Introduzione alla gestione delle funzionalità in Vertex AI

Nel machine learning (ML), le funzionalità sono attributi caratteristici di un'istanza o entità che puoi utilizzare per addestrare modelli o per fare previsioni online. Le funzionalità vengono generate trasformando i dati ML non elaborati in attributi misurabili e condivisibili utilizzando tecniche di feature engineering, generalmente denominate trasformazioni delle funzionalità.

La gestione delle caratteristiche si riferisce al processo di creazione, manutenzione, condivisione e distribuzione delle caratteristiche di ML archiviate in una posizione o un repository centralizzato. La gestione delle funzionalità semplifica il riutilizzo delle funzionalità per addestrare e riaddestrare i modelli, riducendo il ciclo di vita dei deployment di AI e ML.

Un prodotto o servizio che include servizi di gestione delle funzionalità per archiviare, scoprire, condividere e pubblicare funzionalità di ML è chiamato feature store. Vertex AI incorpora i seguenti servizi di feature store:

Questa pagina introduce e confronta i due servizi di gestione delle funzionalità e fornisce una panoramica delle loro funzionalità. Descrive anche come eseguire la migrazione di un feature store esistente in Vertex AI Feature Store (legacy) al nuovo Vertex AI Feature Store.

Vertex AI Feature Store

Vertex AI Feature Store offre un nuovo approccio alla gestione delle caratteristiche consentendoti di gestire ed erogare i dati delle caratteristiche da un'origine dati BigQuery. In questo approccio, Vertex AI Feature Store funge da livello di metadati che fornisce funzionalità di pubblicazione online all'origine dati delle funzionalità in BigQuery e ti consente di pubblicare le funzionalità online in base a questi dati. Non è necessario copiare o importare i dati in un datastore offline separato in Vertex AI.

Vertex AI Feature Store è integrato con Dataplex Universal Catalog per monitorare i metadati delle caratteristiche. Supporta anche gli incorporamenti e consente di eseguire ricerche di somiglianza vettoriale per trovare i vicini più prossimi.

Vertex AI Feature Store è ottimizzato per la pubblicazione a latenza bassissima e ti consente di:

  • Archivia e gestisci i dati delle funzionalità offline in BigQuery, sfruttando le funzionalità di gestione dei dati di BigQuery.

  • Condividi e riutilizza le caratteristiche aggiungendole al registro delle caratteristiche.

  • Pubblica caratteristiche per le previsioni online a bassa latenza utilizzando la pubblicazione online di Bigtable.

  • Monitora i metadati delle funzionalità in Dataplex Universal Catalog.

Per saperne di più su Vertex AI Feature Store, consulta la documentazione di Vertex AI Feature Store.

Vertex AI Feature Store (legacy)

Vertex AI Feature Store (legacy) fornisce un repository centralizzato per archiviare, organizzare e pubblicare i dati delle caratteristiche di ML. Esegue il provisioning di una gerarchia di risorse che incapsula sia un negozio online che un negozio fisico all'interno di Vertex AI. L'archivio online fornisce i valori delle caratteristiche più recenti per le previsioni online. L'archivio offline memorizza e gestisce i dati delle funzionalità (inclusi i dati storici) che puoi utilizzare in batch per l'addestramento dei modelli ML.

Vertex AI Feature Store (legacy) è un servizio di gestione delle funzionalità completamente funzionale che ti consente di:

  • Importa in batch o in streaming i dati delle caratteristiche nell'archivio offline da un'origine dati, ad esempio un bucket Cloud Storage o un'origine BigQuery.

  • Pubblica le funzionalità online per le previsioni.

  • Esegui il servizio batch o esporta le funzionalità per l'addestramento o l'analisi del modello ML.

  • Imposta criteri IAM (Identity and Access Management) sulle risorse EntityType e Featurestore.

  • Gestisci le risorse del feature store dalla console Google Cloud .

Vertex AI Feature Store (legacy) non include la gestione degli incorporamenti o le funzionalità di recupero dei vettori. Se devi gestire gli incorporamenti nei dati delle funzionalità, valuta la possibilità di utilizzare la ricerca vettoriale. Se devi eseguire ricerche di similarità vettoriale, passa a Vertex AI Feature Store. Per informazioni sulla migrazione a Vertex AI Feature Store, consulta Eseguire la migrazione a Vertex AI Feature Store.

Per saperne di più su Vertex AI Feature Store (legacy), consulta la documentazione di Vertex AI Feature Store (legacy).

Esegui la migrazione a Vertex AI Feature Store

Vertex AI Feature Store (legacy) è ritirato. Se sei un utente esistente di Vertex AI Feature Store (legacy) e vuoi eseguire la migrazione del tuo progetto a Vertex AI Feature Store, segui questi passaggi. Tieni presente che poiché la gerarchia delle risorse in Vertex AI Feature Store è diversa da quella in Vertex AI Feature Store (legacy), dovrai creare manualmente le risorse dopo aver eseguito la migrazione dei dati delle caratteristiche.

  1. Se i dati delle funzionalità non sono ancora disponibili in BigQuery, esportali in BigQuery e crea tabelle e viste BigQuery. Segui le linee guida per la preparazione dei dati quando esporti e prepari i dati. Ad esempio:

    • Ogni funzionalità corrisponde a una colonna. Gli ID entità possono essere una colonna separata, che puoi identificare come colonna ID.

    • Vertex AI Feature Store non dispone delle risorse EntityType e Entity. Fornisci i valori delle caratteristiche per ogni entità nella riga corrispondente all'ID entità.

  2. (Facoltativo) Registra l'origine dati delle caratteristiche aggiungendo gruppi di caratteristiche e caratteristiche. Per saperne di più, consulta Creare un gruppo di funzionalità e Creare una funzionalità.

  3. Configura la pubblicazione online creando istanze di archiviazione online e di visualizzazione delle caratteristiche in base ai dati delle caratteristiche.

Passaggi successivi