Projetos, modelos, versões e jobs

Dependendo do contexto, muitos termos de machine learning (ML) podem ter outros significados. Veja nesta seção a definição de alguns termos segundo o uso nesta documentação.

Projetos, modelos, versões e jobs

Projeto
O projeto é do Google Cloud. Ele é o contêiner lógico para jobs e modelos implantados. Cada projeto que você usa para desenvolver soluções do AI Platform Training precisa ter esse recurso ativado. Além disso, sua Conta do Google pode fazer parte de vários projetos do Google Cloud.
Modelo
No ML, um modelo representa a solução de um problema que você está tentando resolver. Em outras palavras, ele é a solução para a previsão de um valor a partir dos dados. No AI Platform Training, um modelo é um contêiner lógico das versões individuais dessa solução. Por exemplo, vamos supor que você queira prever o preço de venda de casas a partir de um conjunto de dados sobre vendas anteriores. Você cria um modelo no AI Platform Training chamado housing_prices e tenta usar várias técnicas de machine learning para resolver o problema. É possível implantar versões desse modelo em cada etapa. Cada versão pode ser completamente diferente das outras. No entanto, será possível organizá-las no mesmo modelo se isso for adequado ao fluxo de trabalho.
Modelo treinado
Um modelo treinado inclui o estado do modelo computacional e as respectivas configurações após o treinamento.
Modelo salvo
A maioria dos frameworks de machine learning pode serializar as informações que representam seu modelo treinado e criar um arquivo como um modelo salvo que pode ser implantado para previsão na nuvem.
Versão do modelo
Uma versão do modelo, ou apenas versão, é uma instância de uma solução de machine learning armazenada no serviço de modelo do AI Platform Training. Você cria uma versão ao transmitir um modelo treinado serializado como um modelo salvo para o serviço. Ao criar uma versão, também é possível fornecer código personalizado (Beta) para lidar com as previsões.
Job
Você interage com os serviços do AI Platform Training iniciando solicitações e jobs. As solicitações são elementos regulares de APIs da Web que retornam uma resposta o mais rápido possível. Os jobs são operações de longa duração processadas de maneira assíncrona. O AI Platform Training oferece jobs de treinamento e de previsão em lote. Você envia uma solicitação para iniciar o job e recebe uma resposta rápida que verifica o status dele. Depois disso, é possível solicitar o status periodicamente para monitorar o andamento do job.

Como empacotar, preparar, exportar e implantar modelos

Você move os modelos e os dados, principalmente entre o ambiente local e o Cloud Storage, e entre o Cloud Storage e os serviços do AI Platform Training. Nesta documentação, os termos a seguir são usados para indicar operações específicas no processo.

Pacote
Você empacota seu aplicativo de treinamento para que o serviço do AI Platform Training possa instalá-lo em cada instância de treinamento. Ao empacotar o aplicativo, você o transforma em um pacote de distribuição do Python padrão (em inglês). Ao implantar código personalizado para previsões (Beta), ele também é empacotado para o processamento das previsões.
Preparar
Você prepara o pacote do aplicativo de treinamento em um bucket do Cloud Storage que pode ser acessado pelo projeto. Dessa forma, o serviço de treinamento pode acessar o pacote e copiá-lo para todas as respectivas instâncias. O modelo salvo que você treinou também é preparado em um bucket do Cloud Storage que pode ser acessado pelo projeto. Assim, o serviço de predição on-line pode acessar o modelo e implantá-lo. Se você implantar código personalizado para previsões (Beta), o pacote dele também será preparado no Cloud Storage para que o serviço de previsão on-line possa acessá-lo durante a implantação.
Exportar
No contexto de modelos de machine learning, o termo exportar é usado nesta documentação como o processo de serialização do modelo computacional e das configurações para o arquivo. Use os objetos e modelos salvos na exportação.
Implantação
Você implanta uma versão de modelo ao criar um recurso de versão. Você especifica um modelo exportado (um diretório de modelos salvos) e um recurso de modelo aos quais atribuir a versão. O AI Platform Training hospeda a versão para que você envie previsões a ela. Se você implantar código personalizado para previsões (Beta), um pacote dele também será fornecido durante a implantação.

A seguir