Project, model, versi, dan tugas

Banyak istilah dalam machine learning (ML) memiliki arti yang berbeda dalam konteks yang berbeda. Bagian ini mendefinisikan beberapa istilah yang digunakan dalam dokumentasi ini.

Project, model, versi, dan tugas

Project
Project Anda adalah project Google Cloud Anda. Ini adalah penampung logis untuk model dan tugas yang di-deploy. Setiap project yang Anda gunakan untuk mengembangkan solusi AI Platform Prediction harus mengaktifkan AI Platform Prediction. Akun Google Anda dapat memiliki akses ke beberapa project Google Cloud.
Model
Dalam ML, model mewakili solusi untuk masalah yang ingin Anda selesaikan. Dengan kata lain, ini adalah resep untuk memprediksi nilai dari data. Di AI Platform Prediction, model adalah penampung logis untuk setiap versi solusi tersebut. Misalnya, masalah yang ingin Anda selesaikan adalah memprediksi harga promo rumah berdasarkan kumpulan data tentang penjualan sebelumnya. Anda membuat model di AI Platform Prediction yang disebut housing_prices, dan Anda mencoba beberapa teknik machine learning untuk menyelesaikan masalah. Pada setiap tahap, Anda dapat men-deploy versi model tersebut. Setiap versi dapat sepenuhnya berbeda dari yang lain, tetapi Anda dapat mengaturnya dalam model yang sama jika sesuai dengan alur kerja Anda.
Model yang telah dilatih
Model terlatih mencakup status model komputasi dan setelannya setelah pelatihan.
Model tersimpan
Sebagian besar framework machine learning dapat melakukan serialisasi informasi yang mewakili model terlatih Anda, dan membuat file sebagai model tersimpan, yang dapat Anda deploy untuk prediksi di cloud.
Versi model
Versi model, atau hanya versi, adalah instance solusi machine learning yang disimpan di layanan model AI Platform Prediction. Anda membuat versi dengan meneruskan model terlatih yang diserialisasi (sebagai model tersimpan) ke layanan. Saat membuat versi, Anda juga dapat memberikan kode kustom (beta) untuk menangani prediksi.
Tugas
Anda berinteraksi dengan layanan AI Platform Prediction dengan memulai permintaan dan tugas. Permintaan adalah permintaan API web reguler yang menampilkan respons secepat mungkin. Tugas adalah operasi yang berjalan lama yang diproses secara asinkron. AI Platform Prediction menawarkan tugas pelatihan dan tugas prediksi batch. Anda mengirimkan permintaan untuk memulai tugas dan mendapatkan respons cepat yang memverifikasi status tugas. Kemudian, Anda dapat meminta status secara berkala untuk melacak progres tugas.

Mengemas, melakukan staging, mengekspor, dan men-deploy model

Anda memindahkan model dan data, terutama antara lingkungan lokal dan Cloud Storage, serta antara Cloud Storage dan layanan AI Platform Prediction. Dokumentasi ini menggunakan istilah berikut untuk menunjukkan operasi tertentu dalam proses.

Paket
Anda memaketkan aplikasi pelatihan sehingga layanan pelatihan Prediksi AI Platform dapat menginstalnya di setiap instance pelatihan. Dengan memaketkan aplikasi, Anda membuatnya menjadi paket distribusi Python standar. Saat men-deploy kode kustom untuk prediksi (beta), Anda juga akan memaketkan kode untuk menangani prediksi.
Tahap
Anda menyimpan data paket aplikasi pelatihan di bucket Cloud Storage yang dapat diakses project Anda. Hal ini memungkinkan layanan pelatihan mengakses paket dan menyalinnya ke semua instance pelatihan. Anda juga akan melakukan staging model tersimpan yang dilatih di tempat lain dalam bucket Cloud Storage yang dapat diakses oleh project Anda. Hal ini memungkinkan layanan prediksi online mengakses model dan men-deploy-nya. Jika men-deploy kode kustom untuk prediksi (beta), Anda juga akan melakukan staging paket kode kustom di Cloud Storage agar layanan prediksi online dapat mengaksesnya selama deployment.
Ekspor
Dalam konteks model machine learning, dokumentasi ini menggunakan ekspor untuk merujuk pada proses serialisasi model komputasi dan setelan ke file. Anda menggunakan model dan objek tersimpan untuk diekspor.
Deploy
Anda men-deploy versi model saat membuat resource versi. Anda menentukan model yang diekspor (direktori model tersimpan) dan resource model untuk menetapkan versi, dan AI Platform Prediction menghosting versi tersebut sehingga Anda dapat mengirim prediksi ke versi tersebut. Jika men-deploy kode kustom untuk prediksi (beta), Anda juga menyediakan paket kode kustom selama deployment.

Langkah selanjutnya