Los flujos de trabajo de aprendizaje automático (AA) incluyen pasos para preparar y analizar datos, entrenar y evaluar modelos, implementar modelos entrenados en la producción, hacer un seguimiento de artefactos de AA y comprender sus dependencias, etc. Puede ser difícil y tedioso administrar estos pasos de manera ad-hoc.
MLOps consiste en aplicar prácticas de DevOps para automatizar, administrar y auditar los flujos de trabajo de AA. AI Platform Pipelines te ayuda a implementar MLOps, ya que brinda una plataforma en la que puedes organizar los pasos del flujo de trabajo como una canalización. Las canalizaciones de AA son definiciones portátiles y reproducibles de los flujos de trabajo de AA.
IA Platform Pipelines facilita la tarea de comenzar a usar MLOps y quita la dificultad de configurar Kubeflow Pipelines con TensorFlow Extended (TFX). Kubeflow Pipelines es una plataforma de código abierto para ejecutar, supervisar, auditar y administrar canalizaciones de AA en Kubernetes. TFX es un proyecto de código abierto para compilar canalizaciones de AA que organizan flujos de trabajo de AA de extremo a extremo.
Descripción general
Primeros pasos
Guías prácticas
-
Configura AI Platform Pipelines
Aprende a configurar AI Platform Pipelines.
-
Crear una canalización de AA
Aprender a organizar el proceso de AA como una canalización
-
Ejecutar una canalización de AA
Aprende a acceder al panel de Kubeflow Pipelines y ejecutar canalizaciones.
-
Conéctate a AI Platform Pipelines mediante el SDK de Kubeflow Pipelines
Aprende a conectarte al clúster de AI Platform Pipelines con el SDK de Kubeflow Pipelines.
-
Configurar el clúster de GKE
Configura el clúster de Google Kubernetes Engine para asegurarte de que AI Platform Pipelines tenga suficientes recursos de procesamiento y acceso a los recursos de Google Cloud, como Cloud Storage o BigQuery.