Alur kerja machine learning (ML) mencakup langkah-langkah untuk menyiapkan dan menganalisis data, melatih dan mengevaluasi model, men-deploy model terlatih ke produksi, melacak artefak ML, dan memahami dependensinya, dll. Mengelola langkah-langkah ini secara ad-hoc dapat sulit dan memakan waktu.
MLOps adalah praktik penerapan praktik DevOps untuk membantu mengotomatiskan, mengelola, dan mengaudit alur kerja ML. AI Platform Pipelines membantu Anda menerapkan MLOps dengan menyediakan platform tempat Anda dapat mengatur langkah-langkah dalam alur kerja sebagai pipeline. Pipeline ML adalah definisi alur kerja ML yang portabel dan dapat direproduksi.
AI Platform Pipelines memudahkan Anda memulai MLOps dengan menghemat kesulitan dalam menyiapkan Kubeflow Pipelines dengan TensorFlow Extended (TFX). Kubeflow Pipelines adalah platform open source untuk menjalankan, memantau, mengaudit, dan mengelola pipeline ML di Kubernetes. TFX adalah project open source untuk membuat pipeline ML yang mengatur alur kerja ML menyeluruh.
Panduan cara kerja
-
Menyiapkan AI Platform Pipelines
Pelajari cara menyiapkan AI Platform Pipelines.
-
Membuat pipeline ML
Pelajari cara mengatur proses ML sebagai pipeline.
-
Menjalankan pipeline ML
Pelajari cara mengakses dasbor Kubeflow Pipelines dan menjalankan pipeline.
-
Menghubungkan ke AI Platform Pipelines menggunakan Kubeflow Pipelines SDK
Pelajari cara terhubung ke cluster AI Platform Pipelines menggunakan Kubeflow Pipelines SDK.
-
Mengonfigurasi cluster GKE
Konfigurasikan cluster Google Kubernetes Engine untuk memastikan bahwa AI Platform Pipelines memiliki resource komputasi yang memadai dan akses ke resource Google Cloud, seperti Cloud Storage atau BigQuery.