Pengantar Vertex AI Feature Store (Lama)

Vertex AI Feature Store (Lama) menyediakan repositori terpusat untuk mengatur, menyimpan, dan menyalurkan fitur ML. Dengan menggunakan featurestore pusat, organisasi dapat berbagi, menemukan, dan menggunakan kembali fitur ML secara efisien dalam skala besar, yang dapat meningkatkan kecepatan pengembangan dan deployment aplikasi ML baru.

Vertex AI Feature Store (Lama) adalah solusi terkelola sepenuhnya, yang mengelola dan menskalakan infrastruktur dasar seperti penyimpanan dan resource komputasi. Dengan solusi ini, data scientist dapat berfokus pada logika komputasi fitur, dan tidak perlu mengkhawatirkan tantangan dalam men-deploy fitur ke dalam produksi.

Vertex AI Feature Store (Lama) adalah bagian terintegrasi dari Vertex AI. Anda dapat menggunakan Vertex AI Feature Store (Lama) secara independen atau sebagai bagian dari alur kerja Vertex AI. Misalnya, Anda dapat mengambil data dari Vertex AI Feature Store (Lama) untuk melatih model kustom atau AutoML di Vertex AI.

Vertex AI Feature Store (Lama) adalah pendahulu Vertex AI Feature Store. Untuk mempelajari Vertex AI Feature Store lebih lanjut, lihat dokumentasi Vertex AI Feature Store.

Ringkasan

Gunakan Vertex AI Feature Store (Lama) untuk membuat dan mengelola featurestores, featurestores, dan featurestores. Featurestore adalah container tingkat atas untuk fitur Anda dan nilainya. Saat Anda menyiapkan featurestore, pengguna yang diizinkan dapat menambahkan dan membagikan fitur mereka tanpa dukungan engineering tambahan. Pengguna dapat menentukan fitur, lalu mengimpor (menyerap) nilai fitur dari berbagai sumber data. Pelajari lebih lanjut model data dan resource Vertex AI Feature Store (Lama).

Setiap pengguna yang diizinkan dapat menelusuri dan mengambil nilai dari featurestore. Misalnya, Anda dapat menemukan fitur, lalu melakukan ekspor batch guna mendapatkan data pelatihan untuk pembuatan model ML. Anda juga dapat mengambil nilai fitur secara real time untuk melakukan prediksi online yang cepat.

Manfaat

Sebelum menggunakan Vertex AI Feature Store (Lama), Anda mungkin telah menghitung nilai fitur dan menyimpannya di berbagai lokasi seperti tabel di BigQuery dan sebagai file di Cloud Storage. Selain itu, Anda mungkin telah membuat dan mengelola solusi terpisah untuk penyimpanan dan pemakaian nilai fitur. Sebaliknya, Vertex AI Feature Store (Lama) menyediakan solusi terpadu untuk penyimpanan batch dan online serta penyaluran fitur ML. Bagian berikut menjelaskan manfaat yang disediakan Vertex AI Feature Store (Lama).

Berbagi fitur di seluruh organisasi

Jika memproduksi fitur di featurestore, Anda dapat dengan cepat membagikannya kepada orang lain untuk melatih atau menyalurkan tugas. Tim tidak perlu merekayasa ulang fitur untuk project atau kasus penggunaan yang berbeda. Selain itu, karena Anda dapat mengelola dan menyalurkan fitur dari repositori pusat, Anda dapat menjaga konsistensi di seluruh organisasi dan mengurangi upaya duplikat, terutama untuk fitur bernilai tinggi.

Vertex AI Feature Store (Lama) menyediakan kemampuan penelusuran dan filter sehingga orang lain dapat menemukan dan menggunakan kembali fitur yang ada. Untuk setiap fitur, Anda dapat melihat metadata yang relevan untuk menentukan kualitas dan pola penggunaan fitur tersebut. Misalnya, Anda dapat melihat fraksi entity yang memiliki nilai yang valid untuk suatu fitur (juga dikenal sebagai cakupan fitur) dan distribusi statistik nilai fitur.

Solusi terkelola untuk penyaluran online dalam skala besar

Vertex AI Feature Store (Lama) menyediakan solusi terkelola untuk penyajian fitur online (penyaluran berlatensi rendah), yang penting untuk membuat prediksi online yang tepat waktu. Anda tidak perlu membangun dan mengoperasikan infrastruktur penyaluran data latensi rendah; Vertex AI Feature Store (Lama) melakukannya untuk Anda dan menskalakan sesuai kebutuhan. Anda membuat kode logika untuk menghasilkan fitur, tetapi mengurangi tugas untuk menyalurkan fitur. Semua ini, termasuk pengelolaan, mengurangi hambatan dalam mem-build fitur baru, sehingga data scientist dapat melakukan pekerjaan mereka tanpa perlu mengkhawatirkan deployment.

Memitigasi diferensiasi performa pelatihan dan penayangan

Diferensiasi performa pelatihan dan penayangan terjadi saat distribusi data fitur yang Anda gunakan dalam produksi berbeda dengan distribusi data fitur yang digunakan untuk melatih model Anda. Kecenderungan ini sering kali mengakibatkan perbedaan antara performa model selama pelatihan dan performanya dalam produksi. Contoh berikut menjelaskan cara Vertex AI Feature Store (Lama) dapat mengatasi potensi sumber diferensiasi performa pelatihan dan penayangan:

  • Vertex AI Feature Store (Lama) memastikan bahwa nilai fitur diimpor sekali ke featurestore dan nilai yang sama digunakan kembali untuk pelatihan dan penayangan. Tanpa featurestore, Anda mungkin memiliki jalur kode yang berbeda untuk membuat fitur antara pelatihan dan penyaluran. Jadi, nilai fitur mungkin berbeda antara pelatihan dan penyaluran.
  • Vertex AI Feature Store (Lama) menyediakan pencarian titik waktu guna mengambil data historis untuk pelatihan. Dengan pencarian ini, Anda dapat mengurangi kebocoran data dengan mengambil hanya nilai fitur yang tersedia sebelum prediksi, bukan setelahnya.

Untuk informasi selengkapnya tentang cara mendeteksi diferensiasi performa pelatihan dan penayangan, lihat Melihat anomali nilai fitur.

Mendeteksi penyimpangan

Vertex AI Feature Store (Lama) membantu Anda mendeteksi perubahan signifikan pada distribusi data fitur dari waktu ke waktu, yang juga dikenal sebagai penyimpangan. Vertex AI Feature Store (Legacy) terus melacak distribusi nilai fitur yang diimpor ke featurestore. Seiring peningkatan penyimpangan fitur, Anda mungkin perlu melatih ulang model yang menggunakan fitur yang terpengaruh. Untuk mengetahui informasi lebih lanjut tentang cara mendeteksi penyimpangan, baca Melihat anomali nilai fitur.

Kuota dan batas

Vertex AI Feature Store (Lama) menerapkan kuota dan batas untuk membantu Anda mengelola resource dengan menetapkan batas penggunaan Anda sendiri dan melindungi komunitas pengguna Google Cloud dengan mencegah lonjakan penggunaan yang tidak terduga. Untuk mencegah Anda mencapai batasan tak terencana, tinjau kuota Vertex AI Feature Store (Legacy) di halaman Kuota dan batas. Misalnya, Vertex AI Feature Store (Legacy) menetapkan kuota jumlah node penyaluran online dan kuota pada jumlah permintaan penyaluran online yang dapat Anda buat per menit.

Retensi data

Vertex AI Feature Store (Lama) mempertahankan nilai fitur hingga batas retensi data. Batas ini didasarkan pada stempel waktu yang terkait dengan nilai fitur, bukan saat nilai diimpor. Vertex AI Feature Store (Lama) menjadwalkan penghapusan nilai dengan stempel waktu yang melebihi batas.

Harga

Harga Vertex AI Feature Store (Lama) didasarkan pada beberapa faktor, seperti jumlah data yang Anda simpan dan jumlah node online featurestore yang Anda gunakan. Tagihan akan dimulai tepat setelah Anda membuat featurestore. Untuk mengetahui informasi selengkapnya, lihat Harga Vertex AI Feature Store (Lama).

Langkah selanjutnya