特徴グループを作成する

特徴グループは、特徴データを含む BigQuery テーブルまたはビューに関連付けられている 特徴レジストリ リソースです。特徴グループには複数の特徴を含めることができます。各特徴は、特徴データソースの列に関連付けられています。特徴データソースを特徴レジストリに登録する場合は、特徴グループを作成して、それに特徴を追加します。

特徴グループを作成し、BigQuery データソースを関連付けたら、データソース内の列に関連付けられた特徴を作成できます。特徴グループの作成時にデータソースを関連付けることは省略可能ですが、その特徴グループ内に特徴を作成する前に、BigQuery テーブルまたはビューを関連付ける必要があります。各特徴は、特徴グループに関連付けられたデータソース内の列に対応しています。

特徴グループと特徴を使用する理由

特徴データソースの登録は任意です。ただし、次のシナリオでは、特徴グループと特徴を作成して特徴データを登録する必要があります。

• 時系列形式の履歴データを使用してモデルをトレーニングする: 特徴データソースに、同じエンティティ ID の複数の特徴レコードを含む最新の特徴データと履歴の特徴データが含まれている場合は、feature_timestamp 列を追加して、このデータを時系列としてフォーマットします。このシナリオでは、特徴グループと特徴を使用してデータソースを登録する必要があります。その後、次のように特徴をサービングできます。

  • オンライン サービングを使用して、タイムスタンプに基づいて最新の特徴値をサービングし、リアルタイム予測を行います。

  • オフライン サービングを使用して、最新の特徴値と過去の特徴値の両方を提供し、モデルをトレーニングします。

• 複数のソースから特徴を集計する: 特徴ビューのインスタンスを作成するときに、特徴グループを使用して複数の BigQuery データソースから特定の列を集計します。

• null 特徴値をサービングする: オンライン サービングで、null 値を含む最新の特徴値のみをサービングする場合は、dense パラメータを true に設定して特徴グループを作成し、特徴データソースを登録します。

• 特徴ビューで継続的なデータ同期を使用する: 特徴ビューで継続的なデータ同期を使用するには、特徴を登録する必要があります。

• 特徴の異常をモニタリングする: 特徴の統計情報を取得して特徴ドリフトを検出するために特徴モニタリングを設定する場合は、特徴を登録する必要があります。

特徴グループと特徴を使用すべきでない場合

特徴データソースからエンベディングをサービングする場合は、特徴グループと特徴を作成してデータソースを登録しないでください。このシナリオでは、BigQuery テーブルまたはビューを特徴ビューに直接関連付けて、オンライン サービングを設定する必要があります。

特徴データソースを登録せずにオンライン サービングを設定する方法については、BigQuery ソースから特徴ビューを作成するをご覧ください。

アクセスを制御する

特徴グループへのアクセスは、次のレベルで制御できます。

• FeatureGroup リソースへのアクセスを制御する: 特定の個人、Google グループ、ドメイン、サービス アカウントのフィーチャー グループへのアクセスを制御するには、フィーチャー グループの IAM ポリシーを設定します。

• BigQuery データソースへのアクセスを制御する: デフォルトでは、特徴グループはプロジェクト用に構成されたデフォルトのサービス アカウントを使用します。Vertex AI Feature Store は、このサービス アカウントに BigQuery データ閲覧者の Identity and Access Management（IAM）ロールを割り当てます。これにより、プロジェクトで特徴グループの作成権限を持つユーザーは、BigQuery の特徴データソースにアクセスできます。BigQuery データソースへのアクセスの制限や、追加のユーザーへのアクセス権の付与を行うには、独自の専用サービス アカウントを使用するように特徴グループを設定します。Vertex AI Feature Store は、専用のサービス アカウントを持つように構成された特徴グループごとに一意のサービス アカウントのメールアドレスを生成します。

始める前に

特徴グループを作成する前に、次の前提条件を満たしてください。

• 新しいオンライン ストア インスタンスを作成する場合でも、プロジェクトに少なくとも 1 つのオンライン ストア インスタンスが作成されていることを確認します。新しいプロジェクトを使用している場合は、特徴グループを作成する前にオンライン ショップ インスタンスを作成します。

• データソース準備ガイドラインに適合するように、BigQuery テーブルまたはビューで特徴データの形式を設定します。

• BigQuery データソースに、string 値または int 値を含むエンティティ ID 列が 1 つ以上含まれていることを確認します。

• まだ行っていない場合は、Vertex AI に対する認証を行います。

  Select the tab for how you plan to use the samples on this page:

  Console

  When you use the Google Cloud console to access Google Cloud services and APIs, you don't need to set up authentication.

  Python

  ローカル開発環境でこのページの Python サンプルを使用するには、gcloud CLI をインストールして初期化し、ユーザー認証情報を使用してアプリケーションのデフォルト認証情報を設定します。

  Google Cloud CLI をインストールします。

  外部 ID プロバイダ（IdP）を使用している場合は、まず連携 ID を使用して gcloud CLI にログインする必要があります。

  If you're using a local shell, then create local authentication credentials for your user account:

  gcloud auth application-default login

  You don't need to do this if you're using Cloud Shell.

  If an authentication error is returned, and you are using an external identity provider (IdP), confirm that you have signed in to the gcloud CLI with your federated identity.

  詳細については Set up authentication for a local development environment をご覧ください。

  REST

  このページの REST API サンプルをローカル開発環境で使用するには、gcloud CLI に指定した認証情報を使用します。

  Google Cloud CLI をインストールします。

  外部 ID プロバイダ（IdP）を使用している場合は、まず連携 ID を使用して gcloud CLI にログインする必要があります。

  詳細については、 Google Cloud 認証ドキュメントの REST を使用して認証するをご覧ください。

特徴グループを作成して特徴データソースを登録する

次のサンプルを使用して、特徴グループを作成し、BigQuery テーブルやビューなどの特徴データソースを関連付けます。

from google.cloud import aiplatform
from vertexai.resources.preview import feature_store
from typing import List


def create_feature_group_sample(
    project: str,
    location: str,
    feature_group_id: str,
    bq_table_uri: str,
    entity_id_columns: List[str],
):
    aiplatform.init(project=project, location=location)
    fg = feature_store.FeatureGroup.create(
        name=feature_group_id,
        source=feature_store.utils.FeatureGroupBigQuerySource(
            uri=bq_table_uri, entity_id_columns=entity_id_columns
        ),
    )
    return fg

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME

{
  "service_agent_type": "SERVICE_AGENT_TYPE",
  "big_query": {
    "entity_id_columns": "ENTITY_ID_COLUMNS",
    "big_query_source": {
      "input_uri": "BIGQUERY_SOURCE_URI",
    }
    "time_series": {
      "timestamp_column": ""TIMESTAMP_COLUMN"",
    },
    "static_data_source": STATIC_DATA_SOURCE,
    "dense": DENSE
  }
}

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureGroups?feature_group_id=FEATUREGROUP_NAME" | Select-Object -Expand Content

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featureGroups/FEATUREGROUP_NAME/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateFeatureGroupOperationMetadata",
    "genericMetadata": {
      "createTime": "2023-09-18T03:00:13.060636Z",
      "updateTime": "2023-09-18T03:00:13.060636Z"
    }
  }
}

次のステップ

• 特徴の作成方法を学ぶ。

• 特徴グループの更新方法を学ぶ。

• 特徴グループの削除方法を学ぶ。