I flussi di lavoro di machine learning (ML) includono passaggi per preparare e analizzare dati, addestrare e valutare modelli, eseguire il deployment di modelli addestrati in produzione, monitorare gli artefatti ML, comprendere le loro dipendenze e così via. Gestire questi passaggi in modo ad hoc può essere difficile e dispendioso in termini di tempo.
MLOps è la pratica di applicare pratiche DevOps per automatizzare, gestire e controllare i flussi di lavoro ML. AI Platform Pipelines ti aiuta a implementare MLOps fornendo una piattaforma in cui puoi orchestrare i passaggi del tuo flusso di lavoro come una pipeline. Le pipeline ML sono definizioni portabili e riproducibili dei flussi di lavoro ML.
AI Platform Pipelines semplifica l'adozione di MLOps risparmiando la difficoltà di configurare 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 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 tuo processo di ML come una pipeline.
-
Esecuzione di una pipeline ML
Scopri come accedere alla dashboard di Kubeflow Pipelines ed eseguire le pipeline.
-
Connessione ad AI Platform Pipelines utilizzando l'SDK Kubeflow Pipelines
Scopri come connetterti al cluster AI Platform Pipelines utilizzando l'SDK Kubeflow Pipelines.
-
Configurazione del cluster GKE
Configura il tuo cluster Google Kubernetes Engine per garantire che AI Platform Pipelines disponga di risorse di calcolo sufficienti e abbia accesso a risorse Google Cloud, come Cloud Storage o BigQuery.