Questo documento descrive un esempio di pipeline implementata in Google Cloud che esegue la definizione del modello di propensione. È destinata a data engineer, esperti di machine learning o team di scienza del marketing che creano e implementano modelli di machine learning. Il documento presuppone che tu conosca i concetti di machine learning e che tu abbia dimestichezza con Google Cloud, BigQuery, Vertex AI Pipelines, Python e Jupyter Notebook. Inoltre, presuppone che tu abbia una buona conoscenza di Google Analytics 4 e la funzionalità di esportazione dei dati non elaborati in BigQuery.
La pipeline con cui lavori utilizza i dati di esempio di Google Analytics. La pipeline genera diversi modelli utilizzando BigQuery ML e XGBoost e puoi eseguirla utilizzando Vertex AI Pipelines. Questo documento descrive le procedure di addestramento, valutazione e deployment dei modelli. Descrive inoltre come automatizzare l'intero processo.
Il codice completo della pipeline si trova in un blocco note Jupyter in un repository GitHub.
Che cos'è il modello di propensione?
La definizione del modello di propensione prevede le azioni che un consumatore potrebbe intraprendere. Esempi di i modelli di propensione includono la previsione di quali consumatori sono propensi ad acquistare un di registrarsi a un servizio o persino di abbandonare senza essere un cliente attivo di un brand.
L'output di un modello di propensione è un punteggio compreso tra 0 e 1 per ogni consumatore, in cui questo punteggio rappresenta la probabilità che il consumatore effettui l'azione. Uno. dei fattori chiave che spingono le organizzazioni verso un modello di propensione è la necessità per sfruttare al meglio i dati proprietari. Per i casi d'uso di marketing, i migliori modelli di propensione includono indicatori sia da origini online che offline, come i dati di analisi dei siti e del CRM.
Questa demo utilizza dati di esempio di GA4 in BigQuery. Per nel caso d'uso, potresti prendere in considerazione altri indicatori offline.
In che modo MLOps semplifica le pipeline di ML
La maggior parte dei modelli ML non viene utilizzata in produzione. I risultati del modello generano insight e spesso dopo che i team di data science hanno terminato un modello, il team di software engineering deve includerlo nel codice per la produzione utilizzando un modello di machine learning come Flask o FastAPI. Questo processo spesso richiede che il modello sia creato in un nuovo framework, che i dati devono essere trasformati nuovamente. Questo lavoro può richiedere settimane o mesi, e molti modelli non passano in produzione.
Le operazioni di machine learning (MLOps) sono diventate importanti per ottenere valore dai progetti di ML e MLOps e ora sono un insieme di competenze in evoluzione per le organizzazioni di data science. Per aiutare le organizzazioni a comprendere questo valore, Google Cloud ha pubblicato una guida alle MLOps per professionisti che fornisce una panoramica delle MLOps.
Utilizzando i principi di MLOps e Google Cloud, puoi inviare i modelli a un endpoint utilizzando un processo automatico che rimuove gran parte della complessità del processo manuale. Gli strumenti e la procedura descritti in questo documento discutere di un approccio alla gestione end-to-end della tua pipeline, che ti aiuta mettere i modelli in produzione. Il documento Guida per professionisti citato in precedenza fornisce una soluzione orizzontale e una panoramica di ciò che è possibile utilizzare con MLOps e Google Cloud.
Che cos'è Vertex AI Pipelines?
Vertex AI Pipelines consente di eseguire pipeline ML create utilizzando l'SDK Kubeflow Pipelines o TensorFlow Extended (TFX). Senza Vertex AI, l'esecuzione di uno di questi framework open source su larga scala richiede la configurazione e la gestione dei tuoi cluster Kubernetes. Vertex AI Pipelines risolve questo problema. Poiché si tratta di un servizio gestito, viene eseguito lo scaling up o lo scaling down in base alle esigenze e non richiede manutenzione continua.
Ogni passaggio del processo Vertex AI Pipelines è costituito da un container indipendente che può assumere input o generare output sotto forma di artefatti. Ad esempio, se un passaggio della procedura genera il set di dati, l'output è l'elemento del set di dati. Questo elemento del set di dati può essere utilizzato come input per il passaggio successivo. Poiché ogni componente è un container separato, devi fornire informazioni per ogni componente della pipeline, ad esempio il nome dell'immagine di base e un elenco di eventuali dipendenze.
Il processo di compilazione della pipeline
L'esempio descritto in questo documento utilizza un notebook Jupyter per creare i componenti della pipeline e per compilarli, eseguirli e automatizzarli. Come osservato in precedenza, il blocco note si trova in un repository GitHub.
Puoi eseguire il codice del blocco note utilizzando un Vertex AI Workbench blocchi note gestiti dall'utente, che gestisce l'autenticazione per te. Vertex AI Workbench consente puoi lavorare con i blocchi note per creare macchine, a Git. Vertex AI Workbench include molte altre funzionalità, ma non sono trattate in questo documento.
Al termine dell'esecuzione della pipeline, in Vertex AI Pipelines viene generato un diagramma simile al seguente:
Il diagramma precedente è un grafo diretto aciclico (DAG). La creazione e la revisione del DAG è un passaggio fondamentale per comprendere la pipeline di dati o ML. La chiave dei DAG sono che i componenti scorrono in un'unica direzione (in questo caso, dall'alto verso il basso) e che non si verifichi alcun ciclo, ovvero non si basa sul suo componente figlio. Alcuni componenti possono verificarsi in parallelo, mentre altri hanno dipendenze e quindi si verificano in serie.
La casella di controllo verde in ogni componente indica che il codice è stato eseguito correttamente. Se si sono verificati errori, viene visualizzato un punto esclamativo rosso. Puoi fare clic su ciascun nel diagramma per visualizzare ulteriori dettagli del job.
Il diagramma DAG è incluso in questa sezione del documento per fungere da blueprint per ogni componente creato dalla pipeline. Il seguente elenco fornisce una descrizione di ogni componente.
La pipeline completa esegue i seguenti passaggi, come mostrato nel diagramma DAG:
create-input-view: questo componente crea una visualizzazione BigQuery. Il componente copia l'SQL da un bucket Cloud Storage e lo compila parametri forniti dall'utente. Questa vista BigQuery è set di dati di input che viene utilizzato per tutti i modelli più avanti nella pipeline.build-bqml-logistic: la pipeline utilizza BigQuery ML per per creare un modello di regressione logistica. Al termine, viene creata una nuova è visibile nella console BigQuery. Puoi utilizzare questo oggetto modello per visualizzare il rendimento del modello e in un secondo momento per creare previsioni.evaluate-bqml-logistic: la pipeline utilizza questo componente per creare una curva di precisione/richiamo (logistic_data_pathnel diagramma DAG) per la regressione logistica. Questo artefatto viene archiviato in un bucket Cloud Storage.build-bqml-xgboost: questo componente crea un modello XGBoost utilizzando BigQuery ML. Al termine di questo componente, puoi visualizzare un nuovo oggetto modello (system.Model) nella console BigQuery. Puoi utilizzare questo oggetto per visualizzare le prestazioni del modello e in seguito per creare per le previsioni.evaluate-bqml-xgboost: questo componente crea una curva di precisione-richiamo denominatoxgboost_data_pathper il modello XGBoost. Questo artefatto è archiviato in un bucket Cloud Storage.build-xgb-xgboost: la pipeline crea un modello XGBoost. Questo utilizza Python al posto di BigQuery ML per consentirti diversi approcci alla creazione del modello. Quando questo componente viene completata, archivia un oggetto del modello e le metriche nel bucket Cloud Storage.deploy-xgb: questo componente esegue il deployment del modello XGBoost. Crea che consenta previsioni batch o online. Puoi esplorare l'endpoint nella scheda Modelli della pagina della console Vertex AI. L'endpoint viene scalato automaticamente in base al traffico.build-bqml-automl: la pipeline crea un modello AutoML utilizzando BigQuery ML. Al termine di questo componente, nella console BigQuery è visibile un nuovo oggetto modello. Puoi utilizzare questo oggetto per visualizzare il rendimento del modello e successivamente per elaborare le previsioni.evaluate-bqml-automl: la pipeline crea una curva di precisione-richiamo per il modello AutoML. L'artefatto è archiviato in nel bucket Cloud Storage.
Tieni presente che il processo non spinge i modelli BigQuery ML a un endpoint. Questo perché puoi generare le previsioni direttamente dall'oggetto modello in BigQuery. Se decidi tra utilizzare BigQuery ML e l'utilizzo di altre librerie per la tua soluzione, considera come generare le previsioni. Se una previsione batch giornaliera soddisfa le tue esigenze, rimanere nell'ambiente BigQuery può semplificare il tuo flusso di lavoro. Tuttavia, se hai bisogno di previsioni in tempo reale o se il tuo scenario richiede funzionalità presenti in un'altra libreria, segui i passaggi descritti in questo documento per inviare il modello salvato a un endpoint.
Costi
In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:
Per generare una stima dei costi basata sull'utilizzo previsto,
utilizza il Calcolatore prezzi.
Prima di iniziare
- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
Il blocco note Jupyter per questo scenario
Le attività per la creazione e la compilazione della pipeline sono integrate in un notebook Jupyter che si trova in un repository GitHub.
Per eseguire le attività, recupera il blocco note ed esegui le celle di codice il blocco note in ordine. Il flusso descritto in questo documento presuppone che tu stia eseguendo i blocchi note in Vertex AI Workbench.
Apri l'ambiente Vertex AI Workbench
Per iniziare, clona il repository GitHub in un ambiente Vertex AI Workbench.
- Nella console Google Cloud, seleziona il progetto in cui vuoi per creare il blocco note.
Vai alla pagina Vertex AI Workbench.
Nella scheda Blocchi note gestiti dall'utente, fai clic su Nuovo blocco note.
Scegli un blocco note Python 3 nell'elenco dei tipi di blocco note.
Nella finestra di dialogo Nuovo blocco note, fai clic su Opzioni avanzate, quindi In Tipo di macchina, seleziona il tipo di macchina che vuoi utilizzare. In caso di dubbi, scegli n1-standard-1 (1 cVPU, 3,75 GB di RAM).
Fai clic su Crea.
La creazione dell'ambiente del blocco note richiede alcuni istanti.
Dopo aver creato il blocco note, selezionalo e fai clic su Apri JupyterLab.
L'ambiente JupyterLab si aprirà nel browser.
Per aprire una scheda Terminale, seleziona File > Nuovo > Avvio app.
Fai clic sull'icona Terminale nella scheda Avvio app.
Nel terminale, clona
mlops-on-gcpRepository GitHub:git clone https://github.com/GoogleCloudPlatform/cloud-for-marketing/
Al termine del comando, vedrai la cartella
cloud-for-marketingnell' browser di file.
Configura le impostazioni dei blocchi note
Prima di eseguire il blocco note, devi configurarlo. Il blocco note richiede del bucket Cloud Storage per archiviare gli artefatti della pipeline, la creazione del bucket.
- Crea un bucket Cloud Storage in cui il notebook può archiviare gli artefatti della pipeline. Il nome del bucket deve essere univoco a livello globale.
- Nella
cloud-for-marketing/marketing-analytics/predicting/kfp_pipeline/cartella, apri il notebookPropensity_Pipeline.ipynb. - Nel notebook, imposta il valore della variabile
PROJECT_IDsull'ID del progetto Google Cloud in cui vuoi eseguire la pipeline. - Imposta il valore della variabile
BUCKET_NAMEsul nome del bucket appena creato.
La parte rimanente di questo documento descrive gli snippet di codice importanti per comprendere il funzionamento della pipeline. Per l'implementazione completa, consulta il repository GitHub.
Crea la vista BigQuery
Il primo passaggio nella pipeline genera i dati di input, che verranno utilizzati per creare ciascun modello. Questo componente di Vertex AI Pipelines genera vista BigQuery. Per semplificare il processo di creazione della vista, SQL è già stato generato e salvato in un file di testo in GitHub.
Il codice per ogni componente inizia con la decorazione (modificando una classe principale o
mediante attributi) la classe dei componenti Vertex AI Pipelines. Il codice
definisce poi la funzione create_input_view, che è un passaggio della pipeline.
La funzione richiede diversi input. Alcuni di questi valori sono attualmente codificati nel codice, ad esempio la data di inizio e la data di fine. Quando automatizza
nella tua pipeline, puoi modificare il codice in modo da utilizzare valori adatti (ad esempio,
utilizzando
CURRENT_DATE
funzione per una data) oppure aggiornare il componente in modo che assuma questi valori come
invece di mantenerli hard-coded. Devi modificare anche il valore
di ga_data_ref al nome della tabella GA4 e imposta il valore del valore
conversion alla conversione. (Questo esempio utilizza il GA4 pubblico
dati di esempio).
La seguente voce mostra il codice del componente create-input-view.
@component( # this component builds a BigQuery view, which will be the underlying source for model packages_to_install=["google-cloud-bigquery", "google-cloud-storage"], base_image="python:3.9", output_component_file="output_component/create_input_view.yaml", ) def create_input_view(view_name: str, data_set_id: str, project_id: str, bucket_name: str, blob_path: str ): from google.cloud import bigquery from google.cloud import storage client = bigquery.Client(project=project_id) dataset = client.dataset(data_set_id) table_ref = dataset.table(view_name) ga_data_ref = 'bigquery-public-data.google_analytics_sample.ga_sessions_*' conversion = "hits.page.pageTitle like '%Shopping Cart%'" start_date = '20170101' end_date = '20170131' def get_sql(bucket_name, blob_path): from google.cloud import storage storage_client = storage.Client() bucket = storage_client.get_bucket(bucket_name) blob = bucket.get_blob(blob_path) content = blob.download_as_string() return content def if_tbl_exists(client, table_ref): ... else: content = get_sql() content = str(content, 'utf-8') create_base_feature_set_query = content. format(start_date = start_date, end_date = end_date, ga_data_ref = ga_data_ref, conversion = conversion) shared_dataset_ref = client.dataset(data_set_id) base_feature_set_view_ref = shared_dataset_ref.table(view_name) base_feature_set_view = bigquery.Table(base_feature_set_view_ref) base_feature_set_view.view_query = create_base_feature_set_query.format(project_id) base_feature_set_view = client.create_table(base_feature_set_view)
Creare il modello di ML di BigQuery
Dopo aver creato la vista, esegui il componente denominato build_bqml_logistic per
creare un modello BigQuery ML. Questo blocco del blocco note è un nucleo
di strumento di authoring. Utilizza la vista di addestramento creata nel primo blocco per
costruire un modello BigQuery ML. In questo esempio, il notebook utilizza la regressione logistica.
Per informazioni sui tipi di modello e sugli iperparametri disponibili, consulta documentazione di riferimento di BigQuery ML.
La seguente voce mostra il codice di questo componente.
@component( # this component builds a logistic regression with BigQuery ML packages_to_install=["google-cloud-bigquery"], base_image="python:3.9", output_component_file="output_component/create_bqml_model_logistic.yaml" ) def build_bqml_logistic(project_id: str, data_set_id: str, model_name: str, training_view: str ): from google.cloud import bigquery client = bigquery.Client(project=project_id) model_name = f"{project_id}.{data_set_id}.{model_name}" training_set = f"{project_id}.{data_set_id}.{training_view}" build_model_query_bqml_logistic = ''' CREATE OR REPLACE MODEL `{model_name}` OPTIONS(model_type='logistic_reg' , INPUT_LABEL_COLS = ['label'] , L1_REG = 1 , DATA_SPLIT_METHOD = 'RANDOM' , DATA_SPLIT_EVAL_FRACTION = 0.20 ) AS SELECT * EXCEPT (fullVisitorId, label), CASE WHEN label is null then 0 ELSE label end as label FROM `{training_set}` '''.format(model_name = model_name, training_set = training_set) job_config = bigquery.QueryJobConfig() client.query(build_model_query_bqml_logistic, job_config=job_config)
Utilizza XGBoost anziché BigQuery ML
Il componente illustrato nella sezione precedente utilizza in BigQuery ML. La sezione successiva dei blocchi note mostra come usare direttamente XGBoost in Python invece di BigQuery ML.
Esegui il componente denominato build_bqml_xgboost per eseguire un
modello di classificazione XGBoost standard con una ricerca in rete. Il codice viene quindi salvato
il modello come artefatto nel bucket Cloud Storage che hai creato.
La funzione supporta parametri aggiuntivi (metrics e model) per l'output
artifacts; sono richiesti da Vertex AI Pipelines.
@component( # this component builds an xgboost classifier with xgboost packages_to_install=["google-cloud-bigquery", "xgboost", "pandas", "sklearn", "joblib", "pyarrow"], base_image="python:3.9", output_component_file="output_component/create_xgb_model_xgboost.yaml" ) def build_xgb_xgboost(project_id: str, data_set_id: str, training_view: str, metrics: Output[Metrics], model: Output[Model] ): ... data_set = f"{project_id}.{data_set_id}.{training_view}" build_df_for_xgboost = ''' SELECT * FROM `{data_set}` '''.format(data_set = data_set) ... xgb_model = XGBClassifier(n_estimators=50, objective='binary:hinge', silent=True, nthread=1, eval_metric="auc") random_search = RandomizedSearchCV(xgb_model, param_distributions=params, n_iter=param_comb, scoring='precision', n_jobs=4, cv=skf.split(X_train,y_train), verbose=3, random_state=1001 ) random_search.fit(X_train, y_train) xgb_model_best = random_search.best_estimator_ predictions = xgb_model_best.predict(X_test) score = accuracy_score(y_test, predictions) auc = roc_auc_score(y_test, predictions) precision_recall = precision_recall_curve(y_test, predictions) metrics.log_metric("accuracy",(score * 100.0)) metrics.log_metric("framework", "xgboost") metrics.log_metric("dataset_size", len(df)) metrics.log_metric("AUC", auc) dump(xgb_model_best, model.path + ".joblib")
Creare un endpoint
Esegui il componente denominato deploy_xgb per creare un endpoint utilizzando il
modello XGBoost della sezione precedente. Il componente prende l'elemento precedente
del modello XGBoost, crea un contenitore e poi esegue il deployment dell'endpoint, fornendo anche l'URL dell'endpoint come elemento in modo da poterlo visualizzare. Al termine di questo passaggio, viene creato un endpoint Vertex AI che puoi visualizzare nella pagina della console di Vertex AI.
@component( # Deploys xgboost model packages_to_install=["google-cloud-aiplatform", "joblib", "sklearn", "xgboost"], base_image="python:3.9", output_component_file="output_component/xgboost_deploy_component.yaml", ) def deploy_xgb( model: Input[Model], project_id: str, vertex_endpoint: Output[Artifact], vertex_model: Output[Model] ): from google.cloud import aiplatform aiplatform.init(project=project_id) deployed_model = aiplatform.Model.upload( display_name="tai-propensity-test-pipeline", artifact_uri = model.uri.replace("model", ""), serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/xgboost-cpu.1-4:latest" ) endpoint = deployed_model.deploy(machine_type="n1-standard-4") # Save data to the output params vertex_endpoint.uri = endpoint.resource_name vertex_model.uri = deployed_model.resource_name
Definisci la pipeline
Per definire la pipeline, definisci ogni operazione in base ai componenti che hai creato in precedenza. Puoi quindi specificare l'ordine degli elementi della pipeline se non vengono richiamate esplicitamente nel componente.
Ad esempio, il seguente codice nel blocco note definisce una pipeline. In questo
caso, il codice richiede l'esecuzione del componente build_bqml_logistic_op dopo il componente
create_input_view_op.
@dsl.pipeline( # Default pipeline root. You can override it when submitting the pipeline. pipeline_root=PIPELINE_ROOT, # A name for the pipeline. name="pipeline-test", description='Propensity BigQuery ML Test' ) def pipeline(): create_input_view_op = create_input_view( view_name = VIEW_NAME, data_set_id = DATA_SET_ID, project_id = PROJECT_ID, bucket_name = BUCKET_NAME, blob_path = BLOB_PATH ) build_bqml_logistic_op = build_bqml_logistic( project_id = PROJECT_ID, data_set_id = DATA_SET_ID, model_name = 'bqml_logistic_model', training_view = VIEW_NAME ) # several components have been deleted for brevity build_bqml_logistic_op.after(create_input_view_op) build_bqml_xgboost_op.after(create_input_view_op) build_bqml_automl_op.after(create_input_view_op) build_xgb_xgboost_op.after(create_input_view_op) evaluate_bqml_logistic_op.after(build_bqml_logistic_op) evaluate_bqml_xgboost_op.after(build_bqml_xgboost_op) evaluate_bqml_automl_op.after(build_bqml_automl_op)
Compila ed esegui la pipeline
Ora puoi compilare ed eseguire la pipeline.
Il seguente codice nel notebook imposta il valore enable_caching su true per attivare la memorizzazione nella cache. Quando la memorizzazione nella cache è abilitata, qualsiasi esecuzione precedente in cui
completato correttamente non verrà eseguito di nuovo. Questo flag è utile
soprattutto quando si testa la pipeline, perché quando è abilitata la memorizzazione nella cache,
l'esecuzione viene completata più rapidamente e utilizza meno risorse.
compiler.Compiler().compile( pipeline_func=pipeline, package_path="pipeline.json" ) TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S") run = pipeline_jobs.PipelineJob( display_name="test-pipeine", template_path="pipeline.json", job_id="test-{0}".format(TIMESTAMP), enable_caching=True ) run.run()
Automatizzare la pipeline
In questa fase hai avviato la prima pipeline. Puoi controllare Vertex AI Pipelines nella console per vedere lo stato di questo job. Puoi osservare la creazione e l'esecuzione di ciascun container. Puoi anche monitorare gli errori relativi a componenti specifici in questa sezione facendo clic su ciascuno.
Per pianificare la pipeline, crea una funzione Cloud Run e utilizza un scheduler simile a un cron job.
Il codice nell'ultima sezione del blocco note pianifica l'esecuzione della pipeline una volta un giorno, come mostrato nel seguente snippet di codice:
from kfp.v2.google.client import AIPlatformClient api_client = AIPlatformClient(project_id=PROJECT_ID, region='us-central1' ) api_client.create_schedule_from_job_spec( job_spec_path='pipeline.json', schedule='0 * * * *', enable_caching=False )
Usa la pipeline completa in produzione
La pipeline completata ha eseguito le seguenti attività:
- È stato creato un set di dati di input.
- Ho addestrato diversi modelli utilizzando sia BigQuery ML sia XGBoost di Python.
- Risultati del modello analizzato.
- Deployment del modello XGBoost.
Hai anche automatizzato la pipeline utilizzando le funzioni Cloud Run e Cloud Scheduler per l'esecuzione giornaliera.
La pipeline definita nel notebook è stata creata per illustrare i modi per creare vari modelli. Non eseguiresti la pipeline poiché è attualmente creata uno scenario di produzione. Tuttavia, puoi utilizzare questa pipeline come guida e modificare i componenti in base alle tue esigenze. Ad esempio, puoi modificare di creazione di caratteristiche al fine di sfruttare i dati, modificare gli intervalli di date e magari per creare modelli alternativi. Dovresti anche scegliere il modello tra quelli illustrati che soddisfa meglio i tuoi requisiti di produzione.
Quando la pipeline è pronta per la produzione, puoi implementare altre attività. Ad esempio, potresti implementare un modello campione/challenger, in cui ogni giorno in cui viene creato un nuovo modello e sia il nuovo modello (lo challenger) quella esistente (il campione) viene valutata in base a nuovi dati. Il nuovo modello viene messo in produzione solo se il suo rendimento è migliore rispetto a quello del modello attuale. Per monitorare l'avanzamento del sistema, puoi anche tenere traccia delle prestazioni del modello di ogni giorno e visualizzare le tendenze.
Esegui la pulizia
- In the Google Cloud console, go to the Manage resources page.
- In the project list, select the project that you want to delete, and then click Delete.
- In the dialog, type the project ID, and then click Shut down to delete the project.
Passaggi successivi
- Per scoprire come utilizzare MLOps per creare sistemi ML pronti per la produzione, consulta la Guida alle MLOps per professionisti.
- Per saperne di più su Vertex AI, consulta Documentazione di Vertex AI.
- Per scoprire di più su Kubeflow Pipelines, consulta la documentazione di KFP.
- Per informazioni su TensorFlow Extended, consulta la Guida utente di TFX.
- Per altre architetture di riferimento, diagrammi e best practice, visita il Centro architetture di Google Cloud.
Collaboratori
Autore: Tai Conley | Cloud Customer Engineer
Altro collaboratore: Lars Ahlfors | Cloud Customer Engineer