In questa architettura di riferimento, scoprirai i casi d'uso, le alternative di progettazione e le considerazioni di progettazione durante il deployment di una pipeline Dataflow per elaborare file di immagini con Cloud Vision e per archiviare i risultati elaborati in BigQuery. Puoi utilizzare i risultati archiviati per l'analisi dei dati su larga scala e per addestrare i modelli predefiniti di BigQuery ML.
Questo documento sull'architettura di riferimento è destinato a data engineer e data scientist.
Architettura
Il seguente diagramma illustra il flusso di sistema per questa architettura di riferimento.
Come mostrato nel diagramma precedente, le informazioni fluiscono come segue:
Acquisizione e attivazione: questa è la prima fase del flusso di sistema in cui le immagini entrano per la prima volta nel sistema. Durante questa fase, si verificano le seguenti azioni:
- I clienti caricano i file immagine in un bucket Cloud Storage.
- Per ogni caricamento di file, Cloud Storage invia automaticamente una notifica di input pubblicando un messaggio in Pub/Sub.
Elaborazione: questa fase segue immediatamente la fase di importazione e attivazione. Per ogni nuova notifica di input, si verificano le seguenti azioni:
- La pipeline Dataflow è in attesa di queste notifiche di input dei file, estrae i metadati dei file dal messaggio Pub/Sub e invia il riferimento al file all'API Vision per l'elaborazione.
- L'API Vision legge l'immagine e crea annotazioni.
- La pipeline Dataflow archivia le annotazioni prodotte dall'API Vision nelle tabelle BigQuery.
Archivia e analizza: questa è la fase finale del flusso. In questa fase, puoi eseguire le seguenti operazioni con i risultati salvati:
- Esegui query sulle tabelle BigQuery e analizza le annotazioni archiviate.
- Utilizza BigQuery ML o Vertex AI per creare modelli ed eseguire previsioni in base alle annotazioni archiviate.
- Esegui un'analisi aggiuntiva nella pipeline Dataflow (non mostrata in questo diagramma).
Prodotti utilizzati
Questa architettura di riferimento utilizza i seguenti prodotti Google Cloud :
Casi d'uso
L'API Vision supporta più funzionalità di elaborazione, tra cui etichettatura delle immagini, rilevamento di volti e punti di riferimento, riconoscimento ottico dei caratteri, tagging dei contenuti espliciti e altro ancora. Ciascuna di queste funzionalità consente diversi casi d'uso applicabili a settori diversi. Questo documento contiene alcuni semplici esempi di ciò che è possibile fare quando si utilizza l'API Vision, ma lo spettro delle possibili applicazioni è molto ampio.
L'API Vision offre anche modelli avanzati di machine learning preaddestrati tramite API REST e RPC. Puoi assegnare etichette alle immagini e classificarle in milioni di categorie predefinite. Ti aiuta a rilevare oggetti, leggere testo stampato e scritto a mano e inserire preziosi metadati nel tuo catalogo di immagini.
Questa architettura non richiede l'addestramento di alcun modello prima di poter essere utilizzata. Se hai bisogno di un modello personalizzato addestrato sui tuoi dati specifici, Vertex AI ti consente di addestrare un modello AutoML o personalizzato per obiettivi di computer vision, come la classificazione delle immagini e il rilevamento degli oggetti. In alternativa, puoi utilizzare Vertex AI Vision per un ambiente di sviluppo di applicazioni end-to-end che ti consente di creare, eseguire il deployment e gestire applicazioni di visione artificiale.
Alternative di progettazione
Anziché archiviare le immagini in un bucket Google Cloud Storage, il processo che le produce può pubblicarle direttamente in un sistema di messaggistica, ad esempio Pub/Sub, e la pipeline Dataflow può inviarle direttamente all'API Vision.
Questa alternativa di progettazione può essere una buona soluzione per i casi d'uso sensibili alla latenza in cui devi analizzare immagini di dimensioni relativamente ridotte. Pub/Sub limita la dimensione massima del messaggio a 10 MB.
Se devi elaborare in batch un numero elevato di immagini, puoi utilizzare un'API
asyncBatchAnnotate
progettata appositamente.
Considerazioni sulla progettazione
Questa sezione descrive le considerazioni di progettazione per questa architettura di riferimento:
Sicurezza, privacy e conformità
Le immagini ricevute da fonti non attendibili possono contenere malware. Poiché l'API Vision non esegue alcuna operazione in base alle immagini che analizza, il malware basato su immagini non influisce sull'API. Se devi eseguire la scansione delle immagini, modifica la pipeline Dataflow per aggiungere un passaggio di scansione. Per ottenere lo stesso risultato, puoi anche utilizzare un abbonamento separato all'argomento Pub/Sub e analizzare le immagini in un processo separato.
Per maggiori informazioni, consulta Automatizzare la scansione antimalware per i file caricati in Cloud Storage.
L'API Vision utilizza
Identity and Access Management (IAM)
per l'autenticazione. Per accedere all'API Vision, il
soggetto di sicurezza deve disporre dell'accesso Cloud Storage > Visualizzatore oggetti Storage
(roles/storage.objectViewer) al bucket che contiene i file che
vuoi analizzare.
Per principi e consigli di sicurezza specifici per i workload di AI e ML, consulta Prospettiva AI e ML: sicurezza nel framework Well-Architected.
Ottimizzazione dei costi
Rispetto alle altre opzioni discusse, come l'elaborazione a bassa latenza e l'elaborazione batch asincrona, questa architettura di riferimento utilizza un modo conveniente per elaborare le immagini nelle pipeline di streaming raggruppando le richieste API. Lo streaming diretto di immagini a latenza inferiore menzionato nella sezione Alternative di progettazione potrebbe essere più costoso a causa dei costi aggiuntivi di Pub/Sub e Dataflow. Per l'elaborazione delle immagini che non deve avvenire entro secondi o minuti, puoi eseguire la pipeline Dataflow in modalità batch. L'esecuzione della pipeline in modalità batch può comportare alcuni risparmi rispetto al costo di esecuzione della pipeline di streaming.
L'API Vision supporta l'annotazione batch asincrona offline delle immagini per tutte le funzionalità. La richiesta asincrona supporta fino a 2000 immagini per batch. In risposta, l'API Vision restituisce file JSON memorizzati in un bucket Cloud Storage.
L'API Vision fornisce anche un insieme di funzionalità per l'analisi delle immagini. Il prezzo è per immagine per funzionalità. Per ridurre i costi, richiedi solo le funzionalità specifiche di cui hai bisogno per la tua soluzione.
Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.
Per principi e suggerimenti di ottimizzazione dei costi specifici per i carichi di lavoro di AI e ML, consulta Prospettiva AI e ML: ottimizzazione dei costi nel framework Well-Architected.
Ottimizzazione delle prestazioni
L'API Vision è un'API che richiede molte risorse. Per questo motivo, l'elaborazione delle immagini su larga scala richiede un'attenta orchestrazione delle chiamate API. La pipeline Dataflow si occupa di raggruppare le richieste API, di gestire correttamente le eccezioni relative al raggiungimento delle quote e di produrre metriche personalizzate dell'utilizzo dell'API. Queste metriche possono aiutarti a decidere se è giustificato un aumento della quota API o se i parametri della pipeline Dataflow devono essere modificati per ridurre la frequenza delle richieste. Per ulteriori informazioni sull'aumento delle richieste di quota per l'API Vision, consulta Quote e limiti.
La pipeline Dataflow ha diversi parametri che possono influire sulle latenze di elaborazione. Per ulteriori informazioni su questi parametri, vedi Deploy an ML vision analytics solution with Dataflow and Vision API.
Per principi e consigli di ottimizzazione delle prestazioni specifici per i carichi di lavoro di AI e ML, consulta Prospettiva AI e ML: ottimizzazione delle prestazioni nel Well-Architected Framework.
Deployment
Per eseguire il deployment di questa architettura, consulta Esegui il deployment di una soluzione di analisi ML Vision con Dataflow e l'API Vision.
Passaggi successivi
- Scopri di più su Dataflow.
- Scopri di più su BigQuery ML.
- Scopri di più sull'affidabilità di BigQuery nella guida Comprendere l'affidabilità di BigQuery.
- Scopri di più sull'archiviazione dei dati nella soluzione rapida: data warehouse con BigQuery.
- Consulta l'elenco delle funzionalità dell'API Vision.
- Scopri come implementare una soluzione di analisi ML Vision con Dataflow e l'API Vision.
- Per una panoramica dei principi e dei consigli architetturali specifici per i workload di AI e ML in Google Cloud, consulta la prospettiva AI e ML nel framework Well-Architected.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora il Cloud Architecture Center.
Collaboratori
Autori:
- Masud Hasan | Site Reliability Engineering Manager
- Sergei Lilichenko | Solutions Architect
- Lakshmanan Sethu | Technical Account Manager
Altri collaboratori:
- Jiyeon Kang | Customer Engineer
- Sunil Kumar Jang Bahadur | Customer Engineer