Pengantar pengelolaan fitur di Vertex AI

Dalam machine learning (ML), fitur adalah atribut karakteristik dari sebuah instance atau entity yang dapat Anda gunakan untuk melatih model atau membuat prediksi online. Fitur dihasilkan dengan mengubah data ML mentah menjadi atribut yang dapat diukur dan dibagikan menggunakan teknik rekayasa fitur, yang secara umum disebut transformasi fitur.

Pengelolaan fitur mengacu pada proses pembuatan, pemeliharaan, pembagian, dan penyajian fitur ML yang tersimpan di sebuah lokasi atau repositori terpusat. Pengelolaan fitur mempermudah penggunaan ulang fitur untuk melatih dan melatih ulang model, sehingga mengurangi siklus proses deployment AI dan ML.

Produk atau layanan yang mencakup layanan pengelolaan fitur untuk menyimpan, menemukan, membagikan, dan menyajikan fitur ML disebut penyimpanan fitur. Vertex AI menyertakan layanan penyimpanan fitur berikut:

• Vertex AI Feature Store

• Vertex AI Feature Store (Lama) (Tidak digunakan lagi)

Halaman ini memperkenalkan dan membandingkan kedua layanan pengelolaan fitur serta memberikan ringkasan tentang kapabilitasnya. Ada juga penjelasan tentang cara memigrasikan penyimpanan fitur yang sudah ada di Vertex AI Feature Store (Lama) ke Vertex AI Feature Store baru.

Vertex AI Feature Store

Vertex AI Feature Store menawarkan pendekatan baru dalam pengelolaan fitur dengan memungkinkan Anda memelihara dan menyajikan data fitur dari sumber data BigQuery. Dalam pendekatan ini, Vertex AI Feature Store berfungsi sebagai lapisan metadata yang menyediakan kapabilitas penyajian online ke sumber data fitur di BigQuery dan memungkinkan Anda menyajikan fitur secara online berdasarkan data tersebut. Anda tidak perlu menyalin atau mengimpor data ke penyimpanan offline terpisah di Vertex AI.

Vertex AI Feature Store terintegrasi dengan Dataplex Universal Catalog untuk melacak metadata fitur. Solusi ini juga mendukung embedding dan memungkinkan Anda menjalankan penelusuran kemiripan vektor untuk menemukan tetangga terdekat.

Vertex AI Feature Store dioptimalkan untuk penyajian dengan latensi ultra-rendah dan membuat Anda dapat melakukan hal-hal berikut:

• Menyimpan dan memelihara data fitur offline di BigQuery, dengan manfaatkan kapabilitas pengelolaan data BigQuery.

• Membagikan dan menggunakan kembali fitur dengan menambahkannya ke registry fitur.

• Menyajikan fitur untuk prediksi online dengan latensi rendah menggunakan penyajian online Bigtable.

• Melacak metadata fitur di Dataplex Universal Catalog.

Untuk mempelajari Vertex AI Feature Store lebih lanjut, lihat Dokumentasi Vertex AI Feature Store.

Vertex AI Feature Store (Lama)

Vertex AI Feature Store (Lama) sudah tidak digunakan lagi. Mulai 17 Mei 2026, tidak ada fitur baru yang akan ditambahkan dan hanya patch penting yang akan disediakan. Pada 17 Februari 2027, layanan akan dihentikan sepenuhnya dan API tidak akan tersedia lagi.

Untuk mendapatkan dukungan berkelanjutan dan inovasi yang lebih cepat, bermigrasilah ke Vertex AI Feature Store (V2), platform terintegrasi kami untuk pengelolaan fitur machine learning (ML) yang diperkenalkan pada 17 November 2023.

Vertex AI Feature Store (Lama) menyediakan repositori terpusat untuk menyimpan, mengatur, dan menyajikan data fitur ML. Solusi ini menyediakan hierarki resource yang mengenkapsulasi penyimpanan online dan offline di Vertex AI. Penyimpanan online menyajikan nilai fitur terbaru untuk prediksi online. Penyimpanan offline menyimpan dan memelihara data fitur (termasuk data historis) yang dapat Anda sajikan secara massal untuk melatih model ML.

Vertex AI Feature Store (Lama) adalah layanan pengelolaan fitur yang berfungsi penuh yang memungkinkan Anda melakukan hal berikut:

• Mengimpor data fitur sebagai batch atau streaming ke penyimpanan offline dari sumber data, seperti bucket Cloud Storage atau sumber BigQuery.

• Menyajikan fitur secara online untuk prediksi.

• Menyajikan atau mengekspor fitur sebagai batch untuk analisis atau pelatihan model ML.

• Menetapkan kebijakan Identity and Access Management (IAM) pada resource EntityType dan Featurestore.

• Mengelola resource penyimpanan fitur dari konsol Google Cloud .

Vertex AI Feature Store (Lama) tidak mencakup kapabilitas pengelolaan embedding atau pengambilan vektor. Jika Anda perlu mengelola embedding dalam data fitur, pertimbangkan Vector Search. Jika Anda perlu melakukan penelusuran kesamaan vektor, beralihlah ke Vertex AI Feature Store. Untuk mengetahui informasi tentang melakukan migrasi ke Vertex AI Feature Store, lihat Bermigrasi ke Vertex AI Feature Store.

Untuk mempelajari lebih lanjut Vertex AI Feature Store (Lama), lihat Dokumentasi Vertex AI Feature Store (Lama).

Bermigrasi ke Vertex AI Feature Store

Vertex AI Feature Store (Lama) sudah tidak digunakan lagi. Jika Anda sudah menjadi pengguna Vertex AI Feature Store (Lama) dan ingin memigrasikan project ke Vertex AI Feature Store, lakukan langkah-langkah berikut. Perhatikan bahwa karena hierarki resource di Vertex AI Feature Store berbeda dengan hierarki resource di Vertex AI Feature Store (Lama), Anda harus membuat resource secara manual setelah memigrasikan data fitur.

1. Jika data fitur Anda belum tersedia di BigQuery, ekspor data fitur ke BigQuery, lalu buat tabel dan tampilan BigQuery. Ikuti Panduan penyiapan data saat Anda mengekspor dan menyiapkan data. Contoh:

   • Setiap fitur bersesuaian dengan sebuah kolom. ID entity dapat berupa kolom terpisah, yang dapat diidentifikasi sebagai kolom ID.

   • Vertex AI Feature Store tidak memiliki resource EntityType dan Entity. Masukkan nilai fitur untuk setiap entity di baris yang terkait dengan ID entity tersebut.

2. Opsional: Daftarkan sumber data fitur Anda dengan menambahkan grup fitur dan fitur. Untuk informasi selengkapnya, lihat Membuat grup fitur dan Membuat fitur.

3. Siapkan penyajian online dengan membuat instance penyimpanan online dan tampilan fitur berdasarkan data fitur.

Apa langkah selanjutnya?

• Pelajari lebih lanjut Vertex AI Feature Store

• Pelajari lebih lanjut Vertex AI Feature Store (Lama)