Avec la fonctionnalité d'actualisation automatique du modèle, lorsque le modèle sous-jacent est modifié, votre pipeline est mis à jour pour utiliser le nouveau modèle. Étant donné que la transformation RunInference met automatiquement à jour le gestionnaire de modèles, vous n'avez pas besoin de redéployer le pipeline. Grâce à cette fonctionnalité, vous pouvez mettre à jour votre modèle en temps réel, même pendant que le pipeline Apache Beam est en cours d'exécution.
L'actualisation automatique du modèle propose deux méthodes de mise à jour des modèles de machine learning (ML) : le mode surveillance et le mode événement.
Mode surveillance
Utilisez l'un des modèles Apache Beam fournis, comme la classe WatchFilePattern, pour rechercher le dernier fichier dans votre bucket Cloud Storage.
WatchFilePattern utilise des codes temporels pour correspondre à un file_pattern et émet le dernier ModelMetadata, que RunInference PTransform utilise pour mettre à jour votre modèle de ML.
Pour en savoir plus sur l'utilisation de WatchFilePattern pour actualiser automatiquement les modèles de ML, consultez la page Utiliser WatchFilePattern pour mettre à jour automatiquement les modèles de ML dans RunInference dans la documentation Apache Beam.
Mode événement
Connectez votre pipeline à une source illimitée, telle que Pub/Sub, pour envoyer des événements de mise à jour directement à la transformation, qui lance la mise à jour d'un modèle. Vous configurez une entrée secondaire personnalisée PCollection qui définit la logique de mise à jour du modèle.
Pour suivre un tutoriel qui montre comment mettre à jour votre modèle en production à l'aide d'un PCollection d'entrée secondaire, consultez la page Mettre à jour des modèles de ML dans des pipelines en cours d'exécution.
Étapes suivantes
Apprenez-en plus sur la fonctionnalité d'actualisation automatique du modèle dans la documentation Apache Beam.