Einführung in die Featureverwaltung in Vertex AI

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, das Feature-Verwaltungsdienste zum Speichern, Ermitteln, Freigeben und Bereitstellen von ML-Features umfasst, wird als Feature Store bezeichnet. Vertex AI umfasst die folgenden Feature Store-Dienste:

Auf dieser Seite werden die beiden Dienste zur Funktionsverwaltung vorgestellt und verglichen. Außerdem erhalten Sie einen Überblick über ihre Funktionen. Außerdem wird beschrieben, wie Sie einen vorhandenen Feature Store in Vertex AI Feature Store (Legacy) zum neuen Vertex AI Feature Store migrieren.

Vertex AI Feature Store

Vertex AI 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 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 Vertex AI kopieren oder importieren.

Vertex AI Feature Store ist in Dataplex Universal Catalog eingebunden, um Feature-Metadaten zu erfassen. Sie unterstützt auch Einbettungen und ermöglicht die Suche nach Vektorähnlichkeiten für die nächsten Nachbarn.

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 Dataplex Universal Catalog nachverfolgen

Weitere Informationen zu Vertex AI Feature Store finden Sie in der Dokumentation zu Vertex AI Feature Store.

Vertex AI Feature Store (Legacy)

Vertex AI Feature Store (Legacy) bietet ein zentrales Repository zum Speichern, Organisieren und Bereitstellen von ML-Featuredaten. Dabei wird eine Ressourcenhierarchie bereitgestellt, die sowohl einen Onlinespeicher als auch einen Offlinespeicher in Vertex AI umfasst. Der Onlinespeicher stellt die neuesten Featurewerte für Onlinevorhersagen bereit. Im Offlinespeicher werden Featuredaten (einschließlich Verlaufsdaten) gespeichert und verwaltet, die Sie im Batchverfahren für das Training von ML-Modellen bereitstellen können.

Vertex AI Feature Store (Legacy) ist ein voll funktionsfähiger Dienst zur Feature-Verwaltung, mit dem Sie Folgendes tun können:

  • Importieren Sie Featuredaten per Batch- oder Streamingimport aus einer Datenquelle wie einem Cloud Storage-Bucket oder einer BigQuery-Quelle in den Offlinespeicher.

  • Features für Vorhersagen online bereitstellen.

  • Features für das Training von ML-Modellen oder für Analysen in Batches bereitstellen oder exportieren.

  • IAM-Richtlinien (Identity and Access Management) für EntityType- und Featurestore-Ressourcen festlegen.

  • Feature Store-Ressourcen über die Google Cloud Console verwalten

Vertex AI Feature Store (Legacy) umfasst keine Funktionen für die Verwaltung von Einbettungen oder den Abruf von Vektoren. Wenn Sie Einbettungen in Ihren Featuredaten verwalten müssen, sollten Sie Vector Search in Betracht ziehen. Wenn Sie Vektorähnlichkeitssuchen durchführen müssen, wechseln Sie zu Vertex AI Feature Store. Informationen zur Migration zu Vertex AI Feature Store finden Sie unter Zu Vertex AI Feature Store migrieren.

Weitere Informationen zu Vertex AI Feature Store (Legacy) finden Sie in der Dokumentation zu Vertex AI Feature Store (Legacy).

Zu Vertex AI Feature Store migrieren

Vertex AI Feature Store (Legacy) ist eingestellt. Wenn Sie bereits Vertex AI Feature Store (Legacy) verwenden und Ihr Projekt zu Vertex AI Feature Store migrieren möchten, führen Sie die folgenden Schritte aus. Da sich die Ressourcenhierarchie in Vertex AI Feature Store von der Ressourcenhierarchie in Vertex AI Feature Store (Legacy) unterscheidet, müssen Sie die Ressourcen nach der Migration der Feature-Daten manuell erstellen.

  1. Wenn Ihre Feature-Daten noch nicht in BigQuery verfügbar sind, exportieren Sie sie nach BigQuery und erstellen Sie BigQuery-Tabellen und -Ansichten. Beachten Sie beim Exportieren und Vorbereiten der Daten die Richtlinien zur Datenvorbereitung. Beispiel:

    • Jedes Element entspricht eine Spalte. Entitäts-IDs können in einer separaten Spalte enthalten sein, die Sie als ID-Spalte angeben können.

    • Vertex AI Feature Store hat nicht die Ressourcen EntityType und Entity. Geben Sie die Featurewerte für jede Entität in der Zeile an, die der Entitäts-ID entspricht.

  2. Optional: Registrieren Sie Ihre Feature-Datenquelle, indem Sie Featuregruppen und Features hinzufügen. Weitere Informationen finden Sie unter Featuregruppe erstellen und Feature erstellen.

  3. Richten Sie die Onlinebereitstellung ein. Erstellen Sie dazu Onlinespeicher- und Featureansicht-Instanzen basierend auf den Featuredaten.

Nächste Schritte