I flussi di lavoro di machine learning (ML) includono passaggi per preparare e analizzare i dati, addestrare e valutare modelli, eseguire il deployment di modelli addestrati in produzione, monitorare gli artefatti di ML e comprendere le loro dipendenze, ecc. La gestione di questi passaggi in maniera specifica può essere difficile e richiedere molto tempo.
MLOps è la pratica di applicare le pratiche DevOps per aiutare ad automatizzare, gestire e controllare i flussi di lavoro ML. AI Platform Pipelines ti aiuta a implementare le MLOps fornendo una piattaforma in cui puoi orchestrare i passaggi del tuo flusso di lavoro come pipeline. Le pipeline ML sono definizioni portabili e riproducibili di flussi di lavoro ML.
AI Platform Pipelines semplifica l'avvio di MLOps evitando la difficoltà di configurazione di Kubeflow Pipelines con TensorFlow Extended (TFX). Kubeflow Pipelines è una piattaforma open source per l'esecuzione, il monitoraggio, il controllo e la gestione delle pipeline ML su Kubernetes. TFX è un progetto open source per la creazione di pipeline ML che orchestrano i flussi di lavoro ML end-to-end.
Guide illustrative
-
Configurazione di AI Platform Pipelines
Scopri come configurare AI Platform Pipelines.
-
Creazione di una pipeline ML
Scopri come orchestrare il processo di ML come una pipeline.
-
Esecuzione di una pipeline ML
Scopri come accedere alla dashboard Kubeflow Pipelines ed eseguire le pipeline.
-
Connessione ad AI Platform Pipelines utilizzando l'SDK Kubeflow Pipelines
Scopri come connetterti al tuo cluster AI Platform Pipelines utilizzando l'SDK Kubeflow Pipelines.
-
Configurazione del cluster GKE
Configura il tuo cluster Google Kubernetes Engine per assicurarti che AI Platform Pipelines disponga di risorse di calcolo sufficienti e di accesso alle risorse Google Cloud, come Cloud Storage o BigQuery.