Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Google Cloud (GCPC) SDK menyediakan sekumpulan komponen Kubeflow Pipelines bawaan yang berkualitas produksi, berperforma tinggi, dan mudah digunakan. Anda dapat menggunakan Komponen Pipeline Google Cloud untuk menentukan dan menjalankan pipeline ML di Vertex AI Pipelines serta backend eksekusi pipeline ML lainnya yang sesuai dengan Kubeflow Pipelines.
Misalnya, Anda dapat menggunakan komponen ini untuk menyelesaikan tindakan berikut:
Membuat set data baru dan memuat jenis data yang berbeda ke dalam set data (gambar, tabel, teks, atau video).
Mengekspor data dari set data ke Cloud Storage.
Menggunakan AutoML untuk melatih model menggunakan data gambar, tabel, atau video.
Menjalankan tugas pelatihan kustom menggunakan container kustom atau paket Python.
Meng-upload model yang sudah ada ke Vertex AI untuk prediksi batch.
Membuat endpoint baru dan men-deploy model ke endpoint tersebut untuk prediksi online.
Selain itu, Google Cloud Komponen Pipeline mendukung komponen bawaan ini
di Vertex AI Pipelines dan memberikan manfaat berikut:
Proses debug yang lebih mudah: Menampilkan resource dasar yang diluncurkan dari
komponen untuk proses debug yang disederhanakan.
Jenis artefak standar: Menyediakan antarmuka yang konsisten saat menggunakan
jenis artefak standar untuk input dan
output. Vertex ML Metadata melacak artefak standar ini, sehingga
memudahkan Anda menganalisis silsilah artefak pipeline Anda.
Untuk detail selengkapnya tentang silsilah artefak, lihat Melacak silsilah artefak
pipeline.
Memahami biaya pipeline dengan label penagihan: Label resource secara otomatis diterapkan ke layanan Google Cloud yang dihasilkan oleh Komponen Pipeline Google Cloud dalam operasi pipeline Anda. Gunakan label penagihan beserta ekspor Penagihan Cloud ke BigQuery untuk meninjau biaya pengoperasian pipeline. Untuk mengetahui informasi selengkapnya tentang penggunaan label guna memahami biaya pengoperasian pipeline, lihat Memahami biaya pengoperasian pipeline. Untuk mengetahui informasi selengkapnya tentang cara label disebarkan dari pipeline yang dijalankan ke resource yang dihasilkan oleh Google Cloud Komponen Pipeline, lihat Pelabelan resource oleh Vertex AI Pipelines.
Efisiensi biaya*: Vertex AI Pipelines mengoptimalkan
eksekusi komponen ini
dengan meluncurkan resource Google Cloud , tanpa harus meluncurkan
container.
Tindakan ini akan mengurangi latensi pengaktifan dan mengurangi biaya container
yang sibuk menunggu.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-09-04 UTC."],[],[],null,["# Introduction to Google Cloud Pipeline Components\n\nThe Google Cloud (GCPC) SDK provides a set of prebuilt\nKubeflow Pipelines components that are production quality,\nperformant, and easy to use. You can use Google Cloud Pipeline Components to define and run ML\npipelines in Vertex AI Pipelines and other\nML pipeline execution backends conformant with Kubeflow Pipelines.\n\nFor example, you can use these components to complete the following:\n\n- Create a new dataset and load different data types into the dataset (image, tabular, text, or video).\n- Export data from a dataset to Cloud Storage.\n- Use AutoML to train a model using image, tabular, or video data.\n- Run a custom training job using a custom container or a Python package.\n- Upload an existing model to Vertex AI for batch prediction.\n- Create a new endpoint and deploy a model to it for online predictions.\n\nAdditionally, Google Cloud Pipeline Components supports these prebuilt components\nin Vertex AI Pipelines and offers the following benefits:\n\n- **Easier debugging**: Show the underlying resources launched from the component for simplified debugging.\n- **Standardized artifact types** : Provide consistent interfaces to use [standard artifact types](/vertex-ai/docs/pipelines/artifact-types) for input and output. Vertex ML Metadata tracks these standard artifacts, making it easier for you to analyze the lineage of your pipeline's artifacts. For more details on artifact lineage, see [Tracking the lineage of pipeline\n artifacts](/vertex-ai/docs/pipelines/lineage).\n- **Understand pipeline costs with billing labels** : Resource labels automatically propagate to Google Cloud services generated by the Google Cloud Pipeline Components in your pipeline run. Use billing labels along with Cloud Billing export to BigQuery to review the cost of your pipeline run. For more information about using labels to understand the cost of a pipeline run, see [Understand pipeline run costs](/vertex-ai/docs/pipelines/understand-pipeline-cost-labels). For more information about how labels propagate from a pipeline run to resources spawned by Google Cloud Pipeline Components, see [Resource labeling by Vertex AI Pipelines](/vertex-ai/docs/pipelines/gcpc-label-propagation).\n- **Cost efficiencies** ^\\*^: Vertex AI Pipelines optimizes the execution of these components by launching the Google Cloud resources, without having to launch the container. This reduces the startup latency and reduces the costs of the busy-waiting container.\n\nWhat's next\n-----------\n\n- See all [tutorials that use the Google Cloud SDK](/vertex-ai/docs/pipelines/notebooks).\n- Learn more about specific [Google Cloud Pipeline Components in the reference section](/vertex-ai/docs/pipelines/gcpc-list).\n- Read the official [Google Cloud SDK reference](https://google-cloud-pipeline-components.readthedocs.io/en/google-cloud-pipeline-components-2.19.0/api/v1/index.html).\n- See the Google Cloud Pipeline Components section in the [Kubeflow Pipelines SDK repository](https://github.com/kubeflow/pipelines/tree/master/components/google-cloud)."]]
