Agrega una ejecución de canalización para experimentar

Consola de Google Cloud

1. En la sección Vertex AI de la consola de Google Cloud, ve a la página Canalizaciones.
   Ir a Pipelines
2. En la lista desplegable Región, selecciona la región en la que deseas crear una ejecución de canalización.
3. Haz clic en add_box Crear ejecución para abrir el panel Crear ejecución de canalización.
4. Especifica los siguientes detalles de Ejecución.
   • En el campo File, haz clic en Choose para abrir el selector de archivos. Navega hasta el archivo JSON de canalización compilado que deseas ejecutar, selecciona la canalización y haz clic en Abrir.
   • El Nombre de la canalización es la configuración predeterminada para el nombre que especificaste en la definición de la canalización. De manera opcional, especifica un Nombre de la canalización diferente.
   • Especifica un nombre de ejecución para identificar de manera única la ejecución de esta canalización.
5. Para especificar que esta ejecución de canalización use una cuenta de servicio personalizada, una clave de encriptación administrada por el cliente o una red de VPC con intercambio de tráfico, haz clic en Opciones avanzadas (opcional).
   Usa las siguientes instrucciones para configurar las opciones avanzadas como, por ejemplo, una cuenta de servicio personalizada.
   • Para especificar una cuenta de servicio, selecciona una cuenta de servicio de la lista desplegable Cuenta de servicio.
     Si no especificas una cuenta de servicio, Vertex AI Pipelines ejecuta la canalización con la cuenta de servicio predeterminada de Compute Engine.
     Obtén más información sobre cómo configurar una cuenta de servicio para que se use con Vertex AI Pipelines.
   • Para usar una clave de encriptación administrada por el cliente (CMEK), selecciona Usar una clave de encriptación administrada por el cliente. Aparecerá la lista desplegable Selecciona una clave administrada por el cliente. En la lista desplegable Selecciona una clave administrada por el cliente, selecciona la clave que deseas usar.
   • Para usar una red de VPC con intercambio de tráfico en la ejecución de esta canalización, ingresa el nombre de la red de VPC en el cuadro Red de VPC con intercambio de tráfico.
6. Haga clic en Continuar.
   Aparece la ubicación Cloud Storage y el panel Parámetros de canalización.
• Obligatorio: Ingresa el directorio de salida de Cloud Storage, por ejemplo, gs://location_of_directory.
• Especifica los parámetros que deseas usar para esta ejecución de canalización (opcional).
7. Haz clic en Submit para crear la ejecución de la canalización.
8. Luego de que se envía la canalización, aparece en la tabla de la consola de Google Cloud de la canalización.
9. En la fila asociada a tu canalización, haz clic en more_vert Ver más > Agregar al experimento.
• Selecciona un Experimento existente o crea uno nuevo.
• Opcional: Si las Ejecuciones del experimento están asociadas con el Experimento, aparecen en el menú desplegable. Selecciona una Ejecución de experimento existente.
10. Haz clic en Guardar.

Compara una ejecución de canalización con ejecuciones de experimentos con la consola de Google Cloud

1. En la consola de Google Cloud, ve a la página Experimentos.
   Ir a Experimentos
   En la página Experimentos, aparece una lista de experimentos.
2. Selecciona el experimento al que deseas agregar la ejecución de tu canalización.
   Aparecerá una lista de ejecuciones.
3. Selecciona las ejecuciones que deseas comparar y, luego, haz clic en Comparar
   .
4. Haz clic en el botón Agregar ejecución. Aparecerá una lista de ejecuciones.
5. Selecciona la ejecución de la canalización que deseas agregar. Se agregará la ejecución.

SDK de Vertex AI para Python {:#sdk-add-pipeline-run}

En los ejemplos siguientes, se usa la API de PipelineJob.

from typing import Any, Dict, Optional

from google.cloud import aiplatform


def log_pipeline_job_to_experiment_sample(
    experiment_name: str,
    pipeline_job_display_name: str,
    template_path: str,
    pipeline_root: str,
    project: str,
    location: str,
    parameter_values: Optional[Dict[str, Any]] = None,
):
    aiplatform.init(project=project, location=location)

    pipeline_job = aiplatform.PipelineJob(
        display_name=pipeline_job_display_name,
        template_path=template_path,
        pipeline_root=pipeline_root,
        parameter_values=parameter_values,
    )

    pipeline_job.submit(experiment=experiment_name)

from google.cloud import aiplatform


def log_pipeline_job_sample(
    experiment_name: str,
    run_name: str,
    pipeline_job: aiplatform.PipelineJob,
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log(pipeline_job=pipeline_job)