Menulis DAG Airflow

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Panduan ini menunjukkan cara menulis directed acyclic graph (DAG) Apache Airflow yang berjalan di lingkungan Cloud Composer.

Karena Apache Airflow tidak menyediakan isolasi tugas dan DAG yang kuat, sebaiknya Anda menggunakan lingkungan produksi dan pengujian terpisah untuk mencegah gangguan DAG. Untuk informasi selengkapnya, lihat Menguji DAG.

Membuat struktur DAG Airflow

DAG Airflow ditentukan dalam file Python dan terdiri dari komponen berikut:

  • Definisi DAG
  • Operator Airflow
  • Hubungan operator

Cuplikan kode berikut menunjukkan contoh setiap komponen di luar konteks.

Definisi DAG

Contoh berikut menunjukkan definisi DAG Alur Kerja:

import datetime

from airflow import models

default_dag_args = {
    # The start_date describes when a DAG is valid / can be run. Set this to a
    # fixed point in time rather than dynamically, since it is evaluated every
    # time a DAG is parsed. See:
    # https://airflow.apache.org/faq.html#what-s-the-deal-with-start-date
    "start_date": datetime.datetime(2018, 1, 1),
}

# Define a DAG (directed acyclic graph) of tasks.
# Any task you create within the context manager is automatically added to the
# DAG object.
with models.DAG(
    "composer_sample_simple_greeting",
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:

Operator dan tugas

Operator Airflow menjelaskan pekerjaan yang akan dilakukan. Tugas tugas adalah instance operator tertentu.

from airflow.operators.bash import BashOperator
from airflow.operators.python import PythonOperator

    def greeting():
        import logging

        logging.info("Hello World!")

    # An instance of an operator is called a task. In this case, the
    # hello_python task calls the "greeting" Python function.
    hello_python = PythonOperator(task_id="hello", python_callable=greeting)

    # Likewise, the goodbye_bash task calls a Bash script.
    goodbye_bash = BashOperator(task_id="bye", bash_command="echo Goodbye.")

Hubungan tugas

Hubungan tugas menjelaskan urutan pekerjaan yang harus diselesaikan.

# Define the order in which the tasks complete by using the >> and <<
# operators. In this example, hello_python executes before goodbye_bash.
hello_python >> goodbye_bash

Contoh alur kerja DAG lengkap di Python

Alur kerja berikut adalah template DAG lengkap yang berfungsi dan terdiri dari dua tugas: tugas hello_python dan tugas goodbye_bash:


import datetime

from airflow import models

from airflow.operators.bash import BashOperator
from airflow.operators.python import PythonOperator



default_dag_args = {
    # The start_date describes when a DAG is valid / can be run. Set this to a
    # fixed point in time rather than dynamically, since it is evaluated every
    # time a DAG is parsed. See:
    # https://airflow.apache.org/faq.html#what-s-the-deal-with-start-date
    "start_date": datetime.datetime(2018, 1, 1),
}

# Define a DAG (directed acyclic graph) of tasks.
# Any task you create within the context manager is automatically added to the
# DAG object.
with models.DAG(
    "composer_sample_simple_greeting",
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    def greeting():
        import logging

        logging.info("Hello World!")

    # An instance of an operator is called a task. In this case, the
    # hello_python task calls the "greeting" Python function.
    hello_python = PythonOperator(task_id="hello", python_callable=greeting)

    # Likewise, the goodbye_bash task calls a Bash script.
    goodbye_bash = BashOperator(task_id="bye", bash_command="echo Goodbye.")

    # Define the order in which the tasks complete by using the >> and <<
    # operators. In this example, hello_python executes before goodbye_bash.
    hello_python >> goodbye_bash

Untuk informasi selengkapnya tentang menentukan DAG Airflow, lihat tutorial Airflow dan konsep Airflow.

Operator Airflow

Contoh berikut menunjukkan beberapa operator Airflow populer. Untuk referensi resmi operator Airflow, lihat Referensi Operator dan Hook dan Indeks penyedia.

BashOperator

Gunakan BashOperator untuk menjalankan program command line.

from airflow.operators import bash

    # Create BigQuery output dataset.
    make_bq_dataset = bash.BashOperator(
        task_id="make_bq_dataset",
        # Executing 'bq' command requires Google Cloud SDK which comes
        # preinstalled in Cloud Composer.
        bash_command=f"bq ls {bq_dataset_name} || bq mk {bq_dataset_name}",
    )

Cloud Composer menjalankan perintah yang disediakan dalam skrip Bash di pekerja Airflow. Pekerja adalah penampung Docker berbasis Debian dan menyertakan beberapa paket.

PythonOperator

Gunakan PythonOperator untuk menjalankan kode Python arbitrer.

Cloud Composer menjalankan kode Python dalam penampung yang menyertakan paket untuk versi image Cloud Composer yang digunakan di lingkungan Anda.

Untuk menginstal paket Python tambahan, lihat Menginstal Dependensi Python.

Operator Google Cloud

Untuk menjalankan tugas yang menggunakan produk Google Cloud, gunakan operator Google Cloud Airflow. Misalnya, operator BigQuery membuat kueri dan memproses data di BigQuery.

Ada banyak lagi operator Airflow untuk Google Cloud dan layanan individual yang disediakan oleh Google Cloud. Lihat Operator Google Cloud untuk mengetahui daftar lengkapnya.

from airflow.providers.google.cloud.operators import bigquery
from airflow.providers.google.cloud.transfers import bigquery_to_gcs

    bq_recent_questions_query = bigquery.BigQueryInsertJobOperator(
        task_id="bq_recent_questions_query",
        configuration={
            "query": {
                "query": RECENT_QUESTIONS_QUERY,
                "useLegacySql": False,
                "destinationTable": {
                    "projectId": project_id,
                    "datasetId": bq_dataset_name,
                    "tableId": bq_recent_questions_table_id,
                },
            }
        },
        location=location,
    )

EmailOperator

Gunakan EmailOperator untuk mengirim email dari DAG. Untuk mengirim email dari lingkungan Cloud Composer, konfigurasi lingkungan Anda untuk menggunakan SendGrid.

from airflow.operators import email

    # Send email confirmation (you will need to set up the email operator
    # See https://cloud.google.com/composer/docs/how-to/managing/creating#notification
    # for more info on configuring the email operator in Cloud Composer)
    email_summary = email.EmailOperator(
        task_id="email_summary",
        to="{{var.value.email}}",
        subject="Sample BigQuery notify data ready",
        html_content="""
        Analyzed Stack Overflow posts data from {min_date} 12AM to {max_date}
        12AM. The most popular question was '{question_title}' with
        {view_count} views. Top 100 questions asked are now available at:
        {export_location}.
        """.format(
            min_date=min_query_date,
            max_date=max_query_date,
            question_title=(
                "{{ ti.xcom_pull(task_ids='bq_read_most_popular', "
                "key='return_value')[0][0] }}"
            ),
            view_count=(
                "{{ ti.xcom_pull(task_ids='bq_read_most_popular', "
                "key='return_value')[0][1] }}"
            ),
            export_location=output_file,
        ),
    )

Notifikasi tentang kegagalan operator

Tetapkan email_on_failure ke True untuk mengirim notifikasi email saat operator dalam DAG gagal. Untuk mengirim notifikasi email dari lingkungan Cloud Composer, Anda harus mengonfigurasi lingkungan untuk menggunakan SendGrid.

from airflow import models

default_dag_args = {
    "start_date": yesterday,
    # Email whenever an Operator in the DAG fails.
    "email": "{{var.value.email}}",
    "email_on_failure": True,
    "email_on_retry": False,
    "retries": 1,
    "retry_delay": datetime.timedelta(minutes=5),
    "project_id": project_id,
}

with models.DAG(
    "composer_sample_bq_notify",
    schedule_interval=datetime.timedelta(weeks=4),
    default_args=default_dag_args,
) as dag:

Panduan alur kerja DAG

  • Tempatkan library Python kustom di arsip ZIP DAG dalam direktori bertingkat. Jangan menempatkan library di tingkat teratas direktori DAG.

    Saat memindai folder dags/, Airflow hanya memeriksa DAG di modul Python yang berada di tingkat atas folder DAG dan di tingkat atas arsip ZIP yang juga terletak di folder dags/ tingkat atas. Jika Airflow menemukan modul Python dalam arsip ZIP yang tidak berisi substring airflow dan DAG, Airflow akan berhenti memproses arsip ZIP. Airflow hanya menampilkan DAG yang ditemukan hingga titik tersebut.

  • Untuk toleransi error, jangan tentukan beberapa objek DAG dalam modul Python yang sama.

  • Jangan gunakan SubDAG. Sebagai gantinya, kelompokkan tugas di dalam DAG.

  • Tempatkan file yang diperlukan pada waktu penguraian DAG ke folder dags/, bukan di folder data/.

  • Terapkan pengujian unit untuk DAG Anda.

  • Uji DAG yang dikembangkan atau diubah seperti yang direkomendasikan dalam petunjuk untuk menguji DAG.

  • Pastikan DAG yang dikembangkan tidak terlalu meningkatkan waktu penguraian DAG.

  • Tugas Airflow dapat gagal karena beberapa alasan. Untuk menghindari kegagalan seluruh DAG yang berjalan, sebaiknya aktifkan percobaan ulang tugas. Menetapkan percobaan ulang maksimum ke 0 berarti tidak ada percobaan ulang yang dilakukan.

    Sebaiknya ganti opsi default_task_retries dengan nilai untuk percobaan ulang tugas selain 0. Selain itu, Anda dapat menetapkan parameter retries di tingkat tugas.

  • Jika Anda ingin menggunakan GPU dalam tugas Airflow, buat cluster GKE terpisah berdasarkan node yang menggunakan mesin dengan GPU. Gunakan GKEStartPodOperator untuk menjalankan tugas Anda.

  • Hindari menjalankan tugas yang menggunakan banyak CPU dan memori di node pool cluster tempat komponen Airflow lainnya (penjadwal, pekerja, server web) berjalan. Sebagai gantinya, gunakan KubernetesPodOperator atau GKEStartPodOperator.

  • Saat men-deploy DAG ke lingkungan, hanya upload file yang benar-benar diperlukan untuk menafsirkan dan mengeksekusi DAG ke folder /dags.

  • Batasi jumlah file DAG di folder /dags.

    Airflow terus mengurai DAG di folder /dags. Mengurai adalah proses yang melakukan loop melalui folder DAG dan jumlah file yang perlu dimuat (dengan dependensinya) akan memengaruhi performa penguraian DAG dan penjadwalan tugas. Sebaiknya gunakan 100 file dengan masing-masing 100 DAG daripada 10.000 file dengan masing-masing 1 DAG karena pengoptimalan tersebut jauh lebih efisien. Pengoptimalan ini adalah keseimbangan antara waktu penguraian dan efisiensi pembuatan serta pengelolaan DAG.

    Anda juga dapat mempertimbangkan, misalnya, untuk men-deploy 10.000 file DAG, Anda dapat membuat 100 file ZIP yang masing-masing berisi 100 file DAG.

    Selain petunjuk di atas, jika Anda memiliki lebih dari 10.000 file DAG, membuat DAG secara terprogram mungkin merupakan opsi yang baik. Misalnya, Anda dapat menerapkan satu file DAG Python yang menghasilkan sejumlah objek DAG (misalnya, 20, 100 objek DAG).

  • Hindari penggunaan operator Airflow yang tidak digunakan lagi. Sebagai gantinya, gunakan alternatif terbarunya.

FAQ untuk menulis DAG

Bagaimana cara meminimalkan pengulangan kode jika saya ingin menjalankan tugas yang sama atau serupa di beberapa DAG?

Sebaiknya tentukan library dan wrapper untuk meminimalkan pengulangan kode.

Bagaimana cara menggunakan kembali kode di antara file DAG?

Masukkan fungsi utilitas Anda di library Python lokal dan impor fungsi tersebut. Anda dapat mereferensikan fungsi dalam DAG apa pun yang terletak di folder dags/ di bucket lingkungan Anda.

Bagaimana cara meminimalkan risiko munculnya definisi yang berbeda?

Misalnya, Anda memiliki dua tim yang ingin menggabungkan data mentah menjadi metrik pendapatan. Tim menulis dua tugas yang sedikit berbeda yang mencapai hal yang sama. Menentukan library untuk menggunakan data pendapatan sehingga pengimplementasi DAG harus mengklarifikasi definisi pendapatan yang digabungkan.

Bagaimana cara menetapkan dependensi antar-DAG?

Hal ini bergantung pada cara Anda ingin menentukan dependensi.

Jika memiliki dua DAG (DAG A dan DAG B) dan ingin DAG B dipicu setelah DAG A, Anda dapat menempatkan TriggerDagRunOperator di akhir DAG A.

Jika DAG B hanya bergantung pada artefak yang dihasilkan DAG A, seperti pesan Pub/Sub, sensor mungkin akan berfungsi lebih baik.

Jika DAG B terintegrasi erat dengan DAG A, Anda mungkin dapat menggabungkan kedua DAG menjadi satu DAG.

Bagaimana cara meneruskan ID run unik ke DAG dan tugasnya?

Misalnya, Anda ingin meneruskan nama cluster dan jalur file Dataproc.

Anda dapat membuat ID unik acak dengan menampilkan str(uuid.uuid4()) dalam PythonOperator. Tindakan ini akan menempatkan ID ke dalam XComs sehingga Anda dapat merujuk ke ID di operator lain melalui kolom template.

Sebelum membuat uuid, pertimbangkan apakah ID khusus DagRun akan lebih bernilai. Anda juga dapat mereferensikan ID ini dalam penggantian Jinja dengan menggunakan makro.

Bagaimana cara memisahkan tugas dalam DAG?

Setiap tugas harus berupa unit pekerjaan idempoten. Oleh karena itu, Anda harus menghindari enkapsulasi alur kerja multi-langkah dalam satu tugas, seperti program kompleks yang berjalan di PythonOperator.

Haruskah saya menentukan beberapa tugas dalam satu DAG untuk menggabungkan data dari beberapa sumber?

Misalnya, Anda memiliki beberapa tabel dengan data mentah dan ingin membuat agregat harian untuk setiap tabel. Tugas-tugas tersebut tidak saling bergantung. Haruskah Anda membuat satu tugas dan DAG untuk setiap tabel atau membuat satu DAG umum?

Jika Anda tidak keberatan jika setiap tugas memiliki properti tingkat DAG yang sama, seperti schedule_interval, sebaiknya tentukan beberapa tugas dalam satu DAG. Atau, untuk meminimalkan pengulangan kode, beberapa DAG dapat dihasilkan dari satu modul Python dengan menempatkannya ke dalam globals() modul.

Bagaimana cara membatasi jumlah tugas serentak yang berjalan di DAG?

Misalnya, Anda ingin menghindari melampaui batas/kuota penggunaan API atau menghindari menjalankan terlalu banyak proses serentak.

Anda dapat menentukan kumpulan Airflow di UI web Airflow dan mengaitkan tugas dengan kumpulan yang ada di DAG.

FAQ untuk menggunakan operator

Haruskah saya menggunakan DockerOperator?

Sebaiknya jangan gunakan DockerOperator, kecuali jika digunakan untuk meluncurkan penampung di penginstalan Docker jarak jauh (bukan dalam cluster lingkungan). Di lingkungan Cloud Composer, operator tidak memiliki akses ke daemon Docker.

Sebagai gantinya, gunakan KubernetesPodOperator atau GKEStartPodOperator. Operator ini meluncurkan pod Kubernetes ke dalam cluster Kubernetes atau GKE. Perhatikan bahwa kami tidak menyarankan untuk meluncurkan pod ke cluster lingkungan, karena hal ini dapat menyebabkan persaingan resource.

Haruskah saya menggunakan SubDagOperator?

Sebaiknya jangan gunakan SubDagOperator.

Gunakan alternatif seperti yang disarankan di Mengelompokkan tugas.

Haruskah saya menjalankan kode Python hanya di PythonOperators untuk memisahkan operator Python sepenuhnya?

Bergantung pada sasaran Anda, Anda memiliki beberapa opsi.

Jika satu-satunya masalah Anda adalah mempertahankan dependensi Python terpisah, Anda dapat menggunakan PythonVirtualenvOperator.

Pertimbangkan untuk menggunakan KubernetesPodOperator. Operator ini memungkinkan Anda menentukan pod Kubernetes dan menjalankan pod di cluster lain.

Bagaimana cara menambahkan paket biner kustom atau non-PyPI?

Anda dapat menginstal paket yang dihosting di repositori paket pribadi.

Bagaimana cara meneruskan argumen secara seragam ke DAG dan tugasnya?

Anda dapat menggunakan dukungan bawaan Airflow untuk template Jinja guna meneruskan argumen yang dapat digunakan di kolom template.

Kapan penggantian template terjadi?

Penggantian template terjadi pada pekerja Airflow tepat sebelum fungsi pre_execute operator dipanggil. Dalam praktiknya, ini berarti template tidak diganti hingga tepat sebelum tugas berjalan.

Bagaimana cara mengetahui argumen operator yang mendukung penggantian template?

Argumen operator yang mendukung penggantian template Jinja2 ditandai secara eksplisit sebagai argumen tersebut.

Cari kolom template_fields dalam definisi Operator, yang berisi daftar nama argumen yang mengalami penggantian template.

Misalnya, lihat BashOperator, yang mendukung pembuatan template untuk argumen bash_command dan env.

Operator Airflow yang tidak digunakan lagi dan dihapus

Operator Airflow yang tercantum dalam tabel berikut tidak digunakan lagi:

  • Hindari penggunaan operator ini di DAG Anda. Sebagai gantinya, gunakan operator pengganti terbaru yang disediakan.

  • Jika operator tercantum sebagai dihapus, berarti operator tersebut sudah tidak tersedia di salah satu build Airflow yang dirilis di Cloud Composer 3.

  • Jika operator tercantum sebagai direncanakan untuk dihapus, operator tersebut tidak digunakan lagi dan akan dihapus dalam build Airflow mendatang.

Operator yang tidak digunakan lagi Status Operator pengganti Penggantian tersedia dari
CreateAutoMLTextTrainingJobOperator Dihapus SupervisedFineTuningTrainOperator composer-3-airflow-2.9.3-build.1
composer-3-airflow-2.9.1-build.8
GKEDeploymentHook Dihapus GKEKubernetesHook Semua versi
GKECustomResourceHook Dihapus GKEKubernetesHook Semua versi
GKEPodHook Dihapus GKEKubernetesHook Semua versi
GKEJobHook Dihapus GKEKubernetesHook Semua versi
GKEPodAsyncHook Dihapus GKEKubernetesAsyncHook Semua versi
SecretsManagerHook Dihapus GoogleCloudSecretManagerHook composer-3-airflow-2.7.3-build.6
BigQueryExecuteQueryOperator Dihapus BigQueryInsertJobOperator Semua versi
BigQueryPatchDatasetOperator Dihapus BigQueryUpdateDatasetOperator Semua versi
DataflowCreateJavaJobOperator Dihapus beam.BeamRunJavaPipelineOperator Semua versi
DataflowCreatePythonJobOperator Dihapus beam.BeamRunPythonPipelineOperator Semua versi
DataprocSubmitPigJobOperator Dihapus DataprocSubmitJobOperator Semua versi
DataprocSubmitHiveJobOperator Dihapus DataprocSubmitJobOperator Semua versi
DataprocSubmitSparkSqlJobOperator Dihapus DataprocSubmitJobOperator Semua versi
DataprocSubmitSparkJobOperator Dihapus DataprocSubmitJobOperator Semua versi
DataprocSubmitHadoopJobOperator Dihapus DataprocSubmitJobOperator Semua versi
DataprocSubmitPySparkJobOperator Dihapus DataprocSubmitJobOperator Semua versi
BigQueryTableExistenceAsyncSensor Dihapus BigQueryTableExistenceSensor Semua versi
BigQueryTableExistencePartitionAsyncSensor Dihapus BigQueryTablePartitionExistenceSensor Semua versi
CloudComposerEnvironmentSensor Dihapus CloudComposerCreateEnvironmentOperator, CloudComposerDeleteEnvironmentOperator, CloudComposerUpdateEnvironmentOperator Semua versi
GCSObjectExistenceAsyncSensor Dihapus GCSObjectExistenceSensor Semua versi
GoogleAnalyticsHook Dihapus GoogleAnalyticsAdminHook Semua versi
GoogleAnalyticsListAccountsOperator Dihapus GoogleAnalyticsAdminListAccountsOperator Semua versi
GoogleAnalyticsGetAdsLinkOperator Dihapus GoogleAnalyticsAdminGetGoogleAdsLinkOperator Semua versi
GoogleAnalyticsRetrieveAdsLinksListOperator Dihapus GoogleAnalyticsAdminListGoogleAdsLinksOperator Semua versi
GoogleAnalyticsDataImportUploadOperator Dihapus GoogleAnalyticsAdminCreateDataStreamOperator Semua versi
GoogleAnalyticsDeletePreviousDataUploadsOperator Dihapus GoogleAnalyticsAdminDeleteDataStreamOperator Semua versi
DataPipelineHook Tidak digunakan lagi, penghapusan direncanakan DataflowHook Akan diumumkan
CreateDataPipelineOperator Tidak digunakan lagi, penghapusan direncanakan DataflowCreatePipelineOperator Akan diumumkan
RunDataPipelineOperator Tidak digunakan lagi, penghapusan direncanakan DataflowRunPipelineOperator Akan diumumkan
AutoMLDatasetLink Tidak digunakan lagi, penghapusan direncanakan TranslationLegacyDatasetLink Akan diumumkan
AutoMLDatasetListLink Tidak digunakan lagi, penghapusan direncanakan TranslationDatasetListLink Akan diumumkan
AutoMLModelLink Tidak digunakan lagi, penghapusan direncanakan TranslationLegacyModelLink Akan diumumkan
AutoMLModelTrainLink Tidak digunakan lagi, penghapusan direncanakan TranslationLegacyModelTrainLink Akan diumumkan
AutoMLModelPredictLink Tidak digunakan lagi, penghapusan direncanakan TranslationLegacyModelPredictLink Akan diumumkan
AutoMLBatchPredictOperator Tidak digunakan lagi, penghapusan direncanakan vertex_ai.batch_prediction_job Akan diumumkan
AutoMLPredictOperator Tidak digunakan lagi, penghapusan direncanakan vertex_aigenerative_model. TextGenerationModelPredictOperator, translate.TranslateTextOperator Akan diumumkan
PromptLanguageModelOperator Tidak digunakan lagi, penghapusan direncanakan TextGenerationModelPredictOperator Akan diumumkan
GenerateTextEmbeddingsOperator Tidak digunakan lagi, penghapusan direncanakan TextEmbeddingModelGetEmbeddingsOperator Akan diumumkan
PromptMultimodalModelOperator Tidak digunakan lagi, penghapusan direncanakan GenerativeModelGenerateContentOperator Akan diumumkan
PromptMultimodalModelWithMediaOperator Tidak digunakan lagi, penghapusan direncanakan GenerativeModelGenerateContentOperator Akan diumumkan
DataflowStartSqlJobOperator Tidak digunakan lagi, penghapusan direncanakan DataflowStartYamlJobOperator Akan diumumkan
LifeSciencesHook Tidak digunakan lagi, penghapusan direncanakan Hook Operator Batch Google Cloud Akan diumumkan
DataprocScaleClusterOperator Tidak digunakan lagi, penghapusan direncanakan DataprocUpdateClusterOperator Akan diumumkan
MLEngineStartBatchPredictionJobOperator Tidak digunakan lagi, penghapusan direncanakan CreateBatchPredictionJobOperator Akan diumumkan
MLEngineManageModelOperator Tidak digunakan lagi, penghapusan direncanakan MLEngineCreateModelOperator, MLEngineGetModelOperator Akan diumumkan
MLEngineGetModelOperator Tidak digunakan lagi, penghapusan direncanakan GetModelOperator Akan diumumkan
MLEngineDeleteModelOperator Tidak digunakan lagi, penghapusan direncanakan DeleteModelOperator Akan diumumkan
MLEngineManageVersionOperator Tidak digunakan lagi, penghapusan direncanakan MLEngineCreateVersion, MLEngineSetDefaultVersion, MLEngineListVersions, MLEngineDeleteVersion Akan diumumkan
MLEngineCreateVersionOperator Tidak digunakan lagi, penghapusan direncanakan Parameter parent_model untuk operator VertexAI Akan diumumkan
MLEngineSetDefaultVersionOperator Tidak digunakan lagi, penghapusan direncanakan SetDefaultVersionOnModelOperator Akan diumumkan
MLEngineListVersionsOperator Tidak digunakan lagi, penghapusan direncanakan ListModelVersionsOperator Akan diumumkan
MLEngineDeleteVersionOperator Tidak digunakan lagi, penghapusan direncanakan DeleteModelVersionOperator Akan diumumkan
MLEngineStartTrainingJobOperator Tidak digunakan lagi, penghapusan direncanakan CreateCustomPythonPackageTrainingJobOperator Akan diumumkan
MLEngineTrainingCancelJobOperator Tidak digunakan lagi, penghapusan direncanakan CancelCustomTrainingJobOperator Akan diumumkan
LifeSciencesRunPipelineOperator Tidak digunakan lagi, penghapusan direncanakan Operator Batch Google Cloud Akan diumumkan
MLEngineCreateModelOperator Tidak digunakan lagi, penghapusan direncanakan operator VertexAI yang sesuai Akan diumumkan

Langkah selanjutnya