Project, model, versi, dan tugas

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

Project, model, versi, dan tugas

Project
Project Anda adalah project Google Cloud Anda. Ini adalah container logis untuk model dan tugas yang di-deploy. Setiap project yang Anda gunakan untuk mengembangkan solusi AI Platform Prediction harus telah mengaktifkan AI Platform Prediction. Akun Google Anda dapat memiliki akses ke beberapa project Google Cloud.
Model
Dalam ML, model mewakili solusi untuk masalah yang sedang Anda coba selesaikan. Dengan kata lain, ini adalah resep untuk memprediksi nilai dari data. Dalam AI Platform Prediction, model adalah container logis untuk setiap versi solusi tersebut. Misalnya, masalah yang ingin Anda selesaikan adalah memprediksi harga jual rumah berdasarkan satu set data tentang penjualan sebelumnya. Anda membuat model di AI Platform Prediction yang disebut housing_prices, dan mencoba beberapa teknik machine learning untuk memecahkan masalah tersebut. Di setiap tahap, Anda dapat men-deploy versi model tersebut. Setiap versi dapat sangat berbeda dari yang lain, tetapi Anda dapat mengaturnya dalam model yang sama jika sesuai dengan alur kerja Anda.
Model yang dilatih
Model terlatih mencakup status model komputasi Anda dan setelannya setelah pelatihan.
Model tersimpan
Sebagian besar framework machine learning dapat membuat 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 Prediksi AI Platform. Anda membuat versi dengan meneruskan model terlatih serial (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 biasa 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 mengirim permintaan untuk memulai pekerjaan dan mendapatkan tanggapan cepat yang memverifikasi status pekerjaan. Kemudian Anda dapat meminta status secara berkala untuk melacak kemajuan pekerjaan Anda.

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

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

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

Langkah selanjutnya