ממשקי משתמש ל-Vertex AI Pipelines

מידע נוסף זמין במחברת Learn how to build Python function-based Kubeflow pipeline components (איך ליצור רכיבי צינור Kubeflow מבוססי-פונקציות ב-Python) באחת מהסביבות הבאות:

פתיחה ב-Colab | פתיחה ב-Colab Enterprise | פתיחה ב-Vertex AI Workbench | הצגה ב-GitHub

בדף הזה מפורטים הממשקים שבהם אפשר להשתמש כדי להגדיר ולהריץ צינורות ML ב-Vertex AI Pipelines.

ממשקי משתמש להגדרת צינור עיבוד נתונים

‫Vertex AI Pipelines תומך בצינורות ML שמוגדרים באמצעות Kubeflow Pipelines (KFP) SDK או TensorFlow Extended (TFX) SDK.

‫Kubeflow Pipelines (KFP) SDK

אפשר להשתמש ב-KFP בכל תרחישי השימוש שבהם לא צריך להשתמש ב-TensorFlow Extended כדי לעבד כמויות גדולות של נתונים מובנים או נתוני טקסט. ‫Vertex AI Pipelines תומך ב-KFP SDK מגרסה 2.0 ואילך.

כשמשתמשים ב-KFP SDK, אפשר להגדיר את תהליך העבודה של למידת מכונה על ידי יצירת רכיבים מותאמים אישית וגם על ידי שימוש חוזר ברכיבים מוכנים מראש, כמוGoogle Cloud Pipeline Components Google Cloud .בעזרת Pipeline Components אפשר להשתמש בקלות בשירותי Vertex AI כמו AutoML בצינור עיבוד הנתונים של למידת מכונה. ‫Vertex AI Pipelines תומך ב- Google Cloud Pipeline Components SDK מגרסה 2 ואילך. מידע נוסף עלGoogle Cloud רכיבי צינורות זמין במאמר מבוא ל Google Cloud רכיבי צינורות.

במאמר פיתוח צינור עיבוד נתונים מוסבר איך לפתח צינור עיבוד נתונים באמצעות Kubeflow Pipelines. מידע נוסף על Kubeflow Pipelines זמין במסמכי התיעוד של Kubeflow Pipelines.

‫TensorFlow Extended (TFX) SDK

משתמשים ב-TFX אם משתמשים ב-TensorFlow Extended בתהליך העבודה של למידת המכונה כדי לעבד טרה-בייט של נתונים מובְנים או נתוני טקסט. ‫Vertex AI Pipelines תומך ב-TFX SDK בגרסה 0.30.0 ואילך.

כדי ללמוד איך ליצור צינורות ML באמצעות TFX, אפשר לעיין בקטע מדריכים לתחילת העבודה במדריכים בנושא TensorFlow Extended בסביבת Production.

ממשקים להפעלת צינור עיבוד נתונים

אחרי שמגדירים את צינור עיבוד הנתונים של למידת מכונה, אפשר ליצור הרצה של צינור עיבוד הנתונים של למידת מכונה באמצעות כל אחד מהממשקים הבאים:

• API ל-REST

• לקוחות SDK

• מסוףGoogle Cloud

הערה: ‏ Vertex AI Pipelines לא תומך בממשק של ה-CLI של gcloud.

מידע נוסף על הממשקים שבהם אפשר להשתמש כדי ליצור אינטראקציה עם Vertex AI זמין במאמר ממשקים ל-Vertex AI.

API ל-REST

כדי ליצור הפעלה של צינור עיבוד נתונים באמצעות REST, משתמשים ב-Pipelines service API. ה-API הזה משתמש במשאב REST‏ projects.locations.pipelineJobs.

הערה: שינויים שעלולים לשבור את התאימות לאחור ב-API של שירות Pipelines מפורסמים כהשקות של גרסאות טרום-השקה. אפשר לבדוק את השינויים שפורסמו בתצוגה מקדימה. מידע נוסף זמין במאמרי העזרה של ה-API‏ projects.locations.pipelineJobs (v1beta1). מידע נוסף על שלב ההשקה של התצוגה המקדימה זמין בקטע תיאורים של שלבי ההשקה.

לקוחות SDK

באמצעות Vertex AI Pipelines אפשר ליצור הפעלות של צינורות עיבוד נתונים באמצעות Vertex AI SDK ל-Python או ספריות לקוח.

‫Vertex AI SDK ל-Python

‫Vertex AI SDK ל-Python‏ (aiplatform) הוא ה-SDK המומלץ לעבודה תוכנתית עם Pipelines API של שירות. מידע נוסף על ה-SDK הזה זמין במאמרי העזרה של ה-API בנושא google.cloud.aiplatform.PipelineJob.

ספריות לקוח

ספריות לקוח הן ערכות SDK של לקוחות API שנוצרות באופן פרוגרמטי (GAPIC). ‫Vertex AI Pipelines תומך בספריות הלקוח הבאות:

• ‫Python (aiplatform v1 ו-v1beta1)

• Java

• Node.js

• Go

מידע נוסף זמין במאמר התקנת ספריות הלקוח של Vertex AI.

מסוףGoogle Cloud (ממשק משתמש גרפי)

Google Cloud מומלץ להשתמש במסוף כדי לבדוק ולעקוב אחרי ההרצות של צינור עיבוד הנתונים. אפשר גם לבצע משימות אחרות באמצעות Google Cloud המסוף, כמו יצירה, מחיקה ושיבוט של הפעלות צינור, גישה לגלריית התבניות ואחזור של תווית החיוב להפעלת צינור.

כניסה ל-Pipelines ב Google Cloud מסוף

המאמרים הבאים

• כדי להתחיל, כדאי ללמוד איך להגדיר צינור עיבוד נתונים באמצעות Kubeflow Pipelines SDK.

• איך מריצים צינורות

• שיטות מומלצות להטמעה של מודלים של ML שעברו אימון בהתאמה אישית ב-Vertex AI