Adicionar a lógica de processamento usando as funções do Cloud Run

Com as funções do Cloud Run, é possível processar os dados de saída do modelo treinado sob medida da Vertex AI e dos nós de apps do BigQuery. É possível usar essas integrações com nós de app das seguintes maneiras:

• Nó Modelo personalizado da Vertex AI: use funções do Cloud Run para processar os resultados da previsão do modelo personalizado da Vertex AI.
• Nó BigQuery: use as funções do Cloud Run para gerar linhas personalizadas do BigQuery com as anotações originais.

Todas as funções do Cloud Run que você usa com a App Platform precisam atender aos seguintes requisitos:

• As funções do Cloud Run precisam fornecer o gatilho HTTP.
• As funções do Cloud Run precisam receber uma string JSON AppPlatformCloudFunctionRequest e retornar uma string JSON AppPlatformCloudFunctionResponse.
• O esquema de payload da anotação armazenado na solicitação e a resposta precisa seguir a especificação do modelo de destino.

Definições de API: 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;
}

Exemplo de uso

Use o código abaixo para processar as anotações do modelo treinado personalizado da Vertex AI e substituí-las por um par de chave-valor constante.

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)