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 ML-Rohdaten mithilfe von Feature-Engineering-Techniken in messbare und freigabefähige Attribute umgewandelt werden. Diese Techniken werden im Allgemeinen als Feature-Transformationen bezeichnet.
Featureverwaltung bezieht sich auf den Prozess des Erstellens, Verwaltens, Freigebens und Bereitstellens 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 eine Dienstleistung, das bzw. die Featureverwaltungsdienste 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 erhalten Sie einen Überblick über die Funktionen von Agent Platform Feature Store.
Agent Platform Feature Store
Agent Platform Feature Store bietet einen neuen Ansatz für die Featureverwaltung, da Sie Ihre Featuredaten aus einer BigQuery-Datenquelle verwalten und bereitstellen können. Bei diesem Ansatz fungiert Vertex AI Feature Store als Metadatenebene, die Onlinebereitstellungsfunktionen für Ihre Featuredatenquelle in BigQuery bietet und mit der Sie Features online auf Grundlage dieser Daten bereitstellen können. Sie müssen die Daten in der Gemini Enterprise Agent Platform nicht in einen separaten Offlinespeicher kopieren oder importieren.
Vertex AI Feature Store ist in Knowledge Catalog eingebunden, um Feature-Metadaten zu verfolgen. Er unterstützt auch Einbettungen und ermöglicht Ihnen, Vektorähnlichkeitssuchen nach den nächsten Nachbarn durchzuführen.
Vertex AI Feature Store ist für die Bereitstellung mit extrem niedriger Latenz optimiert und bietet Ihnen folgende Möglichkeiten:
Speichern und Verwalten Ihrer Offline-Featuredaten in BigQuery und Nutzung der 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.
Verfolgen von Feature-Metadaten in Knowledge Catalog.