Google推出Vertex Pipelines简化自动化机器学习流程建置

Google宣布推出Vertex Pipelines，供用户建构机器学习工作管线，来加速机器学习工作流程。Vertex Pipelines为一个无服务器服务，能够执行由Kubeflow Pipelines（KFP）或TensorFlow Extended（TFX）开源函式库所定义的工作管线。

Google解释，要扩展机器学习工作流程最好的方式，是将工作流程以工作管线的方式运作，每个工作管线的步骤，都是机器学习过程的各个部分，工作管线能够在企业中进行生产、共享，并且可靠地复制机器学习工作流程，Google认为，工作管线也是MLOps的关键，用户可以建构系统来自动重新训练和部署模型。

而机器学习工作管线便是将机器学习流程，封装成一系列步骤，工作管线中的每一步骤都是一个容器，每一步的输出都可作为下一步骤的输入，但这样的方法会出现两个问题需要解决，第一是用户需要将每个步骤转换成为容器，第二则是需要配置基础设施来大规模执行工作管线。

第一个问题可以使用开源函式库解决，KFP和TFX可将工作管线步骤转换成为容器，并且管理工作管线中的输入和输出，因此用户可以使用KFP和TFX来定义工作管线，并在Vertex Pipelines上执行。另外，Vertex Pipelines是完全无服务器服务，因此就能解决第二个问题，当用户上传执行KFP或TFX工作管线时，Vertex AI能够处理配置和扩展基础设施。

Vertex Pipelines、Vertex AI以及其他Google工具紧密整合，因此用户的机器学习工作管线，可以从BigQuery汇入资料开始，使用Vertex AI训练模型，接着在Cloud Storage储存工作管线构件，最后获取模型评估指标，并且将模型部署到Vertex AI端点，这些步骤都可以在Vertex Pipeline中配置。Google也创建了一个Vertex Pipelines预建置元件库，这些元件将有助于简化在工作管线中，执行Vertex AI其他部分的过程，像是创建资料集或是训练AutoML模型。

Google提到，要借由工作管线来产生每部分的输出，需要有一种机制，跨工作管线执行创建指标和追踪构件，当团队中有多人参与开发和执行工作管线，或是对不同机器学习任务，管理多个工作管线时，这样的机制会更加有用。而Google则透过整合Vertex Pipelines和Vertex ML的后设资料，来实现自动化构件和指标等追踪，用户在Vertex AI控制台和Vertex AI SDK，都可以检查工作管线后设资料。