La documentazione di Vertex AI non viene più aggiornata

I servizi di Vertex AI ora fanno parte di Gemini Enterprise Agent Platform. Per informazioni aggiornate, consulta la documentazione di Agent Platform.

Google utilizza la tecnologia AI per tradurre i contenuti nella tua lingua preferita. Le traduzioni generate dall'AI potrebbero contenere errori.

Gestione dei featurestore

Scopri come creare, elencare, descrivere, aggiornare ed eliminare i feature store. Un archivio di caratteristiche è un container di primo livello per tipi di entità, caratteristiche e valori delle caratteristiche.

Archiviazione online e offline

Vertex AI Feature Store (legacy) utilizza due metodi di archiviazione classificati come spazio di archiviazione online e spazio di archiviazione offline, che hanno prezzi diversi. Tutti i feature store hanno uno spazio di archiviazione offline e, facoltativamente, uno spazio di archiviazione online.

L'archivio online conserva i valori dei timestamp più recenti delle tue caratteristiche per gestire in modo efficiente le richieste di erogazione online. Quando esegui un job di importazione utilizzando l'API, puoi controllare il job se i dati vengono scritti nell'archivio online. Saltare il negozio online impedisce qualsiasi carico sui nodi di erogazione online. Ad esempio, quando esegui job di backfill, puoi disattivare le scritture nel negozio online e scrivere solo nel negozio offline. Per saperne di più, consulta il flag disableOnlineServing nella documentazione di riferimento dell'API.

Vertex AI Feature Store (legacy) utilizza lo spazio di archiviazione offline per archiviare i dati fino a quando non raggiungono il limite di conservazione o finché non li elimini. Puoi archiviare una quantità illimitata di dati nell'archivio offline. Puoi controllare i costi di archiviazione offline gestendo la quantità di dati che conservi. Puoi anche ignorare il limite di conservazione dei dati predefinito dell'archivio online per il tuo feature store e il limite di conservazione dei dati offline per un tipo di entità. Scopri di più sulle quote e sui limiti di Vertex AI Feature Store (legacy).

Utilizza la console Google Cloud per visualizzare la quantità di spazio di archiviazione online e offline che stai utilizzando. Visualizza le metriche di monitoraggio dello spazio di archiviazione online totale e dello spazio di archiviazione offline totale del tuo feature store per determinare l'utilizzo.

Nodi di erogazione online

I nodi di pubblicazione online forniscono le risorse di computing utilizzate per archiviare e gestire i valori delle funzionalità per la pubblicazione online a bassa latenza. Questi nodi sono sempre in esecuzione anche quando non forniscono dati. Ti viene addebitato un costo per ogni ora nodo.

Il limite di spazio di archiviazione per i nodi di erogazione online è di 5 TB per nodo. Scopri di più su quote e limiti di Vertex AI Feature Store (legacy).

Il numero di nodi di erogazione online necessari è direttamente proporzionale ai seguenti due fattori:

Il numero di richieste di erogazione online (query al secondo) ricevute dall'archivio di caratteristiche.
Il numero di job di importazione che scrivono nello spazio di archiviazione online.

Entrambi i fattori contribuiscono all'utilizzo della CPU e alle prestazioni dei nodi. Dalla console Google Cloud , visualizza le metriche di quanto segue:

Query al secondo: numero di query al secondo nel feature store.
Conteggio nodi: numero di nodi di erogazione online.
Utilizzo CPU: utilizzo CPU dei nodi.

Se l'utilizzo della CPU è costantemente elevato, valuta la possibilità di aumentare il numero di nodi di erogazione online per l'archivio di caratteristiche.

Testare il rendimento dei nodi di erogazione online

Puoi testare le prestazioni dei nodi di erogazione online per l'erogazione delle caratteristiche in tempo reale. In questo modo, puoi assicurarti che l'archivio di caratteristiche disponga di risorse macchina sufficienti per operare entro soglie di QPS o latenza predeterminate. Puoi eseguire questi test in base a vari parametri di benchmarking, come QPS, latenza e API. Per linee guida e best practice per testare le prestazioni dei nodi di erogazione online, consulta Testare le prestazioni dei nodi di erogazione online per l'erogazione in tempo reale in Best practice per Vertex AI Feature Store (legacy).

Inoltre, puoi utilizzare lo strumento open source Vertex AI Benchmarker per testare il carico delle prestazioni delle risorse del feature store. Lo strumento open source Vertex AI Benchmarker è costituito da uno strumento a riga di comando Python e da un worker Java.

Opzioni di scalabilità

Puoi alternare le seguenti opzioni per configurare il numero di nodi di erogazione online:

Scalabilità automatica

Se scegli la scalabilità automatica, l'archivio di caratteristiche modifica automaticamente il numero di nodi in base all'utilizzo della CPU. La scalabilità automatica esamina i pattern di traffico per mantenere le prestazioni e ottimizzare i costi aggiungendo nodi quando il traffico aumenta e rimuovendoli quando diminuisce.

La scalabilità automatica funziona bene per i pattern di traffico che registrano una crescita e un calo graduali. Se utilizzi Vertex AI Feature Store (legacy) in modo intensivo per pattern di traffico che incontrano frequenti fluttuazioni del carico, utilizza lo scalabilità automatica per migliorare l'efficienza dei costi.

Attenzione: la scalabilità automatica non è efficace per gestire picchi improvvisi di traffico. Per saperne di più, consulta Considerazioni aggiuntive per la scalabilità automatica.
Se prevedi picchi improvvisi di traffico, imposta il flag minNodeCount su una soglia sufficientemente alta da gestire i picchi. Per saperne di più, consulta la sezione Scalabilità nel riferimento API.
Allocazione di un numero fisso di nodi

Se allochi un numero fisso di nodi, Vertex AI Feature Store (legacy) mantiene un numero costante di nodi indipendentemente dai pattern di traffico. Il conteggio dei nodi fisso mantiene i costi prevedibili e i nodi dovrebbero funzionare bene quando ce ne sono abbastanza per gestire il traffico. Puoi modificare manualmente il numero dei nodi fissi per gestire le variazioni dei pattern di traffico.

Considerazioni aggiuntive per la scalabilità automatica

Se scegli la scalabilità automatica, ci sono quattro punti aggiuntivi da considerare, tra cui:

Dopo aver aggiunto i nodi di erogazione online, l'archivio online ha bisogno di tempo per ribilanciare i dati. Potrebbero essere necessari fino a 20 minuti sotto carico prima di notare un miglioramento significativo delle prestazioni. Di conseguenza, scalare il numero di nodi potrebbe non essere utile per brevi picchi di traffico. Questa limitazione si applica sia alla scalabilità manuale sia alla scalabilità automatica.
Se invii richieste di erogazione online all'archivio di caratteristiche senza nodi di erogazione online, l'operazione restituisce un errore.

Disattivare l'erogazione online nell'archivio di caratteristiche

Se non hai bisogno dell'erogazione online e vuoi evitare di incorrere in modifiche per i nodi di erogazione online, imposta il numero di nodi di erogazione online su zero. Per disattivare l'erogazione online nel tuo archivio di caratteristiche, imposta la seguente configurazione:

Se utilizzi la scalabilità automatica, rimuovi il parametro scaling.
Imposta il numero fisso di nodi di erogazione online su 0.

Per ulteriori informazioni su come creare un archivio di caratteristiche, consulta Creare un archivio di caratteristiche. Per saperne di più su come modificare la configurazione di un archivio di caratteristiche esistente, consulta Aggiornare un archivio di caratteristiche.

Se imposti il numero di nodi di erogazione online su 0, l'intero archivio di caratteristiche online, inclusi i relativi dati, viene eliminato. Se vuoi disattivare temporaneamente il tuo negozio online e poi ripristinarlo, devi reimportare i dati eliminati.

Ad esempio, se imposti il conteggio dei nodi di erogazione online per il featurestore su 0 e poi esegui il provisioning dei nodi di erogazione online impostando il conteggio dei nodi su 1 o un valore superiore, Vertex AI Feature Store (legacy) non esegue la migrazione dei dati delle caratteristiche eliminati nell'archivio online. Per ripopolare il tuo negozio online, devi reimportare i dati. Un modo per reimportare i dati è esportare i dati storici prima di disattivare i nodi di pubblicazione online e poi importare i dati esportati dopo aver eseguito il provisioning dei nodi.

Quando esegui il provisioning dei nodi di erogazione online, devi attendere il completamento dell'operazione prima di importare nuovi dati. I job di importazione in corso riprendono solo dopo il completamento del provisioning del nodo di erogazione online.

Se invii una richiesta di erogazione online all'archivio di caratteristiche senza nodi di erogazione online, la richiesta restituisce un errore.

Creare un archivio di caratteristiche

Crea una risorsa featurestore per contenere tipi di entità e caratteristiche. La posizione dell'archivio di caratteristiche deve corrispondere a quella dei dati di origine. Ad esempio, se il feature store si trova in us-central,, puoi importare dati da file in bucket Cloud Storage che si trovano in us-central1 o nella località multiregionale degli Stati Uniti, anche se i dati di origine dei bucket a doppia regione non sono supportati. Analogamente per BigQuery, puoi importare dati da tabelle che si trovano in us-central1 o nella località multiregionale Stati Uniti. Per maggiori informazioni, consulta i requisiti relativi ai dati di origine.

La disponibilità di Vertex AI Feature Store (legacy) può variare in base alla località. Per saperne di più, consulta la sezione Disponibilità delle funzionalità.

UI web

Puoi creare un feature store utilizzando la console Google Cloud se non è già stato creato un feature store nel progetto Google Cloud per la regione selezionata. Se esiste già un feature store per il progetto e la regione, utilizza un altro metodo.

Per creare un feature store utilizzando la console Google Cloud :

Nella sezione Vertex AI della console Google Cloud , vai alla pagina Funzionalità.
Vai alla pagina Funzionalità
Fai clic su Crea archivio di caratteristiche.
Specifica un nome per il feature store.
Se vuoi attivare l'erogazione online per l'archivio di caratteristiche, fai clic sul pulsante di attivazione/disattivazione Attiva l'erogazione online e imposta le opzioni di scalabilità.
Per ulteriori informazioni sulle opzioni di erogazione online e scalabilità, vedi Nodi di erogazione online
Fai clic su Crea.

Terraform

L'esempio seguente utilizza la risorsa Terraform google_vertex_ai_featurestore per creare un archivio di caratteristiche con un numero fisso di nodi. Il nome dell'archivio di caratteristiche è featurestore_yyyyyyyy, dove yyyyyyyy è un identificatore alfanumerico generato in modo casuale.

Per scoprire come applicare o rimuovere una configurazione Terraform, consulta Comandi Terraform di base.

# Featurestore name must be unique for the project
resource "random_id" "featurestore_name_suffix" {
  byte_length = 8
}

resource "google_vertex_ai_featurestore" "main" {
  name   = "featurestore_${random_id.featurestore_name_suffix.hex}"
  region = "us-central1"
  labels = {
    environment = "testing"
  }

  online_serving_config {
    fixed_node_count = 1
  }

  force_destroy = true
}

REST

Per creare un archivio di caratteristiche, invia una richiesta POST utilizzando il metodo featurestores.create.

L'esempio seguente crea un feature store con un numero fisso di nodi pari a 1. Il conteggio dei nodi specifica il numero di nodi di erogazione online, che influisce sul numero di richieste di erogazione online che l'archivio di caratteristiche può gestire. La latenza potrebbe aumentare se il numero di nodi non è in grado di supportare il numero di richieste in entrata.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui viene creato lo store di funzionalità. Ad esempio, us-central1.
PROJECT_ID: il tuo ID progetto
FEATURESTORE_ID: l'ID dell'archivio di caratteristiche.

Metodo HTTP e URL:

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores?featurestoreId=FEATURESTORE_ID

Corpo JSON della richiesta:

{
  "online_serving_config": {
    "fixed_node_count": 1
  },
  "labels": {
    "environment": "testing"
  }
}

Per inviare la richiesta, scegli una di queste opzioni:

curl

Nota: il seguente comando presuppone che tu abbia eseguito l'accesso all'interfaccia a riga di comando gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login oppure utilizzando Cloud Shell, che consente di accedere automaticamente all'interfaccia a riga di comando gcloud. Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

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/featurestores?featurestoreId=FEATURESTORE_ID"

PowerShell

Nota: il comando seguente presuppone che tu abbia eseguito l'accesso all'interfaccia a riga di comando gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login. Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

$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/featurestores?featurestoreId=FEATURESTORE_ID" | Select-Object -Expand Content

Dovresti vedere un output simile al seguente. Puoi utilizzare OPERATION_ID nella risposta per ottenere lo stato dell'operazione.

{
"name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/FEATURESTORE_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.CreateFeaturestoreOperationMetadata",
    "genericMetadata": {
      "createTime": "2021-02-26T00:44:40.722474Z",
      "updateTime": "2021-02-26T00:44:40.722474Z"
    }
  }
}

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI Python, consulta Installare l'SDK Vertex AI Python. Per saperne di più, consulta la Python documentazione di riferimento dell'API.

from google.cloud import aiplatform


def create_featurestore_sample(
    project: str,
    location: str,
    featurestore_id: str,
    online_store_fixed_node_count: int = 1,
    sync: bool = True,
):

    aiplatform.init(project=project, location=location)

    fs = aiplatform.Featurestore.create(
        featurestore_id=featurestore_id,
        online_store_fixed_node_count=online_store_fixed_node_count,
        sync=sync,
    )

    fs.wait()

    return fs

Java

Prima di provare questo esempio, segui le istruzioni di configurazione di Java nella guida rapida di Vertex AI per l'utilizzo delle librerie client. Per saperne di più, consulta la documentazione di riferimento dell'API Vertex AI Java.

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.CreateFeaturestoreOperationMetadata;
import com.google.cloud.aiplatform.v1.CreateFeaturestoreRequest;
import com.google.cloud.aiplatform.v1.Featurestore;
import com.google.cloud.aiplatform.v1.Featurestore.OnlineServingConfig;
import com.google.cloud.aiplatform.v1.Featurestore.OnlineServingConfig.Scaling;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceClient;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceSettings;
import com.google.cloud.aiplatform.v1.LocationName;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class CreateFeaturestoreSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String featurestoreId = "YOUR_FEATURESTORE_ID";
    int minNodeCount = 1;
    int maxNodeCount = 5;
    String location = "us-central1";
    String endpoint = "us-central1-aiplatform.googleapis.com:443";
    int timeout = 900;
    createFeaturestoreSample(
        project, featurestoreId, minNodeCount, maxNodeCount, location, endpoint, timeout);
  }

  static void createFeaturestoreSample(
      String project,
      String featurestoreId,
      int minNodeCount,
      int maxNodeCount,
      String location,
      String endpoint,
      int timeout)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {

    FeaturestoreServiceSettings featurestoreServiceSettings =
        FeaturestoreServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (FeaturestoreServiceClient featurestoreServiceClient =
        FeaturestoreServiceClient.create(featurestoreServiceSettings)) {

      OnlineServingConfig.Builder builderValue =
          OnlineServingConfig.newBuilder()
              .setScaling(
                  Scaling.newBuilder().setMinNodeCount(minNodeCount).setMaxNodeCount(maxNodeCount));
      Featurestore featurestore =
          Featurestore.newBuilder().setOnlineServingConfig(builderValue).build();
      String parent = LocationName.of(project, location).toString();

      CreateFeaturestoreRequest createFeaturestoreRequest =
          CreateFeaturestoreRequest.newBuilder()
              .setParent(parent)
              .setFeaturestore(featurestore)
              .setFeaturestoreId(featurestoreId)
              .build();

      OperationFuture<Featurestore, CreateFeaturestoreOperationMetadata> featurestoreFuture =
          featurestoreServiceClient.createFeaturestoreAsync(createFeaturestoreRequest);
      System.out.format(
          "Operation name: %s%n", featurestoreFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      Featurestore featurestoreResponse = featurestoreFuture.get(timeout, TimeUnit.SECONDS);
      System.out.println("Create Featurestore Response");
      System.out.format("Name: %s%n", featurestoreResponse.getName());
    }
  }
}

Node.js

Prima di provare questo esempio, segui le istruzioni di configurazione di Node.js nella guida rapida di Vertex AI per l'utilizzo delle librerie client. Per saperne di più, consulta la documentazione di riferimento dell'API Vertex AI Node.js.

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const project = 'YOUR_PROJECT_ID';
// const featurestoreId = 'YOUR_FEATURESTORE_ID';
// const minNodeCount = <MINIMUM_NO_OF_NODES>;
// const maxNodeCount = <MAXIMUM_NO_OF_NODES>;
// const location = 'YOUR_PROJECT_LOCATION';
// const apiEndpoint = 'YOUR_API_ENDPOINT';
// const timeout = <TIMEOUT_IN_MILLI_SECONDS>;

// Imports the Google Cloud Featurestore Service Client library
const {FeaturestoreServiceClient} =
  require('@google-cloud/aiplatform').v1beta1;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: apiEndpoint,
};

// Instantiates a client
const featurestoreServiceClient = new FeaturestoreServiceClient(
  clientOptions
);

async function createFeaturestore() {
  // Configure the parent resource
  const parent = `projects/${project}/locations/${location}`;

  const featurestore = {
    onlineServingConfig: {
      scaling: {
        minNodeCount: minNodeCount,
        maxNodeCount: maxNodeCount,
      },
    },
  };

  const request = {
    parent: parent,
    featurestore: featurestore,
    featurestoreId: featurestoreId,
  };

  // Create Featurestore request
  const [operation] = await featurestoreServiceClient.createFeaturestore(
    request,
    {timeout: Number(timeout)}
  );
  const [response] = await operation.promise();

  console.log('Create featurestore response');
  console.log(`Name : ${response.name}`);
  console.log('Raw response:');
  console.log(JSON.stringify(response, null, 2));
}
createFeaturestore();

Crea un feature store che utilizza una chiave CMEK

Prima di iniziare, se non disponi di una CMEK (chiave di crittografia gestita dal cliente), utilizza Cloud Key Management Service per configurare una chiave di crittografia gestita dal cliente e impostare le autorizzazioni. L'esempio seguente crea un archivio di caratteristiche che utilizza una chiave CMEK.

Se Vertex AI perde l'autorizzazione alla chiave CMEK associata, tutte le risorse e i valori all'interno dei feature store criptati da quella chiave diventano inaccessibili finché Vertex AI non potrà utilizzarla di nuovo.

Dopo 30 giorni, se Vertex AI non ha ancora accesso alla chiave CMEK, Vertex AI elimina tutti i feature store criptati con quella chiave. Quando crei nuovi feature store, non puoi riutilizzare i nomi di quelli esistenti.

UI web

Utilizza un altro metodo. Non puoi creare un featurestore dalla consoleGoogle Cloud .

REST

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui viene creato lo store di funzionalità. Ad esempio, us-central1.
PROJECT_ID: .
FEATURESTORE_ID: l'ID dell'archivio di caratteristiche.
CMEK_PROJECT: L'ID progetto o il numero di progetto che contiene la tua chiave CMEK.
KEY_RING: il nome delle chiavi automatizzate di Cloud Key Management Service in cui si trova la chiave di crittografia.
KEY_NAME: il nome della chiave di crittografia da utilizzare.

Metodo HTTP e URL:

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores?featurestoreId=FEATURESTORE_ID

Corpo JSON della richiesta:

{
  "online_serving_config": {
    "fixed_node_count": 1
  },
  "encryption_spec":{
    "kms_key_name": "projects/CMEK_PROJECT/locations/LOCATION_ID/keyRings/KEY_RING/cryptoKeys/KEY_NAME"
  }
}

Per inviare la richiesta, scegli una di queste opzioni:

curl

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

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/featurestores?featurestoreId=FEATURESTORE_ID"

PowerShell

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

$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/featurestores?featurestoreId=FEATURESTORE_ID" | Select-Object -Expand Content

Dovresti vedere un output simile al seguente. Puoi utilizzare OPERATION_ID nella risposta per ottenere lo stato dell'operazione.

{
"name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/FEATURESTORE_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.CreateFeaturestoreOperationMetadata",
    "genericMetadata": {
      "createTime": "2021-02-26T00:44:40.722474Z",
      "updateTime": "2021-02-26T00:44:40.722474Z"
    }
  }
}

Elenco dei featurestore

Elenca tutti i featurestore in un progetto.

UI web

Nella sezione Vertex AI della console Google Cloud , vai alla pagina Funzionalità.

Vai alla pagina Funzionalità

Seleziona una regione dall'elenco a discesa Regione.
Nella tabella delle funzionalità, visualizza la colonna Feature Store per vedere i feature store nel tuo progetto per la regione selezionata.

REST

Per elencare i featurestore per una determinata regione del tuo progetto, invia una richiesta GET utilizzando il metodo featurestores.list.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui si trova l'archivio di caratteristiche, ad esempio us-central1.
PROJECT_ID: .

Metodo HTTP e URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores

Per inviare la richiesta, scegli una di queste opzioni:

curl

Esegui questo comando:

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores"

PowerShell

Esegui questo comando:

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

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores" | Select-Object -Expand Content

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "featurestores": [
    {
      "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/test",
      "createTime": "2021-02-26T00:44:44.216805Z",
      "updateTime": "2021-02-26T00:44:44.364916Z",
      "etag": "AMEw9yNL0s7qZh8lZVZ5T3BEuhoEgFR7JmjbbCSAkRZjeKDXkkIYnxxA4POe5BWT8cCn",
      "labels": {
        "environment": "testing"
      },
      "onlineServingConfig": {
        "fixedNodeCount": 2
      },
      "state": "STABLE"
    },
    {
      "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/featurestore_demo",
      "createTime": "2021-02-25T00:39:40.598781Z",
      "updateTime": "2021-02-25T00:39:40.744038Z",
      "etag": "AMEw9yO_e0vm-9W_yeCz4rJm-XnnEMYQ-vQesevxya_sz-FckuysnDwo3cEXHdWWSeda",
      "labels": {
        "environment": "testing"
      },
      "onlineServingConfig": {
        "fixedNodeCount": 3
      },
      "state": "STABLE"
    }
  ]
}

Java

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.


import com.google.cloud.aiplatform.v1.Featurestore;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceClient;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceSettings;
import com.google.cloud.aiplatform.v1.ListFeaturestoresRequest;
import com.google.cloud.aiplatform.v1.LocationName;
import java.io.IOException;

public class ListFeaturestoresSample {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String location = "us-central1";
    String endpoint = "us-central1-aiplatform.googleapis.com:443";
    listFeaturestoresSample(project, location, endpoint);
  }

  static void listFeaturestoresSample(String project, String location, String endpoint)
      throws IOException {
    FeaturestoreServiceSettings featurestoreServiceSettings =
        FeaturestoreServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (FeaturestoreServiceClient featurestoreServiceClient =
        FeaturestoreServiceClient.create(featurestoreServiceSettings)) {

      ListFeaturestoresRequest listFeaturestoresRequest =
          ListFeaturestoresRequest.newBuilder()
              .setParent(LocationName.of(project, location).toString())
              .build();

      System.out.println("List Featurestores Response");
      for (Featurestore element :
          featurestoreServiceClient.listFeaturestores(listFeaturestoresRequest).iterateAll()) {
        System.out.println(element);
      }
    }
  }
}

Node.js

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';
// const apiEndpoint = 'YOUR_API_ENDPOINT';
// const timeout = <TIMEOUT_IN_MILLI_SECONDS>;

// Imports the Google Cloud Featurestore Service Client library
const {FeaturestoreServiceClient} = require('@google-cloud/aiplatform').v1;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: apiEndpoint,
};

// Instantiates a client
const featurestoreServiceClient = new FeaturestoreServiceClient(
  clientOptions
);

async function listFeaturestores() {
  // Configure the parent resource
  const parent = `projects/${project}/locations/${location}`;

  const request = {
    parent: parent,
  };

  // List featurestores request
  const [response] = await featurestoreServiceClient.listFeaturestores(
    request,
    {timeout: Number(timeout)}
  );

  console.log('List featurestores response');
  console.log('Raw response:');
  console.log(JSON.stringify(response, null, 2));
}
listFeaturestores();

Linguaggi aggiuntivi

Per scoprire come installare e utilizzare l'SDK Vertex AI Python, consulta Utilizzare l'SDK Vertex AI Python. Per saperne di più, consulta la documentazione di riferimento dell'API Vertex AI SDK per Python.

Visualizza i dettagli del featurestore

Visualizza i dettagli di un archivio di caratteristiche, ad esempio il nome e la configurazione dell'erogazione online. Se utilizzi la console Google Cloud , puoi anche visualizzare le metriche di Cloud Monitoring per i feature store.

UI web

Nella sezione Vertex AI della console Google Cloud , vai alla pagina Funzionalità.

Vai alla pagina Funzionalità

Seleziona una regione dall'elenco a discesa Regione.
Nella tabella delle funzionalità, visualizza la colonna Feature Store e individua il feature store di cui vuoi visualizzare le informazioni.
Fai clic sul nome dell'archivio di caratteristiche per visualizzare le metriche di monitoraggio.
Fai clic sulla scheda Proprietà per visualizzare la configurazione dell'erogazione online del feature store.

REST

Per ottenere i dettagli di un singolo feature store, invia una richiesta GET utilizzando il metodo featurestores.get.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui si trova l'archivio di caratteristiche, ad esempio us-central1.
PROJECT_ID: .
FEATURESTORE_ID: l'ID del feature store.

Metodo HTTP e URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID

Per inviare la richiesta, scegli una di queste opzioni:

curl

Esegui questo comando:

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID"

PowerShell

Esegui questo comando:

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

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID" | Select-Object -Expand Content

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/FEATURESTORE_ID",
  "createTime": "2021-02-25T00:39:40.598781Z",
  "updateTime": "2021-02-25T00:39:40.744038Z",
  "etag": "AMEw9yNy_b4IaMIvw1803ZT38cpUtjfwlyLkR709oBCY6pQrm6dHophLcqhrvsNqkQQZ",
  "onlineServingConfig": {
    "fixedNodeCount": 3
  },
  "state": "STABLE"
}

Java

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.


import com.google.cloud.aiplatform.v1.Featurestore;
import com.google.cloud.aiplatform.v1.FeaturestoreName;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceClient;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceSettings;
import com.google.cloud.aiplatform.v1.GetFeaturestoreRequest;
import java.io.IOException;

public class GetFeaturestoreSample {

  public static void main(String[] args) throws IOException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String featurestoreId = "YOUR_FEATURESTORE_ID";
    String location = "us-central1";
    String endpoint = "us-central1-aiplatform.googleapis.com:443";
    getFeaturestoreSample(project, featurestoreId, location, endpoint);
  }

  static void getFeaturestoreSample(
      String project, String featurestoreId, String location, String endpoint) throws IOException {

    FeaturestoreServiceSettings featurestoreServiceSettings =
        FeaturestoreServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (FeaturestoreServiceClient featurestoreServiceClient =
        FeaturestoreServiceClient.create(featurestoreServiceSettings)) {

      GetFeaturestoreRequest getFeaturestoreRequest =
          GetFeaturestoreRequest.newBuilder()
              .setName(FeaturestoreName.of(project, location, featurestoreId).toString())
              .build();

      Featurestore featurestore = featurestoreServiceClient.getFeaturestore(getFeaturestoreRequest);
      System.out.println("Get Featurestore Response");
      System.out.println(featurestore);
    }
  }
}

Node.js

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const project = 'YOUR_PROJECT_ID';
// const featurestoreId = 'YOUR_FEATURESTORE_ID';
// const location = 'YOUR_PROJECT_LOCATION';
// const apiEndpoint = 'YOUR_API_ENDPOINT';
// const timeout = <TIMEOUT_IN_MILLI_SECONDS>;

// Imports the Google Cloud Featurestore Service Client library
const {FeaturestoreServiceClient} = require('@google-cloud/aiplatform').v1;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: apiEndpoint,
};

// Instantiates a client
const featurestoreServiceClient = new FeaturestoreServiceClient(
  clientOptions
);

async function getFeaturestore() {
  // Configure the parent resource
  const name = `projects/${project}/locations/${location}/featurestores/${featurestoreId}`;

  const request = {
    name: name,
  };

  // Get Featurestore request
  const [response] = await featurestoreServiceClient.getFeaturestore(
    request,
    {timeout: Number(timeout)}
  );

  console.log('Get featurestore response');
  console.log(`Name : ${response.name}`);
  console.log('Raw response:');
  console.log(JSON.stringify(response, null, 2));
}
getFeaturestore();

Linguaggi aggiuntivi

Aggiornare un featurestore

Aggiorna un archivio di caratteristiche, ad esempio per modificare il numero di nodi di erogazione online o aggiorna le etichette di un archivio di caratteristiche.

UI web

Puoi aggiornare solo il numero di nodi di erogazione online. Per aggiornare le etichette, utilizza l'API.

Nella sezione Vertex AI della console Google Cloud , vai alla pagina Funzionalità.

Vai alla pagina Funzionalità

Seleziona una regione dall'elenco a discesa Regione.
Nella tabella delle funzionalità, visualizza la colonna archivio di caratteristiche e fai clic sul nome dell'archivio di caratteristiche da aggiornare.
Fai clic su Modifica configurazione per aprire il riquadro Modifica configurazione archivio di caratteristiche.
Modifica la configurazione dell'archivio di caratteristiche.
Fai clic su Aggiorna per applicare le modifiche.

REST

Per aggiornare un featurestore, invia una richiesta PATCH utilizzando il metodo featurestores.patch.

L'esempio seguente aggiorna il numero di nodi di erogazione online a 2 per l'archivio di caratteristiche. Tutte le altre impostazioni rimangono invariate.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui si trova l'archivio di caratteristiche, ad esempio us-central1.
PROJECT_ID: .
FEATURESTORE_ID: l'ID del feature store.

Metodo HTTP e URL:

PATCH https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID

Corpo JSON della richiesta:

{
  "online_serving_config": {
    "fixed_node_count": 2
  }
}

Per inviare la richiesta, scegli una di queste opzioni:

curl

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

curl -X PATCH \
     -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/featurestores/FEATURESTORE_ID"

PowerShell

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

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

Invoke-WebRequest `
    -Method PATCH `
    -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/featurestores/FEATURESTORE_ID" | Select-Object -Expand Content

Dovresti vedere un output simile al seguente. Puoi utilizzare OPERATION_ID nella risposta per ottenere lo stato dell'operazione.

{
"name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featurestores/FEATURESTORE_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateFeaturestoreOperationMetadata",
    "genericMetadata": {
      "createTime": "2021-03-18T21:12:08.373664Z",
      "updateTime": "2021-03-18T21:12:08.373664Z"
    }
  }
}

Java

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.Featurestore;
import com.google.cloud.aiplatform.v1.Featurestore.OnlineServingConfig;
import com.google.cloud.aiplatform.v1.Featurestore.OnlineServingConfig.Scaling;
import com.google.cloud.aiplatform.v1.FeaturestoreName;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceClient;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceSettings;
import com.google.cloud.aiplatform.v1.UpdateFeaturestoreOperationMetadata;
import com.google.cloud.aiplatform.v1.UpdateFeaturestoreRequest;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class UpdateFeaturestoreSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String featurestoreId = "YOUR_FEATURESTORE_ID";
    int minNodeCount = 2;
    int maxNodeCount = 4;
    String location = "us-central1";
    String endpoint = "us-central1-aiplatform.googleapis.com:443";
    int timeout = 300;
    updateFeaturestoreSample(
        project, featurestoreId, minNodeCount, maxNodeCount, location, endpoint, timeout);
  }

  static void updateFeaturestoreSample(
      String project,
      String featurestoreId,
      int minNodeCount,
      int maxNodeCount,
      String location,
      String endpoint,
      int timeout)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    FeaturestoreServiceSettings featurestoreServiceSettings =
        FeaturestoreServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (FeaturestoreServiceClient featurestoreServiceClient =
        FeaturestoreServiceClient.create(featurestoreServiceSettings)) {

      OnlineServingConfig.Builder builderValue =
          OnlineServingConfig.newBuilder()
              .setScaling(
                  Scaling.newBuilder().setMinNodeCount(minNodeCount).setMaxNodeCount(maxNodeCount));
      Featurestore featurestore =
          Featurestore.newBuilder()
              .setName(FeaturestoreName.of(project, location, featurestoreId).toString())
              .setOnlineServingConfig(builderValue)
              .build();

      UpdateFeaturestoreRequest request =
          UpdateFeaturestoreRequest.newBuilder().setFeaturestore(featurestore).build();

      OperationFuture<Featurestore, UpdateFeaturestoreOperationMetadata> updateFeaturestoreFuture =
          featurestoreServiceClient.updateFeaturestoreAsync(request);
      System.out.format(
          "Operation name: %s%n", updateFeaturestoreFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      Featurestore featurestoreResponse = updateFeaturestoreFuture.get(timeout, TimeUnit.SECONDS);
      System.out.println("Update Featurestore Response");
      System.out.format("Name: %s%n", featurestoreResponse.getName());
    }
  }
}

Node.js

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const project = 'YOUR_PROJECT_ID';
// const featurestoreId = 'YOUR_FEATURESTORE_ID';
// const minNodeCount = <MINIMUM_NO_OF_NODES>;
// const maxNodeCount = <MAXIMUM_NO_OF_NODES>;
// const location = 'YOUR_PROJECT_LOCATION';
// const apiEndpoint = 'YOUR_API_ENDPOINT';
// const timeout = <TIMEOUT_IN_MILLI_SECONDS>;

// Imports the Google Cloud Featurestore Service Client library
const {FeaturestoreServiceClient} =
  require('@google-cloud/aiplatform').v1beta1;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: apiEndpoint,
};

// Instantiates a client
const featurestoreServiceClient = new FeaturestoreServiceClient(
  clientOptions
);

async function updateFeaturestore() {
  // Configure the parent resource
  const parent = `projects/${project}/locations/${location}/featurestores/${featurestoreId}`;

  const featurestore = {
    name: parent,
    onlineServingConfig: {
      scaling: {
        minNodeCount: minNodeCount,
        maxNodeCount: maxNodeCount,
      },
    },
  };

  const request = {
    featurestore: featurestore,
  };

  // Update Featurestore request
  const [operation] = await featurestoreServiceClient.updateFeaturestore(
    request,
    {timeout: Number(timeout)}
  );
  const [response] = await operation.promise();

  console.log('Update featurestore response');
  console.log(`Name : ${response.name}`);
  console.log('Raw response:');
  console.log(JSON.stringify(response, null, 2));
}
updateFeaturestore();

Linguaggi aggiuntivi

Eliminare un featurestore

Elimina un featurestore. Se l'archivio di caratteristiche include tipi di entità e caratteristiche esistenti, attiva il parametro di query force per eliminare l'archivio di caratteristiche e tutti i relativi contenuti.

UI web

Utilizza un altro metodo. Non puoi eliminare un featurestore dalla Google Cloud console.

REST

Per eliminare un feature store e tutti i suoi contenuti, invia una richiesta DELETE utilizzando il metodo featurestores.delete.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

LOCATION_ID: la regione in cui si trova l'archivio di caratteristiche, ad esempio us-central1.
PROJECT_ID: .
FEATURESTORE_ID: l'ID del feature store.
BOOLEAN: indica se eliminare l'archivio di caratteristiche anche se contiene tipi di entità e caratteristiche. Il parametro di query force è facoltativo ed è false per impostazione predefinita.

Metodo HTTP e URL:

DELETE https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID?force=BOOLEAN

Per inviare la richiesta, scegli una di queste opzioni:

curl

Esegui questo comando:

curl -X DELETE \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID?force=BOOLEAN"

PowerShell

Esegui questo comando:

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

Invoke-WebRequest `
    -Method DELETE `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featurestores/FEATURESTORE_ID?force=BOOLEAN" | Select-Object -Expand Content

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/operations/OPERATIONS_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.DeleteOperationMetadata",
    "genericMetadata": {
      "createTime": "2021-05-03T17:50:21.813112Z",
      "updateTime": "2021-05-03T17:50:21.813112Z"
    }
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.protobuf.Empty"
  }
}

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI Python, consulta Installare l'SDK Vertex AI Python. Per saperne di più, consulta la Python documentazione di riferimento dell'API.

from google.cloud import aiplatform


def delete_featurestore_sample(
    project: str,
    location: str,
    featurestore_name: str,
    sync: bool = True,
    force: bool = True,
):

    aiplatform.init(project=project, location=location)

    fs = aiplatform.featurestore.Featurestore(featurestore_name=featurestore_name)
    fs.delete(sync=sync, force=force)

Java

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.DeleteFeaturestoreRequest;
import com.google.cloud.aiplatform.v1.DeleteOperationMetadata;
import com.google.cloud.aiplatform.v1.FeaturestoreName;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceClient;
import com.google.cloud.aiplatform.v1.FeaturestoreServiceSettings;
import com.google.protobuf.Empty;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class DeleteFeaturestoreSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String featurestoreId = "YOUR_FEATURESTORE_ID";
    boolean useForce = true;
    String location = "us-central1";
    String endpoint = "us-central1-aiplatform.googleapis.com:443";
    int timeout = 60;
    deleteFeaturestoreSample(project, featurestoreId, useForce, location, endpoint, timeout);
  }

  static void deleteFeaturestoreSample(
      String project,
      String featurestoreId,
      boolean useForce,
      String location,
      String endpoint,
      int timeout)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {

    FeaturestoreServiceSettings featurestoreServiceSettings =
        FeaturestoreServiceSettings.newBuilder().setEndpoint(endpoint).build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (FeaturestoreServiceClient featurestoreServiceClient =
        FeaturestoreServiceClient.create(featurestoreServiceSettings)) {

      DeleteFeaturestoreRequest deleteFeaturestoreRequest =
          DeleteFeaturestoreRequest.newBuilder()
              .setName(FeaturestoreName.of(project, location, featurestoreId).toString())
              .setForce(useForce)
              .build();

      OperationFuture<Empty, DeleteOperationMetadata> operationFuture =
          featurestoreServiceClient.deleteFeaturestoreAsync(deleteFeaturestoreRequest);
      System.out.format("Operation name: %s%n", operationFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      operationFuture.get(timeout, TimeUnit.SECONDS);

      System.out.format("Deleted Featurestore.");
    }
  }
}

Node.js

Per eseguire l'autenticazione in Vertex AI, configura le Credenziali predefinite dell'applicazione. Per saperne di più, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
 * (Not necessary if passing values as arguments)
 */

// const project = 'YOUR_PROJECT_ID';
// const featurestoreId = 'YOUR_FEATURESTORE_ID';
// const force = <BOOLEAN>;
// const location = 'YOUR_PROJECT_LOCATION';
// const apiEndpoint = 'YOUR_API_ENDPOINT';
// const timeout = <TIMEOUT_IN_MILLI_SECONDS>;

// Imports the Google Cloud Featurestore Service Client library
const {FeaturestoreServiceClient} = require('@google-cloud/aiplatform').v1;

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: apiEndpoint,
};

// Instantiates a client
const featurestoreServiceClient = new FeaturestoreServiceClient(
  clientOptions
);

async function deleteFeaturestore() {
  // Configure the name resource
  const name = `projects/${project}/locations/${location}/featurestores/${featurestoreId}`;

  const request = {
    name: name,
    force: Boolean(force),
  };

  // Delete Featurestore request
  const [operation] = await featurestoreServiceClient.deleteFeaturestore(
    request,
    {timeout: Number(timeout)}
  );
  const [response] = await operation.promise();

  console.log('Delete featurestore response');
  console.log('Raw response:');
  console.log(JSON.stringify(response, null, 2));
}
deleteFeaturestore();

Passaggi successivi

Scopri come gestire i tipi di entità e le funzionalità.
Risolvi i problemi comuni di Vertex AI Feature Store (legacy).

La documentazione di Vertex AI non viene più aggiornata

Gestione dei featurestore Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Archiviazione online e offline

Nodi di erogazione online

Testare il rendimento dei nodi di erogazione online

Opzioni di scalabilità

Considerazioni aggiuntive per la scalabilità automatica

Disattivare l'erogazione online nell'archivio di caratteristiche

Creare un archivio di caratteristiche

UI web

Terraform

REST

curl

PowerShell

Python

Java

Node.js

Crea un feature store che utilizza una chiave CMEK

UI web

REST

curl

PowerShell

Elenco dei featurestore

UI web

REST

curl

PowerShell

Java

Node.js

Linguaggi aggiuntivi

Visualizza i dettagli del featurestore

UI web

REST

curl

PowerShell

Java

Node.js

Linguaggi aggiuntivi

Aggiornare un featurestore

UI web

REST

curl

PowerShell

Java

Node.js

Linguaggi aggiuntivi

Eliminare un featurestore

UI web

REST

curl

PowerShell

Python

Java

Node.js

Passaggi successivi

Gestione dei featurestore