Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Das Einrichten umfasst Informationen zum Einrichten eines Projekts für Vertex AI Feature Store (Legacy) und die erforderlichen Berechtigungen zur Verwendung von Vertex AI Feature Store (Legacy).
Projekt konfigurieren
Im Folgenden wird beschrieben, wie Sie ein neues Projekt erstellen und die Vertex AI API aktivieren. Diese API ist erforderlich, um Vertex AI Feature Store (Legacy) zu verwenden. Wenn Sie bereits ein Projekt mit aktivierter Vertex AI API haben, können Sie dieses Projekt verwenden, anstatt ein neues Projekt zu erstellen.
Sign in to your Google Cloud account. If you're new to
Google Cloud,
create an account to evaluate how our products perform in
real-world scenarios. New customers also get $300 in free credits to
run, test, and deploy workloads.
In the Google Cloud console, on the project selector page,
select or create a Google Cloud project.
Neben Nutzerberechtigungen übernimmt das Vertex AI Feature Store (Legacy) auch Vorgänge wie den Zugriff auf Quelldaten. Vertex AI Feature Store (Legacy) verwendet dazu einen Dienst-Agent: service-PROJECT_NUMBER@gcp-sa-aiplatform.iam.gserviceaccount.com.
Standardmäßig gewährt das Dienstagent Vertex AI Feature-Store-Zugriff (Legacy) auf Quelldaten im selben Projekt, in dem sich der Feature Store befindet. Wenn sich die Quelldaten in einem anderen Projekt als Ihrem Feature Store befinden, müssen Sie dem Dienstagent Zugriff auf das Projekt gewähren, in dem sich die Quelldaten befinden.
Vertex AI-Administratoren haben Administratorberechtigungen für Vertex AI Feature Store (Legacy). Wenn Sie mehr Genauigkeit benötigen, bietet Vertex AI Feature Store (Legacy) eine Reihe vordefinierter IAM-Rollen. Diese Rollen bieten verschiedene Berechtigungssätze, die auf den folgenden Identitäten basieren:
IT-Betrieb und DevOps
Der Bereich für IT-Betrieb und DevOps verwaltet Google Cloud-Ressourcen und ist dafür verantwortlich, Feature Stores zu erstellen und ihre Leistung zu optimieren. Sie können die Rolle featurestoreAdmin oder featurestoreInstanceCreator verwenden. Mit der Rolle des Instanzerstellers können Sie Feature Stores verwalten, aber keine Daten sehen oder Daten in die Feature Stores schreiben.
Data Scientists und Data Engineers
Data Scientists und Data Engineers erstellen Features und schreiben Daten in Feature Stores. Mit der Rolle featurestoreResourceEditor können Sie Entitätstypen und Features verwalten und mit der Rolle featurestoreDataWriter können Sie Featurewerte lesen und schreiben.
ML-Forscher und Geschäftsanalysten
ML-Forscher und Geschäftsanalysten suchen nach Features und exportieren Werte für das Training von Modellen oder für Vorhersagen. Sie müssen keine neuen Features erstellen oder Daten schreiben. Die Rolle featurestoreResourceViewer können Sie zum Suchen oder Durchsuchen von Features und die Rolle featurestoreDataViewer zum Lesen von Featurewerten verwenden.
In Vertex AI Feature Store (Legacy) werden Kontingente und Limits durchgesetzt, um Sie bei der Verwaltung der Ressourcen zu unterstützen, indem Sie eigene Nutzungslimits festlegen, und um die Community der Google Cloud-Nutzer zu schützen, indem unvorhergesehene Nutzungsspitzen verhindert werden. Prüfen Sie auf der Seite Kontingente und Limits die Kontingente für Vertex AI Feature Store (Legacy), um ungeplante Einschränkungen zu vermeiden. Beispielsweise legt Vertex AI Feature Store (Legacy) ein Kontingent für die Anzahl der Online-Bereitstellungsknoten und ein Kontingent für die Anzahl der Online-Bereitstellungsanfragen fest, die Sie pro Minute stellen können.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-02 (UTC)."],[],[],null,["# Setup includes information about setting up a project for\nVertex AI Feature Store (Legacy) and the required permissions for using\nVertex AI Feature Store (Legacy).\n\nConfigure project\n-----------------\n\nThe following procedure describes how to create a new project and enable the\nVertex AI API. This API is required to use\nVertex AI Feature Store (Legacy). If you already have an existing project with\nthe Vertex AI API enabled, you can use that project instead of\ncreating a new project.\n\n- Sign in to your Google Cloud account. If you're new to Google Cloud, [create an account](https://console.cloud.google.com/freetrial) to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.\n- In the Google Cloud console, on the project selector page,\n select or create a Google Cloud project.\n\n [Go to project selector](https://console.cloud.google.com/projectselector2/home/dashboard)\n-\n [Verify that billing is enabled for your Google Cloud project](/billing/docs/how-to/verify-billing-enabled#confirm_billing_is_enabled_on_a_project).\n\n-\n\n\n Enable the Vertex AI API.\n\n\n [Enable the API](https://console.cloud.google.com/flows/enableapi?apiid=aiplatform.googleapis.com)\n\n- In the Google Cloud console, on the project selector page,\n select or create a Google Cloud project.\n\n [Go to project selector](https://console.cloud.google.com/projectselector2/home/dashboard)\n-\n [Verify that billing is enabled for your Google Cloud project](/billing/docs/how-to/verify-billing-enabled#confirm_billing_is_enabled_on_a_project).\n\n-\n\n\n Enable the Vertex AI API.\n\n\n [Enable the API](https://console.cloud.google.com/flows/enableapi?apiid=aiplatform.googleapis.com)\n\nVertex AI Feature Store (Legacy) service agent\n----------------------------------------------\n\nIn addition to user permissions, Vertex AI Feature Store (Legacy) acts on your\nbehalf to perform operations such as accessing source data. To do so,\nVertex AI Feature Store (Legacy) uses a service agent:\n`service-`\u003cvar class=\"readonly\" translate=\"no\"\u003ePROJECT_NUMBER\u003c/var\u003e`@gcp-sa-aiplatform.iam.gserviceaccount.com`.\nBy default, the service agent grants Vertex AI Feature Store (Legacy) access\nto source data in the same project where your featurestore is located. If the\nsource data is in a different project from your featurestore, you must grant the\nservice agent permission to access the project where the source data is\nlocated.\n\nFor more information, see [Grant Vertex AI service agents access to other\nresources](/vertex-ai/docs/general/access-control#grant_service_agents_access_to_other_resources).\n\nIAM permissions\n---------------\n\nVertex AI admins have Vertex AI Feature Store (Legacy) administrator\nprivileges. If you require more granularity, Vertex AI Feature Store (Legacy)\nprovides a set of predefined IAM roles. These roles provide\ndifferent sets of permissions that are based on the following personas:\n\nIT operations and DevOps\n: IT operations and DevOps manage Google Cloud resources and are responsible for\n creating featurestores and tuning their performance. You can use the\n `featurestoreAdmin` or `featurestoreInstanceCreator` role. The instance creator\n role lets you manage featurestores but prevents you from viewing data or\n writing data to the featurestores.\n\nData scientists and data engineers\n: Data scientists and data engineers create features and write data to\n featurestores. You can use the `featurestoreResourceEditor` role to\n manage entity types and features, and use the `featurestoreDataWriter` role to\n read and write feature values.\n\nML researchers and business analysts\n: ML researchers and business analysts search for features and export values for\n training models or making predictions; they don't need to create new features or\n write data. You can use the `featurestoreResourceViewer` role to search\n or browse for features and the `featurestoreDataViewer` role to read feature\n values.\n\nFor descriptions of each role and their associated permissions, see\n[Predefined roles for\nVertex AI](/vertex-ai/docs/general/access-control#predefined-roles).\n\nQuotas and limits\n-----------------\n\nVertex AI Feature Store (Legacy) enforces quotas and limits to help you manage\nresources by setting your own usage limits and to protect the community of\nGoogle Cloud users by preventing unforeseen spikes in usage. To prevent you from\nhitting unplanned constraints, review Vertex AI Feature Store (Legacy) quotas\non the [Quotas and limits](/vertex-ai/quotas#featurestore) page. For example,\nVertex AI Feature Store (Legacy) sets a quota on the number of online serving\nnodes and a quota on the number of online serving requests that you can make per\nminute.\n\nWhat's next\n-----------\n\n- Learn about [Manage featurestores](/vertex-ai/docs/featurestore/managing-featurestores).\n- Learn about [best practices](/vertex-ai/docs/featurestore/best-practices) for using Vertex AI Feature Store (Legacy)."]]
