‫Introduction to Vertex AI Feature Store (Legacy)

‫Vertex AI Feature Store (גרסה קודמת) מספק מאגר מרכזי שתוכלו להיעזר בו כדי לארגן, לאחסן ולהציג תכונות של למידת מכונה. שימוש במאגר פיצ'רים מרכזי מאפשר לארגון לשתף, לגלות ולעשות שימוש חוזר בתכונות של למידת מכונה ביעילות ובקנה מידה גדול, וכך להגדיל את קצב ההתקדמות במשפך השיווק של פיתוח ופריסה של אפליקציות חדשות של למידת מכונה.

‫Vertex AI Feature Store (Legacy) הוא פתרון מנוהל במלואו, שמנהל ומרחיב את התשתית הבסיסית, כמו משאבי האחסון והמחשוב. הפתרון הזה מאפשר למדעני נתונים להתמקד בלוגיקה של חישוב התכונות, במקום לדאוג לגבי האתגרים של פריסת התכונות בסביבת הייצור.

‫Vertex AI Feature Store (גרסה קודמת) הוא חלק משולב ב-Vertex AI. אתם יכולים להשתמש ב-Vertex AI Feature Store (גרסה קודמת) באופן עצמאי או כחלק מתהליכי עבודה ב-Vertex AI. לדוגמה, אפשר לאחזר נתונים מ-Vertex AI Feature Store (גרסה קודמת) כדי לאמן מודלים בהתאמה אישית או מודלים של AutoML ב-Vertex AI.

‫Vertex AI Feature Store (Legacy) הוא הגרסה הקודמת של Vertex AI Feature Store. מידע נוסף על Vertex AI Feature Store זמין במסמכי התיעוד של Vertex AI Feature Store.

סקירה כללית

אתם יכולים להשתמש ב-Vertex AI Feature Store (גרסה קודמת) כדי ליצור ולנהל מאגרי תכונות, סוגי ישויות ותכונות. מאגר פיצ'רים הוא מאגר ברמה העליונה של הפיצ'רים והערכים שלהם. כשמגדירים מאגר פיצ'רים, משתמשים עם הרשאה יכולים להוסיף ולשתף את הפיצ'רים שלהם בלי תמיכה הנדסית נוספת. המשתמשים יכולים להגדיר מאפיינים ואז לייבא (להטמיע) ערכים של מאפיינים ממקורות נתונים שונים. מידע נוסף על מודל הנתונים והמשאבים של Vertex AI Feature Store (גרסה קודמת)

כל משתמש שיש לו הרשאה יכול לחפש ולאחזר ערכים ממאגר התכונות. לדוגמה, אתם יכולים למצוא תכונות ואז לבצע ייצוא של קבוצת נתונים כדי לקבל נתוני אימון ליצירת מודל למידת מכונה. אפשר גם לאחזר ערכי מאפיינים בזמן אמת כדי לבצע תחזיות מהירות אונליין.

יתרונות

לפני שמשתמשים ב-Vertex AI Feature Store (גרסה קודמת), יכול להיות שחישבתם ערכי תכונות ושמרתם אותם במיקומים שונים, כמו טבלאות ב-BigQuery וקבצים ב-Cloud Storage. בנוסף, יכול להיות שיצרתם וניהלתם פתרונות נפרדים לאחסון ולשימוש בערכי התכונות. לעומת זאת, Vertex AI Feature Store (גרסה מדור קודם) מספק פתרון מאוחד לאחסון של נתונים בכמויות גדולות ולאחסון אונליין, וגם להצגת תכונות של למידת מכונה. בקטעים הבאים מפורטים היתרונות של Vertex AI Feature Store (גרסה קודמת).

שיתוף תכונות בכל הארגון

אם אתם יוצרים תכונות במאגר פיצ'רים, אתם יכולים לשתף אותן במהירות עם משתמשים אחרים למטרות אימון או הגשה. הצוותים לא צריכים לתכנן מחדש תכונות עבור פרויקטים שונים או תרחישי שימוש שונים. בנוסף, מכיוון שאפשר לנהל ולהציג תכונות ממאגר מרכזי, אפשר לשמור על עקביות בכל הארגון ולצמצם כפילויות, במיוחד כשמדובר בתכונות בעלות ערך גבוה.

‫Vertex AI Feature Store (מהדור הקודם) מספק יכולות חיפוש וסינון כדי שאחרים יוכלו לגלות תכונות קיימות ולעשות בהן שימוש חוזר. לכל תכונה, אפשר לראות מטא-נתונים רלוונטיים כדי לקבוע את האיכות ואת דפוסי השימוש של התכונה. לדוגמה, אפשר לראות את החלק היחסי של הישויות שיש להן ערך תקין לתכונה (שנקרא גם כיסוי התכונה) ואת ההתפלגות הסטטיסטית של ערכי התכונה.

פתרון מנוהל למילוי בקשה באופן מיידי בקנה מידה רחב

‫Vertex AI Feature Store (גרסה קודמת) מספק פתרון מנוהל לייצוא מאפיינים אונליין (ייצוא עם השהיה נמוכה), שחיוני לביצוע חיזויים אונליין בזמן. אתם לא צריכים לבנות ולתפעל תשתית להצגת נתונים עם זמן אחזור נמוך. Vertex AI Feature Store (Legacy) עושה את זה בשבילכם ומתרחב לפי הצורך. אתם כותבים את הלוגיקה ליצירת התכונות, אבל מעבירים את המשימה של הצגת התכונות. הניהול הזה כולל הפחתה של החיכוך בתהליך פיתוח התכונות החדשות, ומאפשר למדעני נתונים לבצע את העבודה שלהם בלי לדאוג לפריסה.

הפחתת הטיה בין אימון להצגה

הטיה בין אימון להצגה מתרחשת כשחלוקת נתוני התכונות שבהם אתם משתמשים בסביבת הייצור שונה מחלוקת נתוני התכונות ששימשו לאימון המודל. ההטיה הזו מובילה לעיתים קרובות לחוסר התאמה בין הביצועים של מודל במהלך האימון לבין הביצועים שלו בסביבת הייצור. בדוגמאות הבאות מוסבר איך Vertex AI Feature Store (גרסה קודמת) יכול לטפל במקורות פוטנציאליים של הטיה בין אימון להצגה:

  • ‫Vertex AI Feature Store (גרסה קודמת) מוודא שערך של תכונה מיובא פעם אחת למאגר פיצ'רים, ושהמערכת משתמשת באותו ערך גם לאימון וגם להצגה. בלי מאגר פיצ'רים, יכול להיות שיהיו לכם נתיבי קוד שונים ליצירת תכונות בין שלבי האימון וההצגה. לכן, יכול להיות שערכי התכונות יהיו שונים בשלב האימון ובשלב ההצגה.
  • ‫Vertex AI Feature Store (גרסה קודמת) מספק חיפושים בנקודת זמן מסוימת כדי לאחזר נתונים היסטוריים לצורך אימון. בעזרת בדיקות המידע האלה, אפשר לצמצם את דליפת הנתונים על ידי אחזור רק של ערכי התכונות שהיו זמינים לפני חיזוי ולא אחריו.

מידע נוסף על זיהוי training-serving skew זמין במאמר הצגת אנומליות בערכי התכונות.

זיהוי סחף

‫Vertex AI Feature Store (גרסה קודמת) עוזר לכם לזהות שינויים משמעותיים בהתפלגות נתוני התכונות לאורך זמן, שנקראים גם סחף. ‫Vertex AI Feature Store (Legacy) עוקב באופן רציף אחרי ההפצה של ערכי התכונות שיובאו אל מאגר התכונות. ככל שהסחף של התכונות גדל, יכול להיות שתצטרכו לאמן מחדש מודלים שמשתמשים בתכונות המושפעות. מידע נוסף על זיהוי סחף מופיע במאמר הצגת אנומליות בערכי התכונות.

מכסות ומגבלות

מאגר התכונות של Vertex AI (גרסה קודמת) אוכף מכסות ומגבלות כדי לעזור לכם לנהל את המשאבים על ידי הגדרת מגבלות שימוש משלכם, וכדי להגן על קהילת המשתמשים של Google Cloud על ידי מניעת קפיצות בלתי צפויות בשימוש. כדי שלא תגיעו למגבלות לא מתוכננות, כדאי לעיין במכסות של Vertex AI Feature Store (גרסה קודמת) בדף מכסות ומגבלות. לדוגמה, ב-Vertex AI Feature Store (גרסה קודמת) מוגדרת מכסה על מספר הצמתים של מילוי בקשה באופן מיידי ומכסה על מספר הבקשות למילוי בקשה באופן מיידי שאפשר לשלוח בדקה.

שמירת נתונים

ב-Vertex AI Feature Store (Legacy), ערכי המאפיינים נשמרים עד מגבלת שמירת הנתונים. המגבלה הזו מבוססת על חותמת הזמן שמשויכת לערכי התכונות, ולא על מועד הייבוא של הערכים. ב-Vertex AI Feature Store (גרסה קודמת), המערכת מתזמנת מחיקה של ערכים עם חותמות זמן שחורגים מהמגבלה.

תמחור

התמחור של Vertex AI Feature Store (גרסה קודמת) מבוסס על כמה גורמים, כמו נפח הנתונים שאתם מאחסנים ומספר הצמתים אונליין של מאגר התכונות שבהם אתם משתמשים. החיובים מתחילים מיד אחרי שיוצרים מאגר תכונות. מידע נוסף זמין במאמר בנושא תמחור של Vertex AI Feature Store (גרסה קודמת).

המאמרים הבאים