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 bisa jadi sulit dan menghabiskan waktu.
MLOps adalah praktik penerapan praktik DevOps untuk membantu mengotomatiskan, mengelola, dan mengaudit alur kerja ML. Pipeline AI Platform membantu Anda mengimplementasikan MLOps dengan menyediakan platform tempat Anda dapat mengorkestrasi langkah-langkah dalam alur kerja Anda sebagai pipeline. Pipeline ML merupakan 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 membangun pipeline ML yang mengorkestrasi alur kerja ML secara menyeluruh.
Panduan cara kerja
-
Menyiapkan Pipeline AI Platform
Pelajari cara menyiapkan AI Platform Pipelines.
-
Membuat pipeline ML
Pelajari cara mengorkestrasi proses ML sebagai pipeline.
-
Menjalankan pipeline ML
Pelajari cara mengakses dasbor Kubeflow Pipelines dan menjalankan pipeline.
-
Terhubung ke AI Platform Pipelines menggunakan Kubeflow Pipelines SDK
Pelajari cara terhubung ke cluster AI Platform Pipelines Anda menggunakan Kubeflow Pipelines SDK.
-
Mengonfigurasi cluster GKE Anda
Konfigurasikan cluster Google Kubernetes Engine Anda untuk memastikan bahwa Pipeline AI Platform memiliki resource komputasi yang memadai dan akses ke resource Google Cloud, seperti Cloud Storage atau BigQuery.