Em machine learning (ML), os recursos são atributos característicos de uma instância ou entidade que podem ser usados para treinar modelos ou fazer previsões on-line. Os recursos são gerados pela transformação de dados brutos de ML em atributos mensuráveis e compartilháveis com técnicas de engenharia de atributos, geralmente chamadas de transformações de atributos.
Gerenciamento de atributos refere-se ao processo de criar, manter, compartilhar e disponibilizar recursos de ML armazenados em um local ou repositório centralizado. O gerenciamento de atributos facilita a reutilização de atributos para treinar e treinar novamente modelos, reduzindo o ciclo de vida das implantações de IA e ML.
Um produto ou serviço que inclui serviços de gerenciamento de recursos para armazenar, descobrir, compartilhar e disponibilizar atributos de ML é chamado de armazenamento de recursos. A plataforma de agentes do Gemini Enterprise incorpora os seguintes serviços do Feature Store:
Nesta página, você encontra uma visão geral dos recursos da Feature Store da plataforma de agentes.
Feature Store da Plataforma de Agentes
O Feature Store da plataforma de agentes oferece uma nova abordagem para o gerenciamento de atributos, permitindo que você mantenha e disponibilize os dados dos atributos a partir de uma fonte de dados do BigQuery. Nessa abordagem, o Feature Store da Vertex AI atua como uma camada de metadados que fornece recursos de exibição on-line para sua fonte de dados de atributos no BigQuery e permite disponibilizar atributos on-line com base nesses dados. Não é necessário copiar ou importar os dados para um repositório off-line separado na plataforma de agentes do Gemini Enterprise.
O Vertex AI Feature Store é integrado ao Knowledge Catalog para monitorar metadados de recursos. Ele também aceita embeddings e permite realizar pesquisas de similaridade vetorial para vizinhos mais próximos.
O Feature Store da Vertex AI é otimizado para disponibilização com latência ultrabaixa e permite o seguinte:
Armazene e mantenha seus dados de recursos off-line no BigQuery, aproveitando os recursos de gerenciamento de dados do BigQuery.
Adicione e reutilize recursos no registro deles.
Disponibilize recursos para previsões on-line com latências baixas usando a veiculação on-line do Bigtable.
Monitore metadados de recursos no Knowledge Catalog.