltennamen im folgenden Format an:
      "entity_id_column_name".
    • Wenn Sie mehrere Spalten für die Entitäts-ID angeben möchten, geben Sie die Spaltennamen im folgenden Format an:
      ["entity_id_column_1_name", "entity_id_column_2_name", ...].
  • FEATUREGROUP_NAME: der Name der neuen Featuregruppe, die Sie erstellen möchten.
  • BIGQUERY_SOURCE_URI: URI der BigQuery-Quelltabelle oder ‑ansicht, die Sie für die Featuregruppe registrieren möchten.
  • TIMESTAMP_COLUMN: Optional. Geben Sie den Namen der Spalte mit den Feature-Zeitstempeln in der BigQuery-Quelltabelle oder ‑ansicht an.
    Sie müssen den Namen der Zeitstempelspalte nur angeben, wenn die Daten als Zeitreihe formatiert sind und die Spalte mit den Feature-Zeitstempeln nicht feature_timestamp heißt.
  • STATIC_DATA_SOURCE: Optional. Geben Sie true ein, wenn die Daten nicht als Zeitreihe formatiert sind. Die Standardeinstellung ist false.
  • DENSE: Optional. Geben Sie an, wie Vertex AI Feature Store Nullwerte verarbeitet, wenn Daten aus Featureansichten bereitgestellt werden, die der Featuregruppe zugeordnet sind:
    • false: Dies ist die Standardeinstellung. Vertex AI Feature Store stellt nur die neuesten Nicht-Null-Featurewerte bereit. Wenn der neueste Wert für ein Feature null ist, stellt Vertex AI Feature Store den letzten Nicht-Null-Wert aus dem Verlauf bereit. Wenn jedoch sowohl die aktuellen als auch die Verlaufsdaten für dieses Feature null sind, stellt Vertex AI Feature Store null als Featurewert bereit.
    • true: Bei Featureansichten mit geplanter Datensynchronisierung stellt Vertex AI Feature Store nur die neuesten Featurewerte bereit, einschließlich Nullwerte. Bei Featureansichten mit kontinuierlicher Datensynchronisierung stellt Vertex AI Feature Store nur die neuesten Nicht-Null-Featurewerte bereit. Wenn jedoch sowohl die aktuellen als auch die Verlaufsdaten für das Feature null sind, stellt Vertex AI Feature Store null als Featurewert bereit. Weitere Informationen zu Arten der Datensynchronisierung und zum Konfigurieren der Art der Datensynchronisierung in einer Featureansicht finden Sie unter Daten in einer Featureansicht synchronisieren.

HTTP-Methode und URL: 

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME

JSON-Anfragetext: 

{
  "service_agent_type": "SERVICE_AGENT_TYPE",
  "big_query": {
    "entity_id_columns": "ENTITY_ID_COLUMNS",
    "big_query_source": {
      "input_uri": "BIGQUERY_SOURCE_URI",
    }
    "time_series": {
      "timestamp_column": ""TIMESTAMP_COLUMN"",
    },
    "static_data_source": STATIC_DATA_SOURCE,
    "dense": DENSE
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featureGroups/FEATUREGROUP_NAME/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateFeatureGroupOperationMetadata",
    "genericMetadata": {
      "createTime": "2023-09-18T03:00:13.060636Z",
      "updateTime": "2023-09-18T03:00:13.060636Z"
    }
  }
}

Nächste Schritte