Questa sezione descrive i servizi Vertex AI che consentono di implementare Operazioni di machine learning (MLOps) con il tuo flusso di lavoro di machine learning (ML).
Dopo il deployment, i modelli devono stare al passo con i cambiamenti dei dati dell'ambiente per ottenere prestazioni ottimali e rimanere pertinenti. MLOps è un insieme di pratiche che migliorano la stabilità e l'affidabilità dei tuoi sistemi ML.
Gli strumenti MLOps di Vertex AI ti aiutano a collaborare tra i team di IA e a migliorare i tuoi modelli attraverso il monitoraggio predittivo, gli avvisi, la diagnosi e le spiegazioni utili dei modelli. Tutti gli strumenti sono modulari, quindi puoi integrarli nei tuoi sistemi esistenti in base alle esigenze.
Per ulteriori informazioni su MLOps, consulta pipeline di distribuzione continua e automazione nel machine learning e la guida alle MLOps per professionisti.
Orchestrare i flussi di lavoro: l'addestramento e la gestione manuali dei modelli possono richiedere molto tempo e sono soggetti a errori, soprattutto se è necessario ripetere i processi molte volte.
- Vertex AI Pipelines ti aiuta ad automatizzare, monitorare e gestire i flussi di lavoro di ML.
Monitoraggio dei metadati utilizzati nel tuo sistema di ML: nella data science, è importante monitorare i parametri, gli artefatti e le metriche utilizzati nel flusso di lavoro ML, soprattutto se ripeti il flusso di lavoro più volte.
- Vertex ML Metadata consente di registrare metadati, parametri e artefatti utilizzati nel tuo sistema ML. Puoi quindi eseguire query sui metadati per analizzare, eseguire il debug e controllare le prestazioni del tuo sistema ML o degli artefatti che produce.
Identificare il modello migliore per un caso d'uso: quando provi nuovi algoritmi di addestramento, devi sapere quale modello addestrato offre i risultati migliori.
Vertex AI Experiments consente di monitorare e analizzare diversi modelli di architetture, iperparametri e ambienti di addestramento per identificare il modello migliore per il tuo caso d'uso.
Vertex AI TensorBoard consente di monitorare, visualizzare e confrontare gli esperimenti ML per misurare le prestazioni dei modelli.
Gestione delle versioni dei modelli: l'aggiunta di modelli a un repository centrale consente di tenere traccia delle versioni dei modelli.
- Vertex AI Model Registry fornisce una panoramica dei tuoi modelli in modo da poter organizzare, monitorare e addestrare meglio le nuove versioni. Da Registry dei modelli puoi valutare i modelli, eseguire il deployment dei modelli su un endpoint, creare previsioni batch e visualizzare i dettagli di modelli e versioni di modelli specifici.
Gestione delle funzionalità: quando riutilizzi le funzionalità ML in più team, hai bisogno di un modo rapido ed efficiente per condividerle e gestirle.
- Vertex AI Feature Store fornisce un repository centralizzato per l'organizzazione, l'archiviazione e la gestione di caratteristiche ML. L'utilizzo di un Featurestore centrale consente a un'organizzazione di riutilizzare le caratteristiche ML su larga scala e di aumentare la velocità di sviluppo e deployment di nuove applicazioni ML.
Monitora la qualità del modello: un modello di cui è stato eseguito il deployment in produzione ha le prestazioni migliori sui dati di input di previsione simili a quelli di addestramento. Quando i dati di input differiscono da quelli utilizzati per addestrare il modello, le prestazioni del modello possono peggiorare, anche se il modello non è cambiato.
- Vertex AI Model Monitoring monitora i modelli per il disallineamento addestramento/produzione e per la deviazione della previsione e ti invia avvisi quando i dati di previsione in arrivo sono troppo lontani dalla base di addestramento. Puoi utilizzare gli avvisi e le distribuzioni delle caratteristiche per valutare se devi riaddestrare il modello.