Vertex AI Feature Store (legacy) fornisce un repository centralizzato per l'organizzazione, l'archiviazione e la gestione di caratteristiche ML. L'utilizzo di un archivio di caratteristiche centrale consente a un'organizzazione di condividere, scoprire e riutilizzare in modo efficiente caratteristiche ML su larga scala, il che può aumentare la velocità di sviluppo e deployment di nuove applicazioni ML.
Vertex AI Feature Store (legacy) è una soluzione completamente gestita, che gestisce e scala l'infrastruttura sottostante, come l'archiviazione e le risorse di calcolo. Questa soluzione consente ai data scientist di concentrarsi sulla logica di calcolo delle caratteristiche invece di doversi preoccupare delle sfide del deployment delle caratteristiche in produzione.
Vertex AI Feature Store (Legacy) è una parte integrata di Vertex AI. Puoi usare Vertex AI Feature Store (Legacy) in modo indipendente o come parte dei flussi di lavoro di Vertex AI. Ad esempio, puoi recuperare i dati da Vertex AI Feature Store (legacy) per addestrare modelli personalizzati o AutoML in Vertex AI.
Vertex AI Feature Store (Legacy) è il predecessore di Vertex AI Feature Store. Per scoprire di più su Vertex AI Feature Store, consulta la documentazione di Vertex AI Feature Store.
Panoramica
Utilizza Vertex AI Feature Store (legacy) per creare e gestire featurestores, featurestores e featurestores. Un archivio di caratteristiche è un contenitore di primo livello per le tue caratteristiche e i loro valori. Quando configuri un archivio di caratteristiche, gli utenti autorizzati possono aggiungere e condividere le loro caratteristiche senza ulteriore supporto tecnico. Gli utenti possono definire le caratteristiche e quindi importare (importazione) i relativi valori da varie origini dati. Scopri di più sul modello dei dati e sulle risorse di Vertex AI Feature Store (legacy).
Qualsiasi utente autorizzato può cercare e recuperare i valori dall'archivio di caratteristiche. Ad esempio, puoi trovare funzionalità ed eseguire un'esportazione batch per ottenere i dati di addestramento per la creazione di modelli ML. Puoi anche recuperare i valori delle caratteristiche in tempo reale per effettuare previsioni online rapide.
Vantaggi
Prima di utilizzare Vertex AI Feature Store (Legacy), potresti aver calcolato i valori delle caratteristiche e averli salvati in varie posizioni, ad esempio le tabelle di BigQuery e come file in Cloud Storage. Inoltre, potresti aver creato e gestito soluzioni separate per l'archiviazione e l'utilizzo dei valori delle caratteristiche. Al contrario, Vertex AI Feature Store (Legacy) offre una soluzione unificata per l'archiviazione online e batch, nonché la gestione di funzionalità ML. Le seguenti sezioni descrivono in dettaglio i vantaggi offerti da Vertex AI Feature Store (Legacy).
Condividere le funzionalità in tutta l'organizzazione
Se produci caratteristiche in un featurestore, puoi condividerle rapidamente con altri per l'addestramento o la gestione delle attività. I team non devono riprogettare le funzionalità per progetti o casi d'uso diversi. Inoltre, poiché puoi gestire e distribuire le funzionalità da un repository centrale, puoi mantenere la coerenza in tutta l'organizzazione e ridurre gli sforzi duplicati, in particolare per le funzionalità di alto valore.
Vertex AI Feature Store (legacy) fornisce funzionalità di ricerca e filtro per consentire ad altri di scoprire e riutilizzare le funzionalità esistenti. Per ogni funzionalità, puoi visualizzare i metadati pertinenti per determinarne la qualità e i pattern di utilizzo. Ad esempio, puoi visualizzare la frazione di entità con un valore valido per una funzionalità (nota anche come copertura delle caratteristiche) e la distribuzione statistica dei valori delle caratteristiche.
Soluzione gestita per la pubblicazione online su larga scala
Vertex AI Feature Store (legacy) fornisce una soluzione gestita per la gestione delle funzionalità online (gestione a bassa latenza), fondamentale per effettuare previsioni online tempestive. Non è necessario creare e gestire un'infrastruttura di gestione dei dati a bassa latenza; Vertex AI Feature Store (legacy) se ne occupa per te e scala secondo necessità. Codifichi la logica per generare caratteristiche, ma scarichi l'attività di gestione delle caratteristiche. Tutto questo incluso la gestione riduce l'attrito per la creazione di nuove funzionalità, consentendo ai data scientist di lavorare senza doversi preoccupare del deployment.
Mitigare il disallineamento addestramento/produzione
Il disallineamento addestramento/produzione si verifica quando la distribuzione dei dati delle caratteristiche che utilizzi in produzione è diversa da quella utilizzata per addestrare il modello. Questo disallineamento spesso genera discrepanze tra le prestazioni di un modello durante l'addestramento e quelle in produzione. I seguenti esempi descrivono in che modo Vertex AI Feature Store (legacy) può risolvere le potenziali origini del disallineamento addestramento/produzione:
- Vertex AI Feature Store (legacy) garantisce che un valore delle caratteristiche venga importato una volta in un archivio di caratteristiche e che lo stesso valore venga riutilizzato sia per l'addestramento che per la pubblicazione. Senza un archivio di caratteristiche, potresti avere percorsi di codice diversi per generare caratteristiche tra addestramento e pubblicazione. Pertanto, i valori delle caratteristiche potrebbero differire tra addestramento e pubblicazione.
- Vertex AI Feature Store (legacy) fornisce ricerche point-in-time per recuperare i dati storici per l'addestramento. Con queste ricerche, puoi mitigare la perdita di dati recuperando solo i valori delle funzionalità che erano disponibili prima e non dopo una previsione.
Per saperne di più su come rilevare il disallineamento addestramento/produzione, consulta Visualizzare le anomalie nei valori delle funzionalità.
Rileva deviazioni
Vertex AI Feature Store (legacy) ti consente di rilevare modifiche significative nella distribuzione dei dati delle funzionalità nel tempo, nota anche come drift. Vertex AI Feature Store (legacy) monitora costantemente la distribuzione dei valori delle caratteristiche che vengono importati nell'archivio di caratteristiche. Con l'aumento della deviazione delle caratteristiche, potresti dover riaddestrare i modelli che utilizzano le caratteristiche interessate. Per ulteriori informazioni su come rilevare le deviazioni, consulta Visualizzare le anomalie dei valori delle caratteristiche.
Quote e limiti
Vertex AI Feature Store (legacy) applica quote e limiti per aiutarti a gestire le risorse impostando limiti di utilizzo personali e per proteggere la community degli utenti di Google Cloud evitando picchi di utilizzo imprevisti. Per evitare di superare i vincoli non pianificati, consulta le quote di Vertex AI Feature Store (legacy) nella pagina Quote e limiti. Ad esempio, Vertex AI Feature Store (Legacy) imposta una quota per il numero di nodi di pubblicazione online e una quota per il numero di richieste di pubblicazione online che puoi effettuare al minuto.
Conservazione dei dati
Vertex AI Feature Store (legacy) mantiene i valori delle funzionalità fino al limite di conservazione dei dati. Questo limite si basa sul timestamp associato ai valori delle caratteristiche, non sul momento in cui i valori sono stati importati. Vertex AI Feature Store (legacy) pianifica l'eliminazione dei valori con timestamp che superano il limite.
Prezzi
I prezzi di Vertex AI Feature Store (Legacy) si basano su diversi fattori, come la quantità di dati archiviati e il numero di nodi online dell'archivio di caratteristiche utilizzati. Gli addebiti iniziano subito dopo aver creato un archivio di caratteristiche. Per maggiori informazioni, consulta la pagina relativa ai prezzi di Vertex AI Feature Store (legacy).
Passaggi successivi
- Scopri di più sul modello dei dati (legacy) e sulle risorse di Vertex AI Feature Store.
- Scopri come configurare un progetto e impostare le autorizzazioni di Identity and Access Management per Vertex AI Feature Store (legacy).
- Visualizza le quote di Vertex AI Feature Store (legacy) nella pagina Quote e limiti.