Google Cloud 管道元件簡介

Google Cloud (GCPC) SDK 提供一組預先建構的 Kubeflow Pipelines 元件，這些元件具有良好的效能和易用性，且符合實際工作環境的品質。您可以使用 Google Cloud 管道元件，在 Vertex AI 管道和其他符合 Kubeflow 管道執行後端的機器學習管道中定義及執行機器學習管道。

舉例來說，您可以使用這些元件完成以下工作：

  • 建立新的資料集，並將不同類型的資料 (圖片、表格、文字或影片) 載入資料集。
  • 將資料集資料匯出至 Cloud Storage。
  • 使用 AutoML 訓練圖片、表格、文字或影片資料的模型。
  • 使用自訂容器或 Python 套件執行自訂訓練工作。
  • 將現有模型上傳至 Vertex AI，以便進行批次預測。
  • 建立新的端點，並將模型部署至該端點，以便進行線上預測。

此外，Vertex AI Pipelines 支援這些預先建構的 Google Cloud Pipeline 元件，並提供下列優點：

  • 簡化偵錯程序：顯示從元件啟動的基礎資源，以便簡化偵錯程序。
  • 標準化構件類型：提供一致的介面，以便在輸入和輸出時使用標準構件類型。這些標準構件會在 Vertex ML 中繼資料中追蹤，方便您分析管道構件的歷程。如要進一步瞭解構件歷程，請參閱「追蹤管道構件的歷程」。
  • 透過帳單標籤瞭解管道費用：資源標籤會自動套用至管道執行期間由 Google Cloud 管道元件產生的 Google Cloud 服務。您可以使用帳單標籤搭配將 Cloud Billing 資料匯出至 BigQuery 的功能，查看管道執行作業的費用。如要進一步瞭解如何使用標籤來瞭解管道執行作業的費用，請參閱「瞭解管道執行作業的費用」。如要進一步瞭解如何從管道執行作業將標籤傳播至由 Google Cloud 管道元件產生的資源，請參閱「Vertex AI Pipelines 的資源標籤」。
  • 成本效率*：Vertex AI Pipelines 會啟動 Google Cloud 資源，不必啟動容器，藉此最佳化這些元件的執行作業。這麼做可縮短啟動延遲時間，並降低忙等容器的成本。
* 這項功能僅適用於下列元件：
  • CustomTrainingJobOp
  • WaitGcpResourcesOp (適用於 Dataflow)
  • DataflowPythonJobOp

後續步驟