Beim maschinellen Lernen (ML) sind Features charakteristische Attribute einer Instanz oder Entität, die Sie zum Trainieren von Modellen oder für Onlinevorhersagen verwenden können. Features werden generiert, indem Rohdaten für maschinelles Lernen mithilfe von Feature-Engineering-Techniken in messbare und freigabefähige Attribute umgewandelt werden. Diese Techniken werden in der Regel als Feature-Transformationen bezeichnet.
Feature-Verwaltung bezieht sich auf das Erstellen, Verwalten, Freigeben und Bereitstellen von ML-Features, die an einem zentralen Ort oder in einem zentralen Repository gespeichert sind. Die Featureverwaltung erleichtert das Wiederverwenden von Features zum Trainieren und Neutrainieren von Modellen und reduziert den Lebenszyklus von KI- und ML-Bereitstellungen.
Ein Produkt oder Dienst, der Feature-Verwaltungsdienste zum Speichern, Auffinden, Freigeben und Bereitstellen von ML-Features umfasst, wird als Feature Store bezeichnet. Die Gemini Enterprise Agent Platform umfasst die folgenden Feature Store-Dienste:
Auf dieser Seite finden Sie einen Überblick über die Funktionen von Agent Platform Feature Store.
Agent Platform Feature Store
Der Agent Platform Feature Store bietet einen neuen Ansatz für die Feature-Verwaltung, da Sie Ihre Feature-Daten aus einer BigQuery-Datenquelle verwalten und bereitstellen können. Bei diesem Ansatz fungiert Vertex AI Feature Store als Metadatenebene, die Onlinebereitstellungsfunktionen für Ihre Feature-Datenquelle in BigQuery bietet und es Ihnen ermöglicht, Features basierend auf diesen Daten online bereitzustellen. Sie müssen die Daten nicht in einen separaten Offlinespeicher in der Gemini Enterprise Agent Platform kopieren oder importieren.
Vertex AI Feature Store ist in Knowledge Catalog eingebunden, um Feature-Metadaten zu erfassen. Außerdem werden Einbettungen unterstützt und Sie können Vektorähnlichkeitssuchen nach den nächsten Nachbarn ausführen.
Vertex AI Feature Store ist für die Bereitstellung mit extrem niedriger Latenz optimiert und bietet Ihnen folgende Möglichkeiten:
Speichern und verwalten Sie Ihre Offline-Featuredaten in BigQuery und nutzen Sie die Datenverwaltungsfunktionen von BigQuery.
Funktionen freigeben und wiederverwenden, indem sie der Feature-Registry hinzugefügt werden.
Bereitstellen von Features für Onlinevorhersagen mit niedrigen Latenzen über die Bigtable-Onlinebereitstellung.
Metadaten von Funktionen in Knowledge Catalog nachverfolgen