Interfacce per Vertex AI Pipelines

Per saperne di più, esegui il blocco note Jupyter "Scopri come creare componenti della pipeline Kubeflow basati su funzioni Python" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei blocchi note gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Questa pagina elenca le interfacce utilizzabili per definire ed eseguire pipeline ML su Vertex AI Pipelines.

Interfacce per definire una pipeline

Vertex AI Pipelines supporta pipeline ML definite utilizzando l'SDK Kubeflow Pipelines (KFP) o l'SDK TensorFlow Extended (TFX).

SDK Kubeflow Pipelines (KFP)

Utilizza KFP per tutti i casi d'uso in cui non è necessario utilizzare TensorFlow Extended per elaborare enormi quantità di dati strutturati o di testo.

Vertex AI Pipelines supporta l'SDK KFP v1.8 o versioni successive. Tuttavia, per usare gli esempi di codice nella documentazione di Vertex AI Pipelines, utilizza KFP SDK v2.

Quando utilizzi l'SDK KFP, puoi definire il flusso di lavoro ML creando componenti personalizzati e riutilizzando componenti predefiniti, ad esempio i componenti di Google Cloud Pipeline. I componenti di pipeline di Google Cloud consentono di usare facilmente i servizi Vertex AI come AutoML nella pipeline ML. Vertex AI Pipelines supporta l'SDK Google Cloud Pipeline Componenti v2 o versioni successive. Per ulteriori informazioni sui componenti di Google Cloud Pipeline, consulta Introduzione ai componenti di pipeline di Google Cloud.

Per informazioni su come creare una pipeline utilizzando le pipeline di Kubeflow, consulta Creare una pipeline. Per scoprire di più sulle pipeline di Kubeflow, consulta la documentazione relativa alle pipeline di Kubeflow.

SDK TensorFlow Extended (TFX)

Usa TFX se usi TensorFlow Extended nel tuo flusso di lavoro ML per elaborare terabyte di dati strutturati o di testo. Vertex AI Pipelines supporta TFX SDK v0.30.0 o versioni successive.

Per scoprire come creare pipeline ML utilizzando TFX, consulta la sezione Tutorial iniziali nei tutorial per TensorFlow Extended in Production.

Interfacce per eseguire una pipeline

Dopo aver definito la pipeline ML, puoi creare una pipeline ML eseguita utilizzando una delle seguenti interfacce:

• API REST

• Client SDK

• Console Google Cloud

Nota: Vertex AI Pipelines non supporta l'interfaccia dell'interfaccia alla gcloud CLI

Per saperne di più sulle interfacce che puoi utilizzare per interagire con Vertex AI, consulta Interfaces for Vertex AI.

API REST

Per creare un'esecuzione della pipeline utilizzando REST, utilizza l'API di servizio Pipelines. Questa API utilizza la risorsa REST projects.locations.pipelineJobs.

Nota: le modifiche che provocano un errore nell'API del servizio Pipelines vengono comunicate come lanci in anteprima. Puoi testare le modifiche annunciate in anteprima; consulta la documentazione dell'API per projects.locations.pipelineJobs (v1beta1). Per saperne di più sulla fase di lancio dell'anteprima, consulta le descrizioni della fase di lancio.

Client SDK

Vertex AI Pipelines consente di creare esecuzioni di pipeline utilizzando l'SDK Vertex AI per Python o le librerie client.

SDK Vertex AI per Python

L'SDK Vertex AI per Python (aiplatform) è l'SDK consigliato per lavorare in modo programmatico con l'API del servizio Pipelines. Per ulteriori informazioni su questo SDK, consulta la documentazione API per google.cloud.aiplatform.PipelineJob.

Librerie client

Le librerie client sono SDK GAPIC (Generation API Clients) in modo programmatico. Vertex AI Pipelines supporta le seguenti librerie client:

• Python (aiplatform v1 e v1beta1)

• Java

• Node.js

• Go

Per saperne di più, consulta Installare le librerie client di Vertex AI.

Console Google Cloud (GUI)

La console Google Cloud è il metodo consigliato per esaminare e monitorare le esecuzioni della pipeline. Puoi anche eseguire altre attività utilizzando la console Google Cloud, ad esempio creare, eliminare e clonare le esecuzioni delle pipeline, accedere alla Galleria modelli e recuperare l'etichetta di fatturazione per l'esecuzione di una pipeline.

Vai a Pipeline nella console Google Cloud

Passaggi successivi

• Per iniziare, impara a definire una pipeline con l'SDK Kubeflow Pipelines.

• Scopri come eseguire una pipeline.

• Scopri le best practice per l'implementazione di modelli ML con addestramento personalizzato su Vertex AI.