Verarbeitungslogik mit Cloud Run-Funktionen hinzufügen

Mit Cloud Run-Funktionen können Sie Ausgabedaten aus benutzerdefinierten Vertex AI-Modellen und BigQuery-App-Knoten weiter verarbeiten. Sie können diese Integrationen mit App-Knoten auf folgende Weise verwenden:

  • Knoten Vertex AI-benutzerdefiniertes Modell: Mit Cloud Run-Funktionen können Sie die Vorhersageergebnisse aus dem ursprünglichen benutzerdefinierten Vertex AI-Modell nachbearbeiten.
  • Knoten BigQuery: Mit Cloud Run-Funktionen können Sie benutzerdefinierte BigQuery-Zeilen mit den ursprünglichen Anmerkungen generieren.

Alle Cloud Run-Funktionen, die Sie mit der App-Plattform verwenden, müssen die folgenden Anforderungen erfüllen:

API-Definitionen: AppPlatformMetadata, AppPlatformCloudFunctionRequest, AppPlatformCloudFunctionResponse

// Message of essential metadata of App Platform.
// This message is usually attached to a certain model output annotation for
// customer to identify the source of the data.
message AppPlatformMetadata {
  // The application resource name.
  string application = 1;
  // The instance resource id. Instance is the nested resource of application
  // under collection 'instances'.
  string instance_id = 2;
  // The node name of the application graph.
  string node = 3;
  // The referred model resource name of the application node.
  string processor = 4;
}

// For any Cloud Run function based customer processing logic, customer's cloud
// function is expected to receive AppPlatformCloudFunctionRequest as request
// and send back AppPlatformCloudFunctionResponse as response.
// Message of request from AppPlatform to Cloud Run functions.
message AppPlatformCloudFunctionRequest {
  // The metadata of the AppPlatform for customer to identify the source of the
  // payload.
  AppPlatformMetadata app_platform_metadata = 1;
  // A general annotation message that uses struct format to represent different
  // concrete annotation protobufs.
  message StructedInputAnnotation {
    // The ingestion time of the current annotation.
    int64 ingestion_time_micros = 1;
    // The struct format of the actual annotation.
    protobuf.Struct annotation = 2;
  }
  // The actual annotations to be processed by the customized Cloud Run function.
  repeated StructedInputAnnotation annotations = 2;
}

// Message of the response from customer's Cloud Run function to AppPlatform.
message AppPlatformCloudFunctionResponse {
  // A general annotation message that uses struct format to represent different
  // concrete annotation protobufs.
  message StructedOutputAnnotation {
    // The struct format of the actual annotation.
    protobuf.Struct annotation = 1;
  }

  // The modified annotations that is returned back to AppPlatform.
  // If the annotations fields are empty, then those annotations will be dropped
  // by AppPlatform.
  repeated StructedOutputAnnotation annotations = 2;
}

Verwendungsbeispiel

Verwenden Sie den folgenden Code, um Anmerkungen für benutzerdefiniert trainierte Vertex AI-Modelle zu verarbeiten und Anmerkungen durch ein konstantes Schlüssel/Wert-Paar zu ersetzen.

Python

import functions_framework
from flask import jsonify

@functions_framework.http
def hello_http(request):
   request_json = request.get_json(silent=True)
   request_args = request.args

   if request_json and 'annotations' in request_json:
       annotations = []
       for ele in request_json['annotations']:
           for k, v in ele.items():
               if k == "annotation":
                if "predictions" in v:
                    # Replace the annotation.
                    v["predictions"][0] = {"user": "googler"}
                    annotations.append({"annotation" : v})
   else:
       annotations = 'Failure'
   return jsonify(annotations=annotations)