Introduzione alla gestione delle caratteristiche in Vertex AI

Nel machine learning (ML), le caratteristiche sono attributi caratteristici di un'istanza o entità che puoi utilizzare per addestrare modelli o fare previsioni online. Le caratteristiche vengono generate trasformando i dati ML non elaborati in misurabili e condivisibili di machine learning utilizzando tecniche di feature engineering, generalmente trasformazioni delle caratteristiche.

Per gestione delle caratteristiche si intende il processo di creazione, gestione, condivisione e per la distribuzione di caratteristiche ML archiviate in una posizione centralizzata o in un repository. La gestione delle caratteristiche semplifica il riutilizzo delle caratteristiche per addestrare e riaddestrare i modelli, e ridurre il ciclo di vita dei deployment di AI e ML.

Un prodotto o servizio che include la gestione delle funzionalità per archiviare, scoprire, condividere e gestire le caratteristiche ML è chiamato feature store. Vertex AI incorpora il seguente archivio di caratteristiche Google Cloud:

Questa pagina introduce e confronta i due servizi di gestione delle funzionalità e fornisce una panoramica delle loro funzionalità. Descrive inoltre come eseguire la migrazione Feature Store esistente in Vertex AI Feature Store (legacy) per nel nuovo Vertex AI Feature Store.

Vertex AI Feature Store

Vertex AI Feature Store offre un nuovo approccio alla gestione delle caratteristiche di consentendoti di gestire e pubblicare i dati delle tue caratteristiche da un BigQuery origine dati. In questo approccio, Vertex AI Feature Store funge da metadati che fornisce funzionalità di pubblicazione online all'origine dati delle caratteristiche in BigQuery e ti consente di distribuire le caratteristiche online in base a questi dati. Non è necessario copiare o importare i dati in un archivio offline separato Vertex AI.

Vertex AI Feature Store è integrato con Dataplex per monitorare i metadati delle caratteristiche. Supporta anche gli incorporamenti e ti consente la somiglianza vettoriale consente di cercare i vicini più prossimi.

Vertex AI Feature Store è ottimizzato per la distribuzione a latenza molto bassa e ti consente di:

  • Archivia e gestisci i dati delle caratteristiche offline in BigQuery, sfruttare le funzionalità di gestione dei dati di BigQuery.

  • Condividi e riutilizza le caratteristiche aggiungendole al registro di caratteristiche.

  • Gestisci le caratteristiche per le previsioni online a basse latenze utilizzando la distribuzione online di Bigtable o con latenze molto basse, usando la pubblicazione online ottimizzata.

  • Archivia gli incorporamenti nei dati delle caratteristiche ed esegui ricerche di somiglianze vettoriali utilizzando la pubblicazione online ottimizzata.

  • Tieni traccia dei metadati delle caratteristiche in Dataplex.

Per scoprire di più su Vertex AI Feature Store, consulta Documentazione di Vertex AI Feature Store.

Vertex AI Feature Store (legacy)

Vertex AI Feature Store (legacy) fornisce un repository centralizzato archiviare, organizzare e distribuire i dati delle caratteristiche ML. Esegue il provisioning di una gerarchia di risorse che racchiude sia un negozio online che un negozio offline all'interno Vertex AI. L'archivio online gestisce i valori delle caratteristiche più recenti per le previsioni online. L'archivio offline archivia e conserva i dati delle funzionalità (inclusi i dati storici) che puoi pubblicare in batch per l'addestramento di modelli ML.

Vertex AI Feature Store (legacy) è una soluzione di gestione delle caratteristiche completamente funzionale che ti consente di:

  • Batch o flusso di dati delle caratteristiche di importazione nell'archivio offline da un dato ad esempio un bucket Cloud Storage o un'origine BigQuery.

  • Pubblica le caratteristiche online per le previsioni.

  • Fornisce o esporta caratteristiche in batch per l'addestramento o l'analisi del modello ML.

  • Imposta i criteri IAM (Identity and Access Management) su EntityType e Featurestore risorse.

  • Gestisci le risorse del Feature Store dalla console Google Cloud.

Vertex AI Feature Store (legacy) non include la gestione degli incorporamenti o di recupero vettoriale. Se hai bisogno di gestire gli incorporamenti nel tuo caratteristiche o eseguire ricerche di somiglianze vettoriali, valuta la possibilità di passare alle Vertex AI Feature Store. Per informazioni sulla migrazione a Vertex AI Feature Store, vedi Eseguire la migrazione a Vertex AI Feature Store.

Per scoprire di più su Vertex AI Feature Store (legacy), consulta il Documentazione di Vertex AI Feature Store (legacy).

Confronto tra Vertex AI Feature Store e Vertex AI Feature Store (legacy)

La tabella seguente mette a confronto i vari aspetti di Vertex AI Feature Store (legacy) e il nuovo Vertex AI Feature Store:

Categoria Vertex AI Feature Store Vertex AI Feature Store (legacy)
Modelli dei dati
Gerarchia delle risorse (archivio online e offline) La gerarchia delle risorse nell'archivio online è la seguente: FeatureOnlineStore -> FeatureView
    .
  • FeatureOnlineStore contiene i parametri di configurazione solo per l'archiviazione e il recupero online. Può contenere più risorse FeatureView.
  • FeatureView è un raggruppamento logico di caratteristiche in una richiesta di pubblicazione online. È una singola risorsa che sostituisce tipi di entità e caratteristiche. I dati in una visualizzazione delle caratteristiche riflettono i valori delle caratteristiche più recenti nello spazio di archiviazione di BigQuery.
Non sono presenti risorse di datastore offline, poiché i dati risiedono in BigQuery.
La gerarchia delle risorse è la seguente: Featurestore -> EntityType -> Feature
    .
  • Featurestore contiene i parametri di configurazione sia per gli archivi online che per quelli offline. Può contenere più risorse EntityType.
  • EntityType è una raccolta di caratteristiche semanticamente correlate. Può avere diverse istanze chiamate entità, che possono contenere più risorse Feature.
  • Feature è una proprietà o un attributo di un EntityType.
Gerarchia delle risorse (registro di caratteristiche) La gerarchia delle risorse nel registro di caratteristiche è la seguente: FeatureGroup -> Feature
    .
  • FeatureGroup registra la posizione dell'origine dati BigQuery. Può contenere più risorse Feature.
  • Feature corrisponde a una colonna nell'origine dati registrata con il gruppo di caratteristiche.
Non esiste un registro di caratteristiche in Vertex AI Feature Store (legacy).
Gestione delle funzionalità
Negozi online e offline Devi creare un'istanza del negozio online e definire le visualizzazioni delle caratteristiche.
Vertex AI Feature Store non richiede un archivio offline separato, perché l'origine dati BigQuery costituisce l'archivio offline.
Quando esegui il provisioning di un Feature Store, Vertex AI Feature Store (legacy) crea datastore online e offline separati.
Importazione delle caratteristiche Non è necessario importare i dati negli archivi offline, poiché i dati risiedono in BigQuery, e puoi utilizzarli direttamente per esigenze offline. Per i casi d'uso di distribuzione online, puoi registrare una tabella BigQuery o una visualizzazione come visualizzazione delle caratteristiche, che copia i dati delle caratteristiche nel datastore online. Vertex AI Feature Store aggiorna i dati nel negozio online durante la sincronizzazione dei dati. Devi importare i dati delle caratteristiche in archivi online e offline utilizzando l'importazione in batch o in flussi da un'origine esterna, ad esempio una tabella BigQuery o una vista BigQuery.
Spostamento di dati tra archivi online e offline Vertex AI Feature Store utilizza BigQuery come archivio offline e copia solo i valori delle caratteristiche più recenti nell'archivio online. In Vertex AI non è stato eseguito il provisioning di un datastore offline separato. I valori delle caratteristiche vengono copiati nello spazio di archiviazione offline e, di conseguenza, nello spazio di archiviazione online.
Distribuzione delle caratteristiche
Pubblicazione offline Per interagire con l'archivio offline, devi utilizzare le API BigQuery. Le funzionalità di base sono le stesse. Per interagire con l'archivio offline, che è gestito da Vertex AI Feature Store (legacy), devi utilizzare le API Vertex AI. Esempi di queste interazioni sono le ricerche point-in-time e l'esportazione delle caratteristiche.
Distribuzione online

Vertex AI Feature Store offre due tipi di distribuzione online:

  • La pubblicazione online di Bigtable è simile a quella in Vertex AI Feature Store (legacy), ma offre una migliore memorizzazione nella cache per mitigare l'hotspotting. È utile per volumi di dati di grandi dimensioni (terabyte di dati).
  • La pubblicazione online ottimizzata è adatta a esigenze di gestione a latenza molto bassa.

Ogni richiesta di lettura online recupera tutte le caratteristiche preimpostate in una visualizzazione caratteristiche senza ulteriori elaborazioni, con una conseguente latenza inferiore.

Vertex AI Feature Store (legacy) fornisce un solo tipo di distribuzione online. Puoi specificare le entità e le caratteristiche per recuperare i dati delle caratteristiche.
Interfacce e API
Funzionalità della console Google Cloud Usa la console Google Cloud per creare e gestire risorse, ad esempio istanze di archivi online, istanze di visualizzazione caratteristiche, gruppi di caratteristiche e caratteristiche. Puoi anche visualizzare l'elenco di archivi online e informazioni sulla derivazione delle caratteristiche. Utilizzare la console Google Cloud per eseguire la maggior parte delle attività di gestione delle funzionalità, incluso il monitoraggio della creazione delle risorse.
API per la creazione di risorse Include le API per creare le risorse FeatureOnlineStore, FeatureView, FeatureGroup e Feature. Queste risorse consentono di configurare il registro di caratteristiche e l'archivio online. Per l'archivio offline, viene utilizzato BigQuery. Include le API per creare risorse Featurestore, EntityType e Feature utilizzate negli archivi online e offline.
API di importazione batch (archivio offline) Non richiede API per l'importazione batch nell'archivio offline, perché non è necessario un passaggio separato per l'importazione batch nell'archivio offline. Utilizza le API Vertex AI per l'importazione batch nell'archivio offline.
API di importazione batch (archivio online) Copia periodicamente i dati da BigQuery all'archivio online durante la sincronizzazione dei dati. Utilizza le API Vertex AI per l'importazione batch nell'archivio online.
API per l'importazione dei flussi di dati (archivio offline) Non richiede API per l'importazione di flussi di dati nell'archivio offline, perché non è necessario un passaggio separato per l'importazione di flussi di dati nell'archivio offline. Utilizza Vertex AI per l'importazione di flussi di dati nell'archivio offline.
API per l'importazione dei flussi di dati (archivio online) L'importazione di flussi di dati non è supportata. Utilizza le API Vertex AI per l'importazione di flussi di dati nell'archivio online.
API di recupero dati in batch Utilizza le API BigQuery per pubblicare i dati in batch direttamente dalle origini dati BigQuery definite nelle visualizzazioni delle caratteristiche. Utilizza le API Vertex AI per pubblicare in batch i dati delle caratteristiche.
API di distribuzione online Utilizza FetchFeatureValues(FetchFeatureValuesRequest) API. Utilizza l'API ReadFeatureValues(ReadFeatureValuesRequest) per la pubblicazione online.

Esegui la migrazione a Vertex AI Feature Store

Le risorse e i dati delle caratteristiche di Vertex AI Feature Store (legacy) non sono immediatamente disponibili in Vertex AI Feature Store. Se sei un utente esistente di Vertex AI Feature Store (legacy) e eseguire la migrazione del progetto a Vertex AI Feature Store, i seguenti passaggi. Tieni presente che, poiché la gerarchia delle risorse Vertex AI Feature Store è diverso dalla gerarchia delle risorse in Vertex AI Feature Store (legacy), dovrai creare manualmente dopo aver eseguito la migrazione dei dati delle caratteristiche.

  1. Se i dati delle caratteristiche non sono già disponibili in BigQuery, esportare i dati delle caratteristiche in BigQuery, e creerai tabelle e viste BigQuery. Segui le Linee guida per la preparazione dei dati durante l'esportazione e la preparazione dei dati. Ad esempio:

    • Ogni caratteristica corrisponde a una colonna. Gli ID entità possono essere un insieme , che puoi identificare come la colonna ID.

    • Vertex AI Feature Store non dispone di EntityType e Entity Google Cloud. Fornisci i valori delle caratteristiche per ogni entità nella riga corrispondente all'ID entità.

  2. (Facoltativo) Registra l'origine dati delle caratteristiche aggiungendo gruppi di caratteristiche e le funzionalità di machine learning. Per saperne di più, consulta Creare un gruppo di caratteristiche e Crea una caratteristica.

  3. Configura la pubblicazione online creando istanze di archivio online e visualizzazione caratteristiche in base ai dati delle caratteristiche.

Passaggi successivi