Classi di previsione

L'SDK Vertex AI include le seguenti classi di previsione. Uno è per le previsioni batch. Le altre sono correlate alle previsioni online o alle previsioni di Ricerca vettoriale. Per ulteriori informazioni, vedi Panoramica della generazione di previsioni su Vertex AI.

Classe di previsione batch

Una previsione batch è un gruppo di richieste di previsione asincrone. Richiedi le previsioni batch dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Le previsioni batch sono adatte quando non hai bisogno di un e vuoi elaborare i dati con una singola richiesta. BatchPredictionJob è l'unica classe nell'SDK Vertex AI specifica per le previsioni in batch.

BatchPredictionJob

La classe BatchPredictionJob rappresenta un gruppo di richieste di previsione asincrone. Esistono due modi per creare un job di previsione in batch:

  1. Il modo migliore per creare un job di previsione batch è utilizzare il metodo batch_predict sul Model addestrato. Questo metodo richiede i seguenti parametri:

    • instances_format: il formato del file di richiesta di previsione batch jsonl. csv, bigquery, tf-record, tf-record-gzip o file-list.
    • prediction_format. Il formato del file di risposta alla previsione batch. jsonl, csv, bigquery, tf-record, tf-record-gzip o file-list.
    • gcs_source: Un elenco di uno o più percorsi Cloud Storage per le richieste di previsione collettiva.
    • gcs_destination_prefix: il percorso di Cloud Storage in cui Vertex AI scrive le previsioni.

    Il codice che segue è un esempio di come puoi chiamare Model.batch_predict:

    batch_prediction_job = model.batch_predict(
    instances_format="jsonl",
    predictions_format="jsonl",
    job_display_name="your_job_display_name_string",
    gcs_source=['gs://path/to/my/dataset.csv'],
    gcs_destination_prefix='gs://path/to/my/destination',
    model_parameters=None,
    starting_replica_count=1,
    max_replica_count=5,
    machine_type="n1-standard-4",
    sync=True
)

  2. Il secondo modo per creare un job di previsione batch è chiamare il metodo BatchPredictionJob.create. La Il metodo BatchPredictionJob.create richiede quattro parametri:

    • job_display_name: un nome che assegni al job di previsione batch. Tieni presente che, sebbene job_display_name sia obbligatorio per BatchPredictionJob.create, è facoltativo Model.batch_predict.
    • model_name: il nome completo o l'ID della persona qualificata Model che utilizzi per il job di previsione batch.
    • instances_format: il formato del file di richiesta di previsione batch: jsonl, csv, bigquery, tf-record, tf-record-gzip o file-list.
    • predictions_format: il formato del file di risposta della previsione batch: jsonl, csv, bigquery, tf-record, tf-record-gzip o file-list.

Classi di previsione online

Le previsioni online sono richieste sincrone effettuate a un endpoint del modello. Devi eseguire il deployment del modello in un endpoint prima di poter effettuare una richiesta di previsione online. Utilizza le previsioni online quando vuoi che vengano generate in base all'input dell'applicazione o quando hai bisogno di una risposta rapida.

Endpoint

Prima di poter ottenere previsioni online dal modello, devi eseguire il deployment modello a un endpoint. Quando esegui il deployment di un modello in un endpoint, associ le risorse della macchina fisica al modello in modo che possa fornire previsioni online.

Puoi eseguire il deployment di più modelli in un endpoint. Puoi anche eseguire il deployment modello a più di un endpoint. Per ulteriori informazioni, vedi Considerazioni per il deployment dei modelli.

Per creare una risorsa Endpoint, devi eseguire il deployment un modello di machine learning. Quando chiami il metodo Model.deploy , viene creato e restituito un Endpoint.

Di seguito è riportato un esempio di snippet di codice che mostra come creare un asset un job di addestramento, creare e addestrare un modello, quindi eseguirne il deployment endpoint.

# Create your custom training job

job = aiplatform.CustomTrainingJob(
    display_name="my_custom_training_job",
    script_path="task.py",
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    requirements=["google-cloud-bigquery>=2.20.0", "db-dtypes"],
    model_serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-8:latest"
)

# Start the training and create your model
model = job.run(
    dataset=dataset,
    model_display_name="my_model_name",
    bigquery_destination=f"bq://{project_id}"
)

# Create an endpoint and deploy your model to that endpoint
endpoint = model.deploy(deployed_model_display_name="my_deployed_model")

# Get predictions using test data in a DataFrame named 'df_my_test_data'
predictions = endpoint.predict(instances=df_my_test_data)

PrivateEndpoint

Un endpoint privato è come una risorsa Endpoint, ad eccezione del fatto che le previsioni vengono inviate su una rete sicura di previsione online. Utilizza un endpoint privato se la tua organizzazione vuole mantenere tutto il traffico privato.

Per utilizzare un endpoint privato, devi configurare Vertex AI per il peering con una Virtual Private Cloud (VPC). È necessaria una VPC per consentire all'endpoint di previsione privato di connettersi direttamente a Vertex AI. Per maggiori informazioni le informazioni, vedi Configura il peering di rete VPC e Utilizza endpoint privati per la previsione online.

ModelDeploymentMonitoringJob

Utilizza la risorsa ModelDeploymentMonitoringJob per monitorare il modello e ricevere avvisi se si discosta in modo da poter influire sulla qualità delle previsioni del modello.

Quando i dati di input si discostano da quelli utilizzati per addestrare il modello, il valore le prestazioni possono peggiorare, anche se il modello non è cambiato. Il monitoraggio dei modelli analizza la data di inserimento per il disallineamento e la deviazione delle caratteristiche:

  • Il disallineamento si verifica quando la distribuzione dei dati delle funzionalità di produzione si discosta dai dati delle funzionalità utilizzati per addestrare il modello.
  • La deviazione si verifica quando i dati della funzionalità di produzione cambiano in modo significativo nel nel tempo.

Per ulteriori informazioni, consulta Introduzione al monitoraggio dei modelli di Vertex AI. Per un esempio di come implementare il monitoraggio di Vertex AI con l'SDK Vertex AI, consulta il notebook Vertex AI Model Monitoring with Explainable AI Feature Attributions su GitHub.

Classi di previsione di Vector Search

Vector Search è un servizio gestito che crea somiglianze degli indici, o vettori, per eseguire la corrispondenza delle somiglianze. Esistono due passaggi di alto livello per eseguire la corrispondenza per similarità:

  1. Crea una rappresentazione vettoriale dei dati. I dati possono essere testo, immagini, video audio o dati tabulari.

  2. La ricerca vettoriale utilizza gli endpoint dei vettori che crei per eseguire una ricerca su larga scala e a bassa latenza di vettori simili.

Per saperne di più, consulta la panoramica di Ricerca vettoriale e il notebook Creare un indice di Ricerca vettoriale su GitHub.

MatchingEngineIndex

La classe MatchingEngineIndex rappresenta gli indici, o vettori, tu crei che Vector Search utilizza per eseguire la ricerca di somiglianze.

Esistono due algoritmi di ricerca che puoi utilizzare per l'indice:

  1. TreeAhConfig utilizza un algoritmo tree-AH poco profondo (albero poco profondo che utilizza l'hashing asimmetrico). Utilizza MatchingEngineIndex.create_tree_ah_index per creare un indice che utilizza l'algoritmo dell'algoritmo AH,
  2. BruteForceConfig usa una ricerca lineare standard) Utilizza MatchingEngineIndex.create_brute_force_index per creare un indice che impiega una ricerca lineare standard.

Per ulteriori informazioni su come configurare gli indici, consulta Configurare gli indici.

Di seguito è riportato un esempio di creazione di un indice che utilizza l'algoritmo Tree-AH:

my_tree_ah_index = aiplatform.Index.create_tree_ah_index(
    display_name="my_display_name",
    contents_delta_uri="gs://my_bucket/embeddings",
    dimensions=1,
    approximate_neighbors_count=150,
    distance_measure_type="SQUARED_L2_DISTANCE",
    leaf_node_embedding_count=100,
    leaf_nodes_to_search_percent=50,
    description="my description",
    labels={ "label_name": "label_value" }
)

Di seguito è riportato un esempio di creazione di un indice che utilizza l'algoritmo di forza bruta:

my_brute_force_index = aiplatform.Index.create_brute_force_index(
    display_name="my_display_name",
    contents_delta_uri="gs://my_bucket/embeddings",
    dimensions=1,
    approximate_neighbors_count=150,
    distance_measure_type="SQUARED_L2_DISTANCE",
    description="my description",
    labels={ "label_name": "label_value" }
)

MatchingEngineIndexEndpoint

Utilizza la Corso MatchingEngineIndexEndpoint per creare e recuperare un endpoint. Dopo aver eseguito il deployment di un modello nell'endpoint, ottieni l'indirizzo IP che utilizzi per eseguire le query.

Il seguente codice è un esempio di creazione di un endpoint indice del matching engine e di successivo deployment di un indice del matching engine:

my_index_endpoint = aiplatform.MatchingEngineIndexEndpoint.create(
    display_name="sample_index_endpoint",
    description="index endpoint description",
    network="projects/123456789123/global/networks/my_vpc"
)

my_index_endpoint = my_index_endpoint.deploy_index(
    index=my_tree_ah_index, deployed_index_id="my_matching_engine_index_id"
)

Passaggi successivi