Ao executar um pipeline usando o Vertex AI Pipelines, os artefatos e os parâmetros da execução do pipeline são armazenados usando o Vertex ML Metadata. O Vertex ML Metadata facilita a análise da linhagem dos artefatos do pipeline, poupando a dificuldade de acompanhar os metadados do pipeline.
A linhagem de um artefato inclui todos os fatores que contribuíram para sua criação, bem como os artefatos e metadados derivados desse artefato. Por exemplo, a linhagem de um modelo pode incluir o seguinte:
- Os dados de treinamento, teste e avaliação usados para criar o modelo.
- Os hiperparâmetros usados durante o treinamento do modelo.
- Metadados gravados do processo de treinamento e avaliação, como a precisão do modelo.
- Artefatos descendentes desse modelo, como os resultados de predições em lote.
Use esses metadados para responder a perguntas como as seguintes:
- por que um pipeline específico executou um modelo especialmente preciso?
- Qual execução de pipeline produziu o modelo mais preciso e quais hiperparâmetros foram usados para treinar o modelo?
- Dependendo das etapas do pipeline, é possível usar o Vertex ML Metadata para responder a perguntas de governança do sistema. Por exemplo, é possível usar metadados para determinar qual versão do seu modelo estava em produção em um determinado momento.
Se você é novo no Vertex ML Metadata, leia a introdução aos metadados do Vertex ML.
Como usar o Console do Google Cloud para analisar a linhagem dos artefatos do pipeline
Use as instruções a seguir para visualizar o gráfico de linhagem de um artefato de pipeline no Console do Google Cloud.
No Console do Google Cloud, na seção "Vertex AI", acesse a página Modelos.
A página "Metadados" lista os artefatos criados no armazenamento de metadados padrão.
Na lista suspensa Região, selecione a região em que sua execução foi criada.
Clique no Nome do artefato de um artefato para ver o gráfico de linhagem dele.
Será exibido um gráfico estático mostrando os artefatos e as execuções que fazem parte desse gráfico de linhagem.
Clique em um artefato ou execução para saber mais sobre ele.
A seguir
- Saiba como executar um pipeline.
- Comece a visualizar e analisar os resultados do pipeline.
- Saiba como criar um pipeline de machine learning.