MLOps en Vertex AI

En esta sección, se describen los servicios de Vertex AI que te ayudan a implementar operaciones de aprendizaje automático (MLOps) con tu flujo de trabajo de aprendizaje automático (AA).

Luego de que se hayan implementado los modelos, deben mantener el ritmo de los datos cambiantes del entorno para lograr un rendimiento óptimo y mantenerse relevantes. MLOps es un conjunto de prácticas que mejora la estabilidad y la confiabilidad de tus sistemas de AA.

Las herramientas de Vertex AI MLOps te ayudan a colaborar en los equipos de IA y a mejorar tus modelos mediante la supervisión predictiva, las alertas, el diagnóstico y las explicaciones prácticas. Todas las herramientas son modulares, por lo que puedes integrarlas en tus sistemas existentes según sea necesario.

Para obtener más información sobre las MLOps, consulta Canalizaciones de automatización y entrega continua en el aprendizaje automático y la Guía de prácticas para las MLOps.

diagrama de capacidades de MLOps

  • Organiza flujos de trabajo: El entrenamiento y la entrega manuales de tus modelos pueden llevar mucho tiempo y generar errores, en especial si necesitas repetir los procesos muchas veces.

    • Vertex AI Pipelines te ayuda a automatizar, supervisar y controlar tus flujos de trabajo de AA.

  • Realiza un seguimiento de los metadatos usados en tu sistema de AA: En la ciencia de datos, es importante realizar un seguimiento de las métricas, los parámetros y los artefactos usados en tu flujo de trabajo del AA, en especial cuando repites el flujo de trabajo varias veces.

    • Vertex ML Metadata te permite registrar los metadatos, los parámetros y los artefactos que se usan en tu sistema de AA. Puedes consultar esos metadatos para ayudar a analizar, depurar y auditar el rendimiento de tu sistema de AA o los artefactos que produzca.

  • Identifica el mejor modelo para un caso de uso: Cuando pruebes algoritmos de entrenamiento nuevos, necesitas saber qué modelo entrenado tiene el mejor rendimiento.

    • Vertex AI Experiments te permite realizar un seguimiento y analizar diferentes arquitecturas de modelos, hiperparámetros y entornos de entrenamiento a fin de identificar el mejor modelo para tu caso de uso.

    • Vertex AI TensorBoard te ayuda a realizar un seguimiento, visualizar y comparar experimentos de AA para medir el rendimiento de tus modelos.

  • Administra versiones de modelos: Agrega modelos a un repositorio central que te ayuda a hacer un seguimiento de las versiones de modelos.

    • Vertex AI Model Registry proporciona una descripción general de tus modelos para que puedas organizar, hacer un seguimiento y entrenar mejor las versiones nuevas. Desde Model Registry, puedes evaluar modelos, implementarlos en un extremo, crear inferencias por lotes y ver detalles sobre los modelos y las versiones de modelos específicos.

  • Administra atributos: Cuando vuelves a usar los atributos de AA en varios equipos, necesitas una forma rápida y eficiente de compartirlos y entregarlos.

    • Vertex AI Feature Store proporciona un repositorio centralizado para organizar, almacenar y entregar atributos del AA. El uso de un almacén de atributos central permite que una organización reutilice funciones de AA a gran escala y aumente la velocidad de desarrollo y de implementación de aplicaciones de AA nuevas.

  • Supervisa la calidad del modelo: Un modelo implementado en producción tiene un mejor rendimiento en los datos de entrada de inferencia que son similares a los datos de entrenamiento. Cuando los datos de entrada difieren de los datos que se usan para entrenar el modelo, el rendimiento del modelo puede disminuir, incluso si el modelo en sí no cambió.

    • Vertex AI Model Monitoring supervisa los modelos para detectar sesgos de entrega y entrenamiento, y desvíos de inferencia, y te envía alertas cuando los datos de inferencia entrantes se inclinan demasiado lejos del modelo de referencia de entrenamiento. Puedes usar las alertas y las distribuciones de atributos para evaluar si necesitas volver a entrenar el modelo.

  • Escala aplicaciones de IA y Python: Ray es un framework de código abierto para escalar aplicaciones de IA y Python. Ray proporciona la infraestructura para realizar procesamiento distribuido y procesamiento paralelo en tu flujo de trabajo de aprendizaje automático (AA).

    • Ray en Vertex AI está diseñado para que puedas usar el mismo código de Ray de código abierto para escribir programas y desarrollar aplicaciones en Vertex AI con cambios mínimos. Luego, puedes usar las integraciones de Vertex AI con otros servicios de Google Cloud , como Vertex AI Inference y BigQuery, como parte de tu flujo de trabajo de aprendizaje automático (AA).

¿Qué sigue?