Trang này được dịch bởi Cloud Translation API.

Xử lý trước dữ liệu cho ML: các tùy chọn và đề xuất

Tài liệu này là tài liệu đầu tiên trong loạt bài gồm hai phần khám phá chủ đề kỹ thuật dữ liệu và kỹ thuật tính năng cho máy học (ML), tập trung vào các nhiệm vụ học tập có giám sát. Phần đầu tiên này thảo luận về các phương pháp hay nhất để xử lý trước dữ liệu trong quy trình ML trên Google Cloud. Tài liệu tập trung vào việc sử dụng TensorFlow và thư viện TensorFlow Transform ( tf.Transform ) mã nguồn mở để chuẩn bị dữ liệu, huấn luyện mô hình và phục vụ mô hình cho việc dự đoán. Tài liệu này nêu bật những thách thức trong quá trình tiền xử lý dữ liệu cho ML, đồng thời mô tả các tùy chọn và kịch bản để thực hiện chuyển đổi dữ liệu trên Google Cloud một cách hiệu quả.

Tài liệu này giả định rằng bạn đã quen thuộc với BigQuery , Dataflow , Vertex AI và API TensorFlow Keras .

Tài liệu thứ hai, Xử lý trước dữ liệu cho ML với Google Cloud , cung cấp hướng dẫn từng bước về cách triển khai quy trình tf.Transform .

Giới thiệu

ML giúp bạn tự động tìm các mẫu phức tạp và có thể hữu ích trong dữ liệu. Các mẫu này được cô đọng trong mô hình ML, sau đó có thể được sử dụng trên các điểm dữ liệu mới—một quá trình được gọi là đưa ra dự đoán hoặc thực hiện suy luận .

Xây dựng mô hình ML là một quá trình gồm nhiều bước. Mỗi bước trình bày những thách thức về mặt kỹ thuật và khái niệm riêng. Loạt bài gồm hai phần này tập trung vào các nhiệm vụ học tập có giám sát và quá trình lựa chọn, chuyển đổi và tăng cường dữ liệu nguồn để tạo ra các tín hiệu dự đoán mạnh mẽ cho biến mục tiêu. Các hoạt động này kết hợp kiến thức miền với các kỹ thuật khoa học dữ liệu. Các hoạt động là bản chất của kỹ thuật tính năng .

Kích thước của tập dữ liệu huấn luyện cho các mô hình ML trong thế giới thực có thể dễ dàng bằng hoặc lớn hơn một terabyte (TB). Do đó, bạn cần các khung xử lý dữ liệu quy mô lớn để xử lý các bộ dữ liệu này một cách hiệu quả và phân tán. Khi sử dụng mô hình ML để đưa ra dự đoán, bạn phải áp dụng các phép biến đổi tương tự mà bạn đã sử dụng cho dữ liệu huấn luyện trên các điểm dữ liệu mới. Bằng cách áp dụng các phép biến đổi tương tự, bạn trình bày tập dữ liệu trực tiếp cho mô hình ML theo cách mà mô hình mong đợi.

Tài liệu này thảo luận về những thách thức này đối với các mức độ chi tiết khác nhau của hoạt động kỹ thuật tính năng: tập hợp cấp phiên bản, toàn bộ và thời gian. Tài liệu này cũng mô tả các tùy chọn và kịch bản để thực hiện chuyển đổi dữ liệu cho ML trên Google Cloud.

Tài liệu này cũng cung cấp thông tin tổng quan về TensorFlow Transform ( tf.Transform ), một thư viện dành cho TensorFlow cho phép bạn xác định cả chuyển đổi dữ liệu ở cấp phiên bản và chuyển đổi dữ liệu đầy đủ thông qua quy trình tiền xử lý dữ liệu. Các quy trình này được thực thi bằng Apache Beam và chúng tạo ra các tạo phẩm cho phép bạn áp dụng các phép biến đổi tương tự trong quá trình dự đoán cũng như khi mô hình được phân phát.

Dữ liệu tiền xử lý cho ML

Phần này giới thiệu các hoạt động tiền xử lý dữ liệu và các giai đoạn sẵn sàng của dữ liệu. Nó cũng thảo luận về các loại hoạt động tiền xử lý và mức độ chi tiết của chúng.

Kỹ thuật dữ liệu so với kỹ thuật tính năng

Quá trình tiền xử lý dữ liệu cho ML bao gồm cả kỹ thuật dữ liệu và kỹ thuật tính năng. Kỹ thuật dữ liệu là quá trình chuyển đổi dữ liệu thô thành dữ liệu đã chuẩn bị sẵn . Sau đó, kỹ thuật tính năng sẽ điều chỉnh dữ liệu đã chuẩn bị để tạo ra các tính năng mà mô hình ML mong đợi. Những thuật ngữ này có ý nghĩa như sau:

Dữ liệu thô (hoặc chỉ data ): Dữ liệu ở dạng nguồn mà không cần chuẩn bị trước cho ML. Trong ngữ cảnh này, dữ liệu có thể ở dạng thô (trong hồ dữ liệu) hoặc ở dạng chuyển đổi (trong kho dữ liệu). Dữ liệu đã chuyển đổi trong kho dữ liệu có thể đã được chuyển đổi từ dạng thô ban đầu để sử dụng cho phân tích. Tuy nhiên, trong ngữ cảnh này, dữ liệu thô có nghĩa là dữ liệu chưa được chuẩn bị cụ thể cho tác vụ ML của bạn. Dữ liệu cũng được coi là dữ liệu thô nếu nó được gửi từ các hệ thống phát trực tuyến mà cuối cùng gọi các mô hình ML để dự đoán.
Dữ liệu đã chuẩn bị: Tập dữ liệu ở dạng sẵn sàng cho nhiệm vụ ML của bạn: nguồn dữ liệu đã được phân tích cú pháp, nối và đưa vào dạng bảng. Dữ liệu đã chuẩn bị sẽ được tổng hợp và tóm tắt theo mức độ chi tiết phù hợp—ví dụ: mỗi hàng trong tập dữ liệu đại diện cho một khách hàng duy nhất và mỗi cột thể hiện thông tin tóm tắt về khách hàng đó, chẳng hạn như tổng số tiền đã chi tiêu trong sáu tuần qua. Trong bảng dữ liệu đã chuẩn bị sẵn, các cột không liên quan đã bị loại bỏ và các bản ghi không hợp lệ đã được lọc ra. Đối với các nhiệm vụ học có giám sát, tính năng mục tiêu sẽ xuất hiện.
Tính năng thiết kế: Tập dữ liệu có các tính năng đã điều chỉnh mà mô hình mong đợi—nghĩa là các tính năng được tạo bằng cách thực hiện một số thao tác cụ thể ML trên các cột trong tập dữ liệu đã chuẩn bị và tạo các tính năng mới cho mô hình của bạn trong quá trình đào tạo và dự đoán, như được mô tả sau trong các hoạt động tiền xử lý . Ví dụ về các thao tác này bao gồm chia tỷ lệ các cột số thành giá trị từ 0 đến 1, cắt bớt các giá trị và các tính năng phân loại mã hóa một nóng .

Sơ đồ sau, hình 1, hiển thị các bước liên quan đến việc chuẩn bị dữ liệu được xử lý trước:

Sơ đồ luồng hiển thị dữ liệu thô chuyển sang dữ liệu đã chuẩn bị chuyển sang các tính năng được thiết kế. — **Hình 1.** Luồng dữ liệu từ dữ liệu thô đến dữ liệu đã chuẩn bị đến các tính năng được thiết kế cho đến máy học.

Trong thực tế, dữ liệu từ cùng một nguồn thường ở các mức độ sẵn sàng khác nhau. Ví dụ: một trường từ một bảng trong kho dữ liệu của bạn có thể được sử dụng trực tiếp làm tính năng được thiết kế. Đồng thời, một trường khác trong cùng một bảng có thể cần phải trải qua quá trình biến đổi trước khi trở thành một tính năng được thiết kế. Tương tự, các hoạt động kỹ thuật dữ liệu và kỹ thuật tính năng có thể được kết hợp trong cùng một bước tiền xử lý dữ liệu.

Hoạt động tiền xử lý

Quá trình tiền xử lý dữ liệu bao gồm một số thao tác. Mỗi thao tác được thiết kế để giúp ML xây dựng các mô hình dự đoán tốt hơn. Chi tiết về các thao tác tiền xử lý này nằm ngoài phạm vi của tài liệu này, nhưng một số thao tác được mô tả ngắn gọn trong phần này.

Đối với dữ liệu có cấu trúc, các hoạt động tiền xử lý dữ liệu bao gồm:

Làm sạch dữ liệu: xóa hoặc sửa các bản ghi có giá trị bị hỏng hoặc không hợp lệ khỏi dữ liệu thô và xóa các bản ghi bị thiếu một số lượng lớn cột.
Lựa chọn và phân vùng phiên bản: chọn các điểm dữ liệu từ tập dữ liệu đầu vào để tạo tập huấn luyện, đánh giá (xác thực) và tập kiểm tra . Quá trình này bao gồm các kỹ thuật lấy mẫu ngẫu nhiên lặp lại, lấy mẫu quá mức các lớp thiểu số và phân vùng phân tầng.
Điều chỉnh tính năng: cải thiện chất lượng của một tính năng cho ML, bao gồm chia tỷ lệ và chuẩn hóa các giá trị số, đưa ra các giá trị bị thiếu, cắt bớt các giá trị ngoại lệ và điều chỉnh các giá trị có phân bố sai lệch.
Chuyển đổi tính năng: chuyển đổi tính năng số thành tính năng phân loại (thông qua nhóm ) và chuyển đổi tính năng phân loại thành biểu diễn số (thông qua mã hóa một lần, học với số lượng , nhúng tính năng thưa thớt, v.v.). Một số mô hình chỉ hoạt động với các tính năng số hoặc phân loại, trong khi những mô hình khác có thể xử lý các tính năng loại hỗn hợp. Ngay cả khi các mô hình xử lý cả hai loại, chúng vẫn có thể hưởng lợi từ các cách biểu diễn khác nhau (số và phân loại) của cùng một tính năng.
Trích xuất tính năng: giảm số lượng tính năng bằng cách tạo các biểu diễn dữ liệu có kích thước thấp hơn, mạnh mẽ hơn bằng cách sử dụng các kỹ thuật như PCA , trích xuất nhúng và băm .
Lựa chọn tính năng: chọn một tập hợp con các tính năng đầu vào để huấn luyện mô hình và bỏ qua những tính năng không liên quan hoặc dư thừa, sử dụng các phương pháp lọc hoặc trình bao bọc . Việc lựa chọn tính năng cũng có thể chỉ đơn giản là loại bỏ các tính năng nếu các tính năng đó thiếu một số lượng lớn giá trị.
Xây dựng tính năng: tạo các tính năng mới bằng cách sử dụng các kỹ thuật điển hình, chẳng hạn như mở rộng đa thức (bằng cách sử dụng các hàm toán học đơn biến) hoặc chéo tính năng (để nắm bắt các tương tác tính năng). Các tính năng cũng có thể được xây dựng bằng cách sử dụng logic nghiệp vụ từ miền của trường hợp sử dụng ML.

Khi bạn làm việc với dữ liệu phi cấu trúc (ví dụ: hình ảnh, âm thanh hoặc tài liệu văn bản), học sâu sẽ thay thế kỹ thuật tính năng dựa trên kiến thức miền bằng cách đưa nó vào kiến trúc mô hình. Lớp tích chập là một bộ tiền xử lý tính năng tự động. Việc xây dựng kiến trúc mô hình phù hợp đòi hỏi một số kiến thức thực nghiệm về dữ liệu. Ngoài ra, cần có một số lượng tiền xử lý, chẳng hạn như sau:

Đối với tài liệu văn bản: từ gốc và từ vựng , tính toán TF-IDF và trích xuất n-gram , tra cứu nhúng.
Đối với hình ảnh: cắt, thay đổi kích thước, cắt xén, làm mờ Gaussian và bộ lọc canary.
Đối với tất cả các loại dữ liệu (bao gồm văn bản và hình ảnh): học chuyển , xử lý tất cả các lớp trừ lớp cuối cùng của mô hình được đào tạo đầy đủ như một bước kỹ thuật tính năng.

Độ chi tiết tiền xử lý

Phần này thảo luận về mức độ chi tiết của các loại chuyển đổi dữ liệu. Nó cho thấy lý do tại sao quan điểm này lại quan trọng khi chuẩn bị các điểm dữ liệu mới cho dự đoán bằng cách sử dụng các phép biến đổi được áp dụng trên dữ liệu huấn luyện.

Các hoạt động tiền xử lý và chuyển đổi có thể được phân loại như sau, dựa trên mức độ chi tiết của hoạt động:

Các chuyển đổi cấp độ cá thể trong quá trình đào tạo và dự đoán . Đây là những phép biến đổi đơn giản, trong đó chỉ cần các giá trị từ cùng một thể hiện cho phép chuyển đổi. Ví dụ: các phép biến đổi cấp phiên bản có thể bao gồm việc cắt bớt giá trị của một đối tượng đến một ngưỡng nào đó, mở rộng đa thức một đối tượng khác, nhân hai đối tượng hoặc so sánh hai đối tượng để tạo cờ Boolean.
Những phép biến đổi này phải được áp dụng giống hệt nhau trong quá trình huấn luyện và dự đoán, bởi vì mô hình sẽ được huấn luyện dựa trên các tính năng được biến đổi chứ không phải trên các giá trị đầu vào thô. Nếu dữ liệu không được chuyển đổi giống hệt nhau thì mô hình hoạt động kém vì nó được trình bày với dữ liệu có sự phân bổ các giá trị mà nó không được đào tạo. Để biết thêm thông tin, hãy xem phần thảo luận về độ lệch phục vụ đào tạo trong phần Thử thách tiền xử lý .
Các phép biến đổi hoàn toàn trong quá trình đào tạo, nhưng các phép biến đổi cấp độ phiên bản trong quá trình dự đoán . Trong trường hợp này, các phép biến đổi có trạng thái vì chúng sử dụng một số thống kê được tính toán trước để thực hiện phép biến đổi. Trong quá trình đào tạo, bạn phân tích toàn bộ dữ liệu đào tạo để tính toán các số lượng như tối thiểu, tối đa, trung bình và phương sai nhằm chuyển đổi dữ liệu đào tạo, dữ liệu đánh giá và dữ liệu mới tại thời điểm dự đoán.
Ví dụ: để chuẩn hóa một đặc điểm số cho việc huấn luyện, bạn tính giá trị trung bình (μ) và độ lệch chuẩn (σ) của nó trên toàn bộ dữ liệu huấn luyện. Tính toán này được gọi là thao tác full-pass (hoặc analyze ). Khi bạn phân phối mô hình để dự đoán, giá trị của điểm dữ liệu mới sẽ được chuẩn hóa để tránh độ lệch phân phối đào tạo. Do đó, các giá trị μ và σ được tính toán trong quá trình đào tạo được sử dụng để điều chỉnh giá trị tính năng, đây là thao tác cấp phiên bản đơn giản sau:
$$ value_{scaled} = (value_{raw} - \mu) \div \sigma $$
Các phép biến đổi toàn phần bao gồm:
- Các tính năng số chia tỷ lệ MinMax bằng cách sử dụng tính toán tối thiểu và tối đa từ tập dữ liệu huấn luyện.
- Các tính năng số tỷ lệ tiêu chuẩn (chuẩn hóa điểm z) sử dụng μ và σ được tính toán trên tập dữ liệu huấn luyện.
- Bucketizing các tính năng số bằng cách sử dụng lượng tử.
- Gán các giá trị bị thiếu bằng cách sử dụng giá trị trung bình (tính năng số) hoặc chế độ (tính năng phân loại).
- Chuyển đổi chuỗi (giá trị danh nghĩa) thành số nguyên (chỉ mục) bằng cách trích xuất tất cả các giá trị riêng biệt (từ vựng) của tính năng phân loại đầu vào.
- Đếm sự xuất hiện của một thuật ngữ (giá trị đặc trưng) trong tất cả các tài liệu (thể hiện) để tính toán cho TF-IDF.
- Tính toán PCA của các tính năng đầu vào để chiếu dữ liệu vào không gian có chiều thấp hơn (với các tính năng phụ thuộc tuyến tính).
Bạn chỉ nên sử dụng dữ liệu huấn luyện để tính toán các số liệu thống kê như μ, σ, min và max . Nếu bạn thêm dữ liệu kiểm tra và đánh giá cho các hoạt động này, bạn đang rò rỉ thông tin từ dữ liệu đánh giá và kiểm tra để huấn luyện mô hình. Làm như vậy sẽ ảnh hưởng đến độ tin cậy của kết quả kiểm tra, đánh giá. Để đảm bảo rằng bạn áp dụng phép chuyển đổi nhất quán cho tất cả các tập dữ liệu, bạn sử dụng cùng số liệu thống kê được tính toán từ dữ liệu huấn luyện để chuyển đổi dữ liệu kiểm tra và đánh giá.
Tổng hợp lịch sử trong quá trình đào tạo và dự đoán . Điều này liên quan đến việc tạo các tập hợp kinh doanh, dẫn xuất và gắn cờ làm tín hiệu đầu vào cho nhiệm vụ dự đoán—ví dụ: tạo số liệu về lần truy cập gần đây, tần suất và tiền tệ (RFM) cho khách hàng để xây dựng mô hình xu hướng. Các loại tính năng này có thể được tính toán trước và lưu trữ trong kho tính năng để sử dụng trong quá trình đào tạo mô hình, chấm điểm hàng loạt và cung cấp dự đoán trực tuyến. Bạn cũng có thể thực hiện kỹ thuật tính năng bổ sung (ví dụ: chuyển đổi và điều chỉnh) cho các tập hợp này trước khi đào tạo và dự đoán.
Tổng hợp lịch sử trong quá trình đào tạo, nhưng tổng hợp thời gian thực trong quá trình dự đoán . Cách tiếp cận này liên quan đến việc tạo ra một tính năng bằng cách tóm tắt các giá trị thời gian thực theo thời gian. Trong cách tiếp cận này, các trường hợp được tổng hợp được xác định thông qua các mệnh đề cửa sổ thời gian. Ví dụ: bạn có thể sử dụng phương pháp này nếu bạn muốn đào tạo một mô hình ước tính thời gian chuyến đi taxi dựa trên số liệu giao thông cho tuyến đường trong 5 phút qua, trong 10 phút qua, trong 30 phút qua và các thời điểm khác. khoảng thời gian. Bạn cũng có thể sử dụng phương pháp này để dự đoán lỗi của một bộ phận động cơ dựa trên giá trị trung bình chuyển động của nhiệt độ và độ rung được tính toán trong 3 phút qua. Mặc dù những tập hợp này có thể được chuẩn bị ngoại tuyến để đào tạo nhưng chúng được tính toán theo thời gian thực từ luồng dữ liệu trong quá trình phân phối.
Chính xác hơn, khi bạn chuẩn bị dữ liệu huấn luyện, nếu giá trị tổng hợp không có trong dữ liệu thô thì giá trị đó sẽ được tạo trong giai đoạn kỹ thuật dữ liệu. Dữ liệu thô thường được lưu trữ trong cơ sở dữ liệu có định dạng (entity, timestamp, value) . Trong các ví dụ trước, entity là mã định danh đoạn tuyến đường cho các tuyến taxi và mã định danh bộ phận động cơ cho lỗi động cơ. Bạn có thể sử dụng các thao tác cửa sổ để tính toán (entity, time_index, aggregated_value_over_time_window) và sử dụng các tính năng tổng hợp làm đầu vào cho quá trình đào tạo mô hình của mình.
Khi mô hình dự đoán theo thời gian thực (trực tuyến) được cung cấp, mô hình sẽ mong đợi các tính năng bắt nguồn từ các giá trị tổng hợp làm đầu vào. Do đó, bạn có thể sử dụng công nghệ xử lý luồng như Apache Beam để tính toán tổng hợp từ các điểm dữ liệu thời gian thực được truyền vào hệ thống của bạn. Công nghệ xử lý luồng tổng hợp dữ liệu thời gian thực dựa trên các khoảng thời gian khi có điểm dữ liệu mới. Bạn cũng có thể thực hiện kỹ thuật tính năng bổ sung (ví dụ: chuyển đổi và điều chỉnh) cho các tập hợp này trước khi đào tạo và dự đoán.

Đường dẫn ML trên Google Cloud

Phần này thảo luận về các thành phần cốt lõi của quy trình từ đầu đến cuối điển hình để đào tạo và phục vụ các mô hình TensorFlow ML trên Google Cloud bằng cách sử dụng các dịch vụ được quản lý. Nó cũng thảo luận về nơi bạn có thể triển khai các danh mục khác nhau của hoạt động tiền xử lý dữ liệu và những thách thức chung mà bạn có thể gặp phải khi triển khai các chuyển đổi đó. Phần Cách thức hoạt động của tf.Transform cho thấy cách thư viện TensorFlow Transform giúp giải quyết những thách thức này.

Kiến trúc cấp cao

Sơ đồ sau đây, hình 2, cho thấy kiến trúc cấp cao của quy trình ML điển hình để đào tạo và phục vụ các mô hình TensorFlow. Các nhãn A, B và C trong sơ đồ đề cập đến các vị trí khác nhau trong quy trình nơi có thể diễn ra quá trình xử lý trước dữ liệu. Chi tiết về các bước này được cung cấp trong phần sau.

Sơ đồ kiến trúc thể hiện các giai đoạn xử lý dữ liệu. — **Hình 2.** Kiến trúc cấp cao để đào tạo và phục vụ ML trên Google Cloud.

Đường ống bao gồm các bước sau:

Sau khi nhập dữ liệu thô, dữ liệu dạng bảng sẽ được lưu trữ trong BigQuery và các dữ liệu khác như hình ảnh, âm thanh và video sẽ được lưu trữ trong Cloud Storage. Phần thứ hai của loạt bài này sử dụng dữ liệu dạng bảng được lưu trữ trong BigQuery làm ví dụ.
Kỹ thuật dữ liệu (chuẩn bị) và kỹ thuật tính năng được thực hiện trên quy mô lớn bằng Dataflow. Quá trình thực thi này tạo ra các tập huấn luyện, đánh giá và kiểm tra sẵn sàng ML được lưu trữ trong Cloud Storage. Lý tưởng nhất là các bộ dữ liệu này được lưu trữ dưới dạng tệp TFRecord , đây là định dạng được tối ưu hóa cho tính toán TensorFlow.
Gói huấn luyện mô hình TensorFlow được gửi tới Vertex AI Training, gói này sử dụng dữ liệu được xử lý trước từ các bước trước để huấn luyện mô hình. Đầu ra của bước này là TensorFlow SavingModel đã được huấn luyện và xuất sang Cloud Storage.
Mô hình TensorFlow đã đào tạo được triển khai cho Vertex AI Prediction dưới dạng dịch vụ có API REST để có thể sử dụng cho các dự đoán trực tuyến. Mô hình tương tự cũng có thể được sử dụng cho công việc dự đoán hàng loạt.
Sau khi mô hình được triển khai dưới dạng API REST, ứng dụng khách và hệ thống nội bộ có thể gọi API bằng cách gửi yêu cầu kèm theo một số điểm dữ liệu và nhận phản hồi từ mô hình kèm theo dự đoán.
Để điều phối và tự động hóa quy trình này, bạn có thể sử dụng Quy trình AI của Vertex làm công cụ lập lịch để thực hiện các bước chuẩn bị dữ liệu, đào tạo mô hình và triển khai mô hình.

Bạn cũng có thể sử dụng Vertex AI Feature Store để lưu trữ các tính năng đầu vào nhằm đưa ra dự đoán. Ví dụ: bạn có thể định kỳ tạo các tính năng được thiết kế từ dữ liệu thô mới nhất và lưu trữ chúng trong Vertex AI Feature Store. Ứng dụng khách tìm nạp các tính năng đầu vào cần thiết từ Vertex AI Feature Store và gửi chúng đến mô hình để nhận dự đoán.

Thực hiện tiền xử lý ở đâu

Trong hình 2, các nhãn A, B và C cho thấy các hoạt động tiền xử lý dữ liệu có thể diễn ra trong BigQuery, Dataflow hoặc TensorFlow. Các phần sau đây mô tả cách hoạt động của từng tùy chọn này.

Tùy chọn A: BigQuery

Thông thường, logic được triển khai trong BigQuery cho các hoạt động sau:

Lấy mẫu: chọn ngẫu nhiên một tập hợp con từ dữ liệu.
Lọc: loại bỏ các trường hợp không liên quan hoặc không hợp lệ.
Phân vùng: phân chia dữ liệu để tạo ra các tập huấn luyện, đánh giá và kiểm tra.

Bạn có thể sử dụng tập lệnh BigQuery SQL làm truy vấn nguồn cho quy trình tiền xử lý Dataflow, đây là bước xử lý dữ liệu trong hình 2. Ví dụ: nếu một hệ thống được sử dụng ở Canada và kho dữ liệu có các giao dịch từ khắp nơi trên thế giới, hãy lọc theo việc lấy dữ liệu đào tạo chỉ dành cho Canada được thực hiện tốt nhất trong BigQuery. Kỹ thuật tính năng trong BigQuery rất đơn giản và có thể mở rộng, đồng thời hỗ trợ triển khai các chuyển đổi tính năng tổng hợp lịch sử và cấp phiên bản.

Tuy nhiên, chúng tôi khuyên bạn chỉ nên sử dụng BigQuery cho kỹ thuật tính năng nếu bạn sử dụng mô hình của mình để dự đoán hàng loạt (chấm điểm) hoặc nếu các tính năng được tính toán trước trong BigQuery nhưng được lưu trữ trong Vertex AI Feature Store để sử dụng trong quá trình dự đoán trực tuyến. Nếu bạn dự định triển khai mô hình cho các dự đoán trực tuyến và nếu bạn không có tính năng được thiết kế trong cửa hàng tính năng trực tuyến thì bạn phải sao chép các hoạt động tiền xử lý SQL để chuyển đổi các điểm dữ liệu thô mà các hệ thống khác tạo ra. Nói cách khác, bạn cần triển khai logic hai lần: một lần trong SQL để xử lý trước dữ liệu đào tạo trong BigQuery và lần thứ hai trong logic của ứng dụng sử dụng mô hình để xử lý trước các điểm dữ liệu trực tuyến để dự đoán.

Ví dụ: nếu ứng dụng khách của bạn được viết bằng Java, bạn cần triển khai lại logic trong Java. Điều này có thể gây ra lỗi do sự khác biệt trong quá trình triển khai, như được mô tả trong phần sai lệch phục vụ đào tạo của các thách thức Tiền xử lý ở phần sau của tài liệu này. Việc duy trì hai cách triển khai khác nhau cũng tốn thêm chi phí. Bất cứ khi nào bạn thay đổi logic trong SQL để xử lý trước dữ liệu huấn luyện, bạn cần thay đổi cách triển khai Java cho phù hợp để xử lý trước dữ liệu tại thời điểm cung cấp.

Nếu bạn chỉ sử dụng mô hình của mình để dự đoán hàng loạt (ví dụ: sử dụng dự đoán hàng loạt Vertex AI) và nếu dữ liệu để tính điểm của bạn có nguồn gốc từ BigQuery, thì bạn có thể triển khai các hoạt động tiền xử lý này như một phần của tập lệnh BigQuery SQL. Trong trường hợp đó, bạn có thể sử dụng cùng một tập lệnh SQL tiền xử lý để chuẩn bị cả dữ liệu huấn luyện và dữ liệu chấm điểm.

Các phép biến đổi trạng thái đầy đủ không phù hợp để triển khai trong BigQuery. Nếu sử dụng BigQuery cho các phép biến đổi toàn phần, bạn cần có các bảng phụ trợ để lưu trữ số lượng cần thiết cho các phép biến đổi trạng thái, chẳng hạn như giá trị trung bình và phương sai để chia tỷ lệ cho các đặc tính số. Hơn nữa, việc triển khai các phép biến đổi toàn phần bằng cách sử dụng SQL trên BigQuery sẽ làm tăng độ phức tạp trong các tập lệnh SQL và tạo ra sự phụ thuộc phức tạp giữa quá trình đào tạo và tập lệnh SQL tính điểm.

Tùy chọn B: Luồng dữ liệu

Như minh họa trong hình 2, bạn có thể triển khai các hoạt động tiền xử lý tốn kém về mặt tính toán trong Apache Beam và chạy chúng trên quy mô lớn bằng Dataflow. Dataflow là dịch vụ tự động tính toán quy mô được quản lý hoàn toàn để xử lý dữ liệu theo luồng và hàng loạt. Khi sử dụng Dataflow, bạn cũng có thể sử dụng các thư viện chuyên dụng bên ngoài để xử lý dữ liệu, không giống như BigQuery.

Luồng dữ liệu có thể thực hiện các chuyển đổi cấp phiên bản cũng như các chuyển đổi tính năng tổng hợp lịch sử và thời gian thực. Đặc biệt, nếu mô hình ML của bạn mong đợi một tính năng đầu vào như total_number_of_clicks_last_90sec , thì các hàm cửa sổ Apache Beam có thể tính toán các tính năng này dựa trên việc tổng hợp các giá trị của cửa sổ thời gian của dữ liệu sự kiện (phát trực tuyến) thời gian thực (ví dụ: sự kiện nhấp chuột). Trong cuộc thảo luận trước đó về mức độ chi tiết của các phép biến đổi , điều này được gọi là "Tập hợp lịch sử trong quá trình đào tạo, nhưng tập hợp thời gian thực trong quá trình dự đoán".

Sơ đồ sau, hình 3, cho thấy vai trò của Dataflow trong việc xử lý dữ liệu luồng để dự đoán gần thời gian thực.

Kiến trúc sử dụng dữ liệu luồng để dự đoán. — **Hình 3.** Kiến trúc cấp cao sử dụng dữ liệu luồng để dự đoán trong Dataflow.

Như được hiển thị trong hình 3, trong quá trình xử lý, các sự kiện được gọi là điểm dữ liệu sẽ được nhập vào Pub/Sub . Luồng dữ liệu sử dụng các điểm dữ liệu này, tính toán các tính năng dựa trên tổng hợp theo thời gian và sau đó gọi API mô hình ML đã triển khai để đưa ra dự đoán. Sau đó, các dự đoán sẽ được gửi đến hàng đợi Pub/Sub gửi đi. Từ Pub/Sub, các dự đoán có thể được sử dụng bởi các hệ thống hạ nguồn như giám sát hoặc kiểm soát hoặc chúng có thể bị đẩy lùi (ví dụ: dưới dạng thông báo) tới ứng dụng khách yêu cầu ban đầu. Các dự đoán cũng có thể được lưu trữ trong kho dữ liệu có độ trễ thấp như Cloud Bigtable để tìm nạp theo thời gian thực. Cloud Bigtable cũng có thể được sử dụng để tích lũy và lưu trữ các tập hợp thời gian thực này để có thể tra cứu khi cần để dự đoán.

Việc triển khai Apache Beam tương tự có thể được sử dụng để xử lý hàng loạt dữ liệu đào tạo đến từ kho dữ liệu ngoại tuyến như BigQuery và xử lý luồng dữ liệu thời gian thực để phân phát các dự đoán trực tuyến.

Trong các kiến trúc điển hình khác, chẳng hạn như kiến trúc được hiển thị trong Hình 2, ứng dụng khách gọi trực tiếp API mô hình đã triển khai để dự đoán trực tuyến. Trong trường hợp đó, nếu các hoạt động tiền xử lý được triển khai trong Dataflow để chuẩn bị dữ liệu huấn luyện thì các hoạt động đó sẽ không được áp dụng cho dữ liệu dự đoán đi thẳng vào mô hình. Do đó, các phép biến đổi như thế này nên được tích hợp vào mô hình trong quá trình phục vụ các dự đoán trực tuyến.

Luồng dữ liệu có thể được sử dụng để thực hiện chuyển đổi toàn phần bằng cách tính toán số liệu thống kê cần thiết trên quy mô lớn. Tuy nhiên, những số liệu thống kê này cần được lưu trữ ở đâu đó để sử dụng trong quá trình dự đoán nhằm chuyển đổi các điểm dữ liệu dự đoán. Bằng cách sử dụng thư viện TensorFlow Transform ( tf.Transform ), bạn có thể nhúng trực tiếp các số liệu thống kê này vào mô hình thay vì lưu trữ chúng ở nơi khác. Cách tiếp cận này sẽ được giải thích sau trong phần Cách thức hoạt động của tf.Transform .

Tùy chọn C: TensorFlow

Như được hiển thị trong Hình 2, bạn có thể triển khai các hoạt động tiền xử lý và chuyển đổi dữ liệu trong chính mô hình TensorFlow. Như được minh họa trong hình, quá trình tiền xử lý mà bạn triển khai để huấn luyện mô hình TensorFlow sẽ trở thành một phần không thể thiếu của mô hình khi mô hình được xuất và triển khai để dự đoán. Các chuyển đổi trong mô hình TensorFlow có thể được thực hiện theo một trong các cách sau:

Triển khai tất cả logic chuyển đổi cấp phiên bản trong hàm input_fn và trong hàm serving_fn . Hàm input_fn chuẩn bị một tập dữ liệu bằng API tf.data.Dataset để đào tạo mô hình. Hàm serving_fn nhận và chuẩn bị dữ liệu cho dự đoán.
Đặt mã chuyển đổi trực tiếp vào mô hình TensorFlow của bạn bằng cách sử dụng các lớp tiền xử lý Keras hoặc tạo các lớp tùy chỉnh .

Mã logic chuyển đổi trong hàm serving_fn xác định giao diện cung cấp của SavingModel của bạn để dự đoán trực tuyến. Nếu bạn triển khai các phép biến đổi tương tự đã được sử dụng để chuẩn bị dữ liệu huấn luyện trong mã logic chuyển đổi của hàm serving_fn thì điều đó sẽ đảm bảo rằng các phép biến đổi tương tự được áp dụng cho các điểm dữ liệu dự đoán mới khi chúng được phân phát.

Tuy nhiên, do mô hình TensorFlow xử lý từng điểm dữ liệu một cách độc lập hoặc theo một đợt nhỏ nên bạn không thể tính toán tổng hợp từ tất cả các điểm dữ liệu. Do đó, các phép biến đổi toàn phần không thể được triển khai trong mô hình TensorFlow của bạn.

Những thách thức tiền xử lý

Sau đây là những thách thức chính của việc triển khai tiền xử lý dữ liệu:

Đào tạo-phục vụ nghiêng . Độ lệch đào tạo-phục vụ đề cập đến sự khác biệt giữa hiệu quả (hiệu suất dự đoán) trong quá trình đào tạo và trong quá trình phục vụ. Sự sai lệch này có thể do sự khác biệt giữa cách bạn xử lý dữ liệu trong quá trình đào tạo và quy trình phân phối. Ví dụ: nếu mô hình của bạn được huấn luyện về tính năng được biến đổi theo logarit nhưng lại hiển thị tính năng thô trong quá trình phân phối thì kết quả dự đoán có thể không chính xác.
Nếu các phép biến đổi trở thành một phần của chính mô hình thì việc xử lý các phép biến đổi cấp phiên bản có thể đơn giản, như được mô tả trước đó trong Tùy chọn C: TensorFlow . Trong trường hợp đó, giao diện phục vụ mô hình ( serving_fn ) mong đợi dữ liệu thô, trong khi mô hình sẽ chuyển đổi nội bộ dữ liệu này trước khi tính toán đầu ra. Các phép biến đổi giống như các phép biến đổi được áp dụng trên các điểm dữ liệu dự đoán và huấn luyện thô.
Chuyển đổi đầy đủ . Bạn không thể triển khai các phép biến đổi toàn phần chẳng hạn như các phép biến đổi tỷ lệ và chuẩn hóa trong mô hình TensorFlow của mình. Trong các phép biến đổi toàn phần, một số thống kê (ví dụ: giá trị max và min để chia tỷ lệ các đối tượng số) phải được tính toán trước trên dữ liệu huấn luyện, như được mô tả trong Tùy chọn B: Luồng dữ liệu . Sau đó, các giá trị này phải được lưu trữ ở đâu đó để sử dụng trong quá trình phân phối mô hình nhằm dự đoán nhằm chuyển đổi các điểm dữ liệu thô mới dưới dạng các phép biến đổi cấp phiên bản, giúp tránh sai lệch phân phối đào tạo. Bạn có thể sử dụng thư viện TensorFlow Transform ( tf.Transform ) để nhúng trực tiếp số liệu thống kê vào mô hình TensorFlow của mình. Cách tiếp cận này sẽ được giải thích sau trong phần Cách thức hoạt động của tf.Transform .
Chuẩn bị trước dữ liệu để đạt hiệu quả đào tạo tốt hơn . Việc triển khai các chuyển đổi cấp phiên bản như một phần của mô hình có thể làm giảm hiệu quả của quá trình đào tạo. Sự xuống cấp này xảy ra do các phép biến đổi giống nhau được áp dụng lặp đi lặp lại cho cùng một dữ liệu huấn luyện trên mỗi kỷ nguyên. Hãy tưởng tượng rằng bạn có dữ liệu đào tạo thô với 1.000 tính năng và bạn áp dụng kết hợp các phép biến đổi cấp phiên bản để tạo ra 10.000 tính năng. Nếu bạn triển khai các phép biến đổi này như một phần của mô hình của mình và sau đó nếu bạn cung cấp cho mô hình dữ liệu huấn luyện thô thì 10.000 thao tác này sẽ được áp dụng N lần trên mỗi phiên bản, trong đó N là số kỷ nguyên. Ngoài ra, nếu bạn đang sử dụng bộ tăng tốc (GPU hoặc TPU), chúng sẽ không hoạt động trong khi CPU thực hiện những chuyển đổi đó, đây không phải là cách sử dụng hiệu quả các bộ tăng tốc đắt tiền của bạn.
Lý tưởng nhất là dữ liệu huấn luyện được chuyển đổi trước khi huấn luyện, sử dụng kỹ thuật được mô tả trong Tùy chọn B: Luồng dữ liệu , trong đó 10.000 thao tác chuyển đổi chỉ được áp dụng một lần trên mỗi phiên bản huấn luyện. Dữ liệu đào tạo được chuyển đổi sau đó được trình bày cho mô hình. Không có phép biến đổi nào được áp dụng nữa và máy gia tốc luôn bận rộn. Ngoài ra, việc sử dụng Dataflow giúp bạn xử lý trước lượng lớn dữ liệu trên quy mô lớn bằng cách sử dụng dịch vụ được quản lý hoàn toàn.
Việc chuẩn bị trước dữ liệu đào tạo có thể cải thiện hiệu quả đào tạo. Tuy nhiên, việc triển khai logic chuyển đổi bên ngoài mô hình (các phương pháp được mô tả trong Tùy chọn A: BigQuery hoặc Tùy chọn B: Dataflow ) không giải quyết được vấn đề sai lệch phục vụ đào tạo. Trừ khi bạn lưu trữ tính năng được thiết kế trong kho tính năng để sử dụng cho cả quá trình đào tạo và dự đoán, logic chuyển đổi phải được triển khai ở đâu đó để áp dụng cho các điểm dữ liệu mới sắp được dự đoán, vì giao diện mô hình mong đợi dữ liệu được chuyển đổi. Thư viện TensorFlow Transform ( tf.Transform ) có thể giúp bạn giải quyết vấn đề này, như được mô tả trong phần sau.

Cách hoạt động của tf.Transform

Thư viện tf.Transform rất hữu ích cho các phép biến đổi yêu cầu phải vượt qua đầy đủ. Đầu ra của thư viện tf.Transform được xuất dưới dạng biểu đồ TensorFlow biểu thị logic chuyển đổi cấp phiên bản và số liệu thống kê được tính toán từ các phép biến đổi toàn phần, được sử dụng cho mục đích đào tạo và phục vụ. Việc sử dụng cùng một biểu đồ cho cả quá trình huấn luyện và phân phát có thể tránh được tình trạng sai lệch vì các phép biến đổi giống nhau được áp dụng trong cả hai giai đoạn. Ngoài ra, thư viện tf.Transform có thể chạy trên quy mô lớn trong quy trình xử lý hàng loạt trên Dataflow để chuẩn bị trước dữ liệu đào tạo và cải thiện hiệu quả đào tạo.

Sơ đồ sau, hình 4, cho thấy cách thư viện tf.Transform xử lý trước và chuyển đổi dữ liệu để huấn luyện và dự đoán. Quá trình này được mô tả trong các phần sau.

Sơ đồ hiển thị luồng từ dữ liệu thô thông qua tf.Transform đến dự đoán. — **Hình 4.** Hành vi của `tf.Transform` để xử lý trước và chuyển đổi dữ liệu.

Chuyển đổi dữ liệu đào tạo và đánh giá

Bạn xử lý trước dữ liệu huấn luyện thô bằng cách sử dụng phép chuyển đổi được triển khai trong API tf.Transform Apache Beam và chạy nó trên quy mô lớn trên Dataflow. Quá trình tiền xử lý diễn ra theo các giai đoạn sau:

Giai đoạn phân tích: Trong giai đoạn phân tích, các số liệu thống kê cần thiết (như phương tiện, phương sai và lượng tử) cho các phép biến đổi trạng thái được tính toán trên dữ liệu huấn luyện bằng các thao tác vượt qua đầy đủ. Giai đoạn này tạo ra một tập hợp các tạo phẩm chuyển đổi, bao gồm biểu đồ transform_fn . Biểu đồ transform_fn là biểu đồ TensorFlow có logic chuyển đổi dưới dạng các phép toán cấp phiên bản. Nó bao gồm các số liệu thống kê được tính toán trong giai đoạn phân tích dưới dạng hằng số.
Giai đoạn biến đổi: Trong giai đoạn biến đổi, biểu đồ transform_fn được áp dụng cho dữ liệu huấn luyện thô, trong đó số liệu thống kê được tính toán được sử dụng để xử lý các bản ghi dữ liệu (ví dụ: chia tỷ lệ các cột số) theo kiểu cấp phiên bản.

Cách tiếp cận hai giai đoạn như thế này giải quyết thách thức tiền xử lý khi thực hiện các phép biến đổi toàn phần.

Khi dữ liệu đánh giá được xử lý trước, chỉ các thao tác cấp phiên bản mới được áp dụng, sử dụng logic trong biểu đồ transform_fn và số liệu thống kê được tính toán từ giai đoạn phân tích trong dữ liệu huấn luyện. Nói cách khác, bạn không phân tích dữ liệu đánh giá theo kiểu toàn diện để tính toán số liệu thống kê mới, chẳng hạn như μ và σ, để chuẩn hóa các đặc điểm số trong dữ liệu đánh giá. Thay vào đó, bạn sử dụng số liệu thống kê được tính toán từ dữ liệu huấn luyện để chuyển đổi dữ liệu đánh giá theo kiểu cấp độ phiên bản.

Dữ liệu đánh giá và đào tạo đã chuyển đổi được chuẩn bị trên quy mô lớn bằng Dataflow trước khi chúng được sử dụng để huấn luyện mô hình. Quá trình chuẩn bị dữ liệu hàng loạt này giải quyết thách thức tiền xử lý của việc chuẩn bị dữ liệu lên phía trước để cải thiện hiệu quả đào tạo. Như được hiển thị trong Hình 4, giao diện nội bộ mô hình mong đợi các tính năng biến đổi.

Đính kèm các biến đổi vào mô hình xuất

Như đã lưu ý, biểu đồ transform_fn được tạo bởi đường ống tf.Transform được lưu trữ dưới dạng biểu đồ TensorFlow được xuất. Biểu đồ được xuất bao gồm logic chuyển đổi dưới dạng các hoạt động ở cấp độ thể hiện và tất cả các số liệu thống kê được tính toán trong các phép biến đổi toàn bộ dưới dạng hằng số đồ thị. Khi mô hình được đào tạo được xuất để phục vụ, biểu đồ transform_fn được gắn vào SavingModel như là một phần của hàm serving_fn của nó.

Mặc dù nó phục vụ mô hình để dự đoán, giao diện phục vụ mô hình mong đợi các điểm dữ liệu ở định dạng thô (nghĩa là trước bất kỳ phép biến đổi nào). Tuy nhiên, giao diện nội bộ mô hình mong đợi dữ liệu ở định dạng được chuyển đổi.

Biểu đồ transform_fn , hiện là một phần của mô hình, áp dụng tất cả logic tiền xử lý trên điểm dữ liệu đến. Nó sử dụng các hằng số được lưu trữ (như μ và σ để bình thường hóa các tính năng số) trong hoạt động cấp độ thể hiện trong quá trình dự đoán. Do đó, biểu đồ transform_fn chuyển đổi điểm dữ liệu thô thành định dạng được chuyển đổi. Định dạng biến đổi là những gì được mong đợi bởi giao diện bên trong mô hình để tạo ra dự đoán, như trong Hình 4.

Cơ chế này giải quyết thách thức tiền xử lý của độ lệch phục vụ đào tạo, bởi vì cùng một logic (triển khai) được sử dụng để chuyển đổi dữ liệu đào tạo và đánh giá được áp dụng để chuyển đổi các điểm dữ liệu mới trong quá trình phục vụ dự đoán.

Tóm tắt tùy chọn tiền xử lý

Bảng sau đây tóm tắt các tùy chọn tiền xử lý dữ liệu mà tài liệu này đã thảo luận. Trong bảng, "N/A" là viết tắt của "không áp dụng".

Tùy chọn tiền xử lý dữ liệu

Tùy chọn tiền xử lý dữ liệu	Cấp độ ví dụ (biến đổi không quốc tịch)	Thông số hoàn toàn trong quá trình đào tạo và cấp độ thể hiện trong quá trình phục vụ (các phép biến đổi trạng thái)	Các tập hợp thời gian thực (cửa sổ) trong quá trình đào tạo và phục vụ (biến đổi phát trực tuyến)
BigQuery (SQL)	Ghi điểm hàng loạt: OK , việc thực hiện chuyển đổi tương tự được áp dụng trên dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt. Dự đoán trực tuyến: Không được khuyến nghị , bạn có thể xử lý dữ liệu đào tạo, nhưng nó dẫn đến việc phục vụ đào tạo vì bạn xử lý phục vụ dữ liệu bằng các công cụ khác nhau.	Ghi điểm hàng loạt: Không được khuyến nghị . Dự đoán trực tuyến: Không được khuyến nghị . Mặc dù bạn có thể sử dụng các số liệu thống kê được tính toán bằng cách sử dụng BigQuery cho các phép biến đổi hàng loạt/trực tuyến cấp độ, nhưng điều đó không dễ dàng vì bạn phải duy trì một cửa hàng thống kê để được đào tạo và sử dụng trong quá trình dự đoán.	Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực. Dự đoán trực tuyến: Không được khuyến nghị , bạn có thể xử lý dữ liệu đào tạo, nhưng nó dẫn đến việc phục vụ đào tạo vì bạn xử lý phục vụ dữ liệu bằng các công cụ khác nhau.
DataFlow (Apache Beam)	Ghi điểm hàng loạt: OK , việc thực hiện chuyển đổi tương tự được áp dụng trên dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt. Dự đoán trực tuyến: Dữ liệu OK trong thời gian phục vụ đến từ Pub/Sub để được tiêu thụ bởi DataFlow. Mặt khác, kết quả trong việc phục vụ đào tạo.	Ghi điểm hàng loạt: Không được khuyến nghị . Dự đoán trực tuyến: Không được khuyến nghị . Mặc dù bạn có thể sử dụng các số liệu thống kê được tính toán bằng cách sử dụng DataFlow theo các phép biến đổi hàng loạt/trực tuyến cấp độ, nhưng điều đó không dễ dàng vì bạn phải duy trì một cửa hàng thống kê để được đào tạo và sử dụng trong quá trình dự đoán.	Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực. Dự đoán trực tuyến: OK , tương tự như vậy, chuyển đổi chùm tia Apache được áp dụng trên dữ liệu trong quá trình đào tạo (Batch) và phục vụ (luồng).
DataFlow (Apache Beam + TFT)	Ghi điểm hàng loạt: OK , thực hiện chuyển đổi tương tự được áp dụng cho dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt. Dự đoán trực tuyến: Khuyến nghị , hãy tránh các độ lệch phục vụ đào tạo và chuẩn bị dữ liệu đào tạo lên phía trước.	Ghi điểm hàng loạt: Khuyến nghị . Dự đoán trực tuyến: Khuyến nghị . Cả hai cách sử dụng được khuyến nghị vì logic chuyển đổi và thống kê được tính toán trong quá trình đào tạo được lưu trữ dưới dạng biểu đồ tenorflow được gắn vào mô hình xuất khẩu để phục vụ.	Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực. Dự đoán trực tuyến: OK , tương tự như vậy, chuyển đổi chùm tia Apache được áp dụng trên dữ liệu trong quá trình đào tạo (Batch) và phục vụ (luồng).
Tenorflow ^* ( `input_fn` & `serving_fn` )	Ghi điểm hàng loạt: Không được khuyến nghị . Dự đoán trực tuyến: Không được khuyến nghị . Đối với hiệu quả đào tạo trong cả hai trường hợp, tốt hơn là chuẩn bị dữ liệu đào tạo lên phía trước.	Ghi điểm hàng loạt: Không thể . Dự đoán trực tuyến: Không thể .	Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực. Dự đoán trực tuyến: Không thể .

Cấp độ ví dụ
(biến đổi không quốc tịch)

Thông số hoàn toàn trong quá trình đào tạo và cấp độ thể hiện trong quá trình phục vụ (các phép biến đổi trạng thái)

Các tập hợp thời gian thực (cửa sổ) trong quá trình đào tạo và phục vụ (biến đổi phát trực tuyến)

BigQuery (SQL)

Ghi điểm hàng loạt: OK , việc thực hiện chuyển đổi tương tự được áp dụng trên dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt.

Dự đoán trực tuyến: Không được khuyến nghị , bạn có thể xử lý dữ liệu đào tạo, nhưng nó dẫn đến việc phục vụ đào tạo vì bạn xử lý phục vụ dữ liệu bằng các công cụ khác nhau.

Ghi điểm hàng loạt: Không được khuyến nghị .

Dự đoán trực tuyến: Không được khuyến nghị .

Mặc dù bạn có thể sử dụng các số liệu thống kê được tính toán bằng cách sử dụng BigQuery cho các phép biến đổi hàng loạt/trực tuyến cấp độ, nhưng điều đó không dễ dàng vì bạn phải duy trì một cửa hàng thống kê để được đào tạo và sử dụng trong quá trình dự đoán.

Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực.

DataFlow (Apache Beam)

Ghi điểm hàng loạt: OK , việc thực hiện chuyển đổi tương tự được áp dụng trên dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt.

Dự đoán trực tuyến: Dữ liệu OK trong thời gian phục vụ đến từ Pub/Sub để được tiêu thụ bởi DataFlow. Mặt khác, kết quả trong việc phục vụ đào tạo.

Ghi điểm hàng loạt: Không được khuyến nghị .

Dự đoán trực tuyến: Không được khuyến nghị .

Mặc dù bạn có thể sử dụng các số liệu thống kê được tính toán bằng cách sử dụng DataFlow theo các phép biến đổi hàng loạt/trực tuyến cấp độ, nhưng điều đó không dễ dàng vì bạn phải duy trì một cửa hàng thống kê để được đào tạo và sử dụng trong quá trình dự đoán.

Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực.

Dự đoán trực tuyến: OK , tương tự như vậy, chuyển đổi chùm tia Apache được áp dụng trên dữ liệu trong quá trình đào tạo (Batch) và phục vụ (luồng).

DataFlow (Apache Beam + TFT)

Ghi điểm hàng loạt: OK , thực hiện chuyển đổi tương tự được áp dụng cho dữ liệu trong quá trình đào tạo và ghi điểm hàng loạt.

Dự đoán trực tuyến: Khuyến nghị , hãy tránh các độ lệch phục vụ đào tạo và chuẩn bị dữ liệu đào tạo lên phía trước.

Ghi điểm hàng loạt: Khuyến nghị .

Dự đoán trực tuyến: Khuyến nghị .

Cả hai cách sử dụng được khuyến nghị vì logic chuyển đổi và thống kê được tính toán trong quá trình đào tạo được lưu trữ dưới dạng biểu đồ tenorflow được gắn vào mô hình xuất khẩu để phục vụ.

Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực.

Dự đoán trực tuyến: OK , tương tự như vậy, chuyển đổi chùm tia Apache được áp dụng trên dữ liệu trong quá trình đào tạo (Batch) và phục vụ (luồng).

Tenorflow ^*
( input_fn & serving_fn )

Ghi điểm hàng loạt: Không được khuyến nghị .

Dự đoán trực tuyến: Không được khuyến nghị .

Đối với hiệu quả đào tạo trong cả hai trường hợp, tốt hơn là chuẩn bị dữ liệu đào tạo lên phía trước.

Ghi điểm hàng loạt: Không thể .

Dự đoán trực tuyến: Không thể .

Ghi điểm hàng loạt: N/A , như thế này được tính toán dựa trên các sự kiện thời gian thực.

Dự đoán trực tuyến: Không thể .

^* Với tenorflow, các phép biến đổi như giao cắt, nhúng và mã hóa một lần nóng nên được thực hiện khai báo dưới dạng các cột feature_columns .

Cái gì tiếp theo

Để triển khai đường ống tf.Transform và chạy nó bằng DataFlow, hãy đọc Phần hai của loạt bài này, tiền xử lý dữ liệu cho ML bằng cách sử dụng Transform TensorFlow .
Lấy chuyên môn Coursera trên ML với TensorFlow trên Google Cloud .
Tìm hiểu về thực tiễn tốt nhất cho kỹ thuật ML trong các quy tắc của ML .
Để biết thêm kiến trúc tham chiếu, sơ đồ và thực tiễn tốt nhất, khám phá các giải pháp đám mây TFX .