ניתוח של Vertex ML Metadata

אתם יכולים להשתמש ב-Vertex ML Metadata כדי לעקוב אחרי המטא-נתונים שנוצרו על ידי מערכות למידת המכונה (ML) שלכם ולנתח אותם. מעקב אחרי המטא-נתונים האלה מאפשר לנתח בקלות את ההתנהגות של מערכת ה-ML. כך תוכלו להבין את השינויים בביצועי המערכת או להשוות בין פריטי המידע שנוצרו על ידי מערכת ה-ML.

אם אתם לא מכירים את Vertex ML Metadata, כדאי לקרוא את המבוא ל-Vertex ML Metadata כדי ללמוד על מעקב וניתוח של המטא-נתונים של תהליך העבודה של למידת המכונה.

כדי לשלוח שאילתות לגבי המטא-נתונים של Vertex ML שאתם רוצים לנתח, אתם יכולים להשתמש בשיטות הבאות:

  • שליחת שאילתה על כל פריטי המידע שנוצרו בתהליך הפיתוח (artifacts), ההפעלות או ההקשרים שתואמים לקריטריונים של הסינון.
  • שאילתה לגבי פריטי המידע שנוצרו בתהליך העבודה של הקלט והפלט של ההפעלה, יחד עם האירועים שמשמשים לחיבור פריטי המידע שנוצרו בתהליך העבודה להפעלה.
  • שאילתה לגבי תת-תרשים של שושלת היוחסין של הקשר. השאילתה הזו מחזירה את פריטי המידע וההפעלות של הקשר, יחד עם האירועים שמקשרים בין פריטי המידע להפעלות.

שאילתות לגבי פריטי מידע שנוצר, הפעלות והקשרים

אתם יכולים להשתמש ב-Vertex AI SDK ל-Python או ב-API בארכיטקטורת REST כדי לשלוח שאילתות על רשומות של פריטי מידע שנוצר, הפעלות והקשרים באמצעות מסננים, כדי ליצור שאילתות כמו אלה:

  • אילו גרסאות של מודל שאומן הגיעו לסף איכות מסוים?
  • באיזו קבוצת נתונים משתמשים בצינור עיבוד נתונים נתון?

בקטעים הבאים מוסבר איך ליצור מסננים ואיך לשלוח שאילתות לגבי פריטי מידע שנוצר, הפעלות והקשרים.

סקירה כללית של תחביר המסננים

בקטעים הבאים מוסבר איך להשתמש במסננים כדי לשלוח שאילתות לגבי פריטי מידע שנוצר, הפעלות והקשרים.

שדות

השדות הבאים נתמכים כשמסננים פריטי מידע שנוצר, הפעלות והקשרים.

ארטיפקט ביצוע הקשר
name
display_name
schema_title
create_time
update_time
metadata
state
uri

המסנן צריך להיות מוקף במירכאות. אם המסנן כולל מירכאות, צריך להוסיף לפני כל מירכאה לוכסן הפוך.

אופרטורים להשוואה

אפשר להשתמש באופרטורים הבאים להשוואה במסננים: =,‏ !=,‏ <,‏ >,‏ >=,‏ <=.

לדוגמה, המסנן הבא מוצא את כל פריטי המידע שבהם השם המוצג הוא my_artifact.

REST

display_name=\"my_artifact\"

Python

"display_name=\"my_artifact\""

בשדות של מחרוזות, אפשר להשתמש בסינון של תווים כלליים לחיפוש באמצעות התו *.

בשדות של חותמות זמן כמו create_time ו-update_time, צריך להשתמש בפורמט RFC 3339. לדוגמה:

REST

create_time=\"2021-05-11T12:30:00-08:00\"

Python

"create_time=\"2021-05-11T12:30:00-08:00\""

אופרטורים לוגיים

אפשר להשתמש באופרטורים הלוגיים AND ו-OR כדי לשלב מסננים וליצור שאילתה מורכבת.

בדוגמה הבאה אפשר לראות איך שולחים שאילתה לגבי פריטי מידע מסוג ai_platform.model ושדה metadata precision עם ערך מספרי שגדול מ-0.9.

REST

schema_title=\"ai_platform.Model\"+AND+metadata.precision.number_value>0.9

Python

"create_time=\"schema_title=\"ai_platform.Model\" AND metadata.precision.number_value>0.9"

סינון מטא-נתונים באמצעות אופרטור המעבר

השדה metadata הוא מופע של google.protobuf.Struct, שהפורמט שלו מוגדר בסכימה שצוינה בשדה schema_title. ‫google.protobuf.Struct הוא מבנה נתונים שממפה מפתחות למופעים של google.protobuf.Value. במבנה הנתונים google.protobuf.Value, הערכים מאוחסנים בשדות שונים בהתאם לסוג הנתונים שלהם. לדוגמה:

  • מחרוזות נשמרות בתור metadata.FIELD_NAME.string_value,
  • המספרים מאוחסנים בתור metadata.FIELD_NAME.number_value,
  • ערכים בוליאניים נשמרים בתור metadata.FIELD_NAME.bool_value.

כדי לסנן לפי metadata, צריך להשתמש באופרטור המעבר כדי לעבור לשדה שרוצים לסנן לפיו. הפורמט של אופרטור המעבר הוא:

REST

metadata.FIELD_NAME.TYPE_NAME=\"FILTER_VALUE\"

Python

"metadata.FIELD_NAME.TYPE_NAME=\"FILTER_VALUE\""

לדוגמה, נניח שיש לכם מבנה מטא-נתונים כזה:

{
   "field_1": 5,
   "field_2": "example",
   "field_3": {
     ...
   },
   "field_4": [],
   "field_5": true,
}

השאילתות הבאות ממחישות איך להשתמש באופרטור המעבר כדי לסנן לפי המטא-נתונים שבדוגמה.

  • מסננים רשומות שבהן הערך של metadata.field_1 קטן מ-5.

REST

metadata.field_1.number_value<5

Python

"metadata.field_1.number_value<5"
  • מסננים רשומות שכוללות את metadata.field_2 עם ערך ששווה ל-example.

REST

metadata.field_2.string_value=\"example\"

Python

"metadata.field_2.string_value=\"example\""
  • מסננים רשומות שבהן הערך של metadata.field_5 הוא true.

REST

metadata.field_5.bool_value=true

Python

"metadata.field_5.bool_value=true"

סינון הקשרים לפי יחסי הורה-צאצא

אפשר להשתמש באופרטור has כדי למצוא הקשרים שהם ההורה או הצאצא של הקשר מסוים.

האופרטור has משתמש בפורמט הבא:

  • "parent_contexts:\"CONTEXT_RESOURCE_NAME\""
  • "child_contexts:\"CONTEXT_RESOURCE_NAME\""

שם ההקשר חייב להיות שם המשאב המלא של ההקשר, כמו: project/PROJECT/locations/LOCATION/metadataStores/METADATA-STORE/contexts/CONTEXT.

המסננים הבאים מדגימים איך להשתמש באופרטור has:

  • סינון לפי כל ההקשרים שהם צאצאים של צינור עיבוד הנתונים שצוין.

REST

parent_contexts:\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\"

Python

"parent_contexts:\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\""
  • סינון לפי כל ההקשרים שהם הורה של צינור עיבוד הנתונים שצוין.

REST

child_contexts:\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\"

Python

"child_contexts:\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\""

סינון הקשרים, הפעלות ופריטי מידע שנוצרו על ידי סוכן לפי שיוך ושיוך (Attribution)

אפשר להשתמש בפונקציה in_context() כדי לסנן פריטי מידע שנוצר או הפעלות שמשויכים להקשר. אפשר להשתמש בפונקציה with_execution() כדי לסנן פריטי מידע או הקשרים ספציפיים שמשויכים להפעלה. באופן דומה, אפשר להשתמש בפונקציה with_artifact() כדי לסנן לפי הפעלות או הקשרים ספציפיים שמשויכים לארטיפקט.

הפורמט של פונקציות הסינון הוא:

  • "in_context(\"CONTEXT_RESOURCE_NAME\")"
  • "with_execution(\"EXECUTION_RESOURCE_NAME\")"
  • "with_artifact(\"ARTIFACT_RESOURCE_NAME\")"

השמות של ההקשר, הביצוע והפריט צריכים להיות שם המשאב המלא, כמו בדוגמה הבאה.

  • project/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA-STORE/contexts/CONTEXT
  • project/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA-STORE/executions/EXECUTION
  • project/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA-STORE/artifacts/ARTIFACT

בדוגמה הבאה אפשר לראות איך לסנן אובייקטים שנמצאים בצינור עיבוד הנתונים שצוין.

REST

in_context(\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\")

Python

"in_context(\"project/12345/locations/us-central1/metadataStores/default/contexts/pipeline_1\")"

אפשר להשתמש בתו הכללי לחיפוש * בפונקציות הסינון כדי לסנן לפי הפרמטרים של כל משאב. לדוגמה, אפשר להשתמש בביטוי הבא כדי לסנן את כל ההפעלות שפועלות על סוג פריט המידע שנוצר בתהליך הפיתוח (artifact) system.model.

REST

with_artifact(\"*\",\"schema_title='name.model'\")

Python

"with_artifact(\"*\",\"schema_title='name.model'\")"

אפשר לסנן גם לפי הפרמטרים הבאים:

  • ‫input=true/false: סינון של סוגי פריטי המידע שנוצרו בתהליך העבודה (קלט או פלט).
  • ‫event_time: סינון זמני האירועים של ההפעלות או פריטי המידע שנוצרו.
  • כל שדות הסינון הנתמכים האחרים

אפשר לשלב את השדות עם אופרנדים לוגיים כדי ליצור שאילתות סינון מורכבות. שימו לב שהעומק המקסימלי של פונקציות בתצוגת עץ הוא 5.

שאילתה לגבי פריטי מידע שנוצרו

פריטי מידע שנוצרו בתהליך העבודה, כמו מערכי נתונים ומודלים, מייצגים נתונים שנעשה בהם שימוש או שנוצרו בתהליך העבודה של למידת המכונה. כדי לשלוח שאילתות לגבי פריטי מידע, פועלים לפי ההוראות הבאות.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION_ID: האזור שלכם.
  • ‫PROJECT_ID: מזהה הפרויקט.
  • ‫METADATA_STORE: המזהה של מאגר המטא-נתונים שבו נוצר פריט המידע. מאגר המטא-נתונים שמוגדר כברירת מחדל נקרא default.
  • ‫PAGE_SIZE: (אופציונלי) המספר המקסימלי של פריטי המידע שיוחזרו. אם לא מציינים ערך, השירות מחזיר עד 100 רשומות.
  • ‫PAGE_TOKEN: (אופציונלי) אסימון דף מקריאה קודמת ל-MetadataService.ListArtifacts. צריך לציין את הטוקן הזה כדי לקבל את דף התוצאות הבא.
  • ‫FILTER: מציין את התנאים הנדרשים כדי לכלול פריט מידע בקבוצת התוצאות.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/artifacts?pageSize=PAGE_SIZE&pageToken=PAGE_TOKEN&filter=FILTER

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

הפלט אמור להיראות כך: ‫ARTIFACT_ID הוא המזהה של רשומת פריט המידע שנוצר.

{
  "artifacts": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/default/artifacts/ARTIFACT_ID",
      "displayName": "Example artifact",
      "uri": "gs://your_bucket_name/artifacts/dataset.csv",
      "etag": "67891011",
      "createTime": "2021-05-18T00:33:13.833Z",
      "updateTime": "2021-05-18T00:33:13.833Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the example artifact."
    },
    {
      "name": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "displayName": "Another example artifact",
      "uri": "gs://your_bucket_name/artifacts/dataset-2.csv",
      "etag": "67891012",
      "createTime": "2021-05-18T00:29:24.344Z",
      "updateTime": "2021-05-18T00:29:24.344Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the other example artifact."
    }
  ]
}

Python

Python

from typing import Optional

from google.cloud import aiplatform


def list_artifact_sample(
    project: str,
    location: str,
    display_name_filter: Optional[str] = "display_name=\"my_model_*\"",
    create_date_filter: Optional[str] = "create_time>\"2022-06-11\"",
    order_by: Optional[str] = None,
):
    aiplatform.init(project=project, location=location)

    combined_filters = f"{display_name_filter} AND {create_date_filter}"
    return aiplatform.Artifact.list(
        filter=combined_filters,
        order_by=order_by,
    )

  • project: . אפשר למצוא את המזהים האלה בדף הכניסה למסוף Google Cloud .
  • ‫location: ראו רשימת המיקומים הזמינים.
  • ‫display_name_filter: מסנן שיוחל על השם המוצג בזמן הצגת המשאבים בפורמט "display_name=\"my_filter\"" .
  • ‫create_date_filter: מסנן שיוחל על השם create_date בזמן הצגת המשאבים בפורמט "create_time>\"2022-06-11T12:30:00-08:00\"",.

שאילתה להפעלות

הפעלות מייצגות שלב בתהליך העבודה של למידת המכונה, כמו עיבוד מראש של נתונים או אימון מודל. כדי לשלוח שאילתות לגבי הפעלות, פועלים לפי ההוראות הבאות.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION_ID: האזור שלכם.
  • PROJECT_ID: .
  • ‫METADATA_STORE: המזהה של מאגר המטא-נתונים שבו נוצרת ההפעלה. מאגר המטא-נתונים שמוגדר כברירת מחדל נקרא default.
  • ‫PAGE_SIZE: (אופציונלי) המספר המקסימלי של פריטי המידע שיוחזרו. אם לא מציינים ערך, השירות מחזיר עד 100 רשומות.
  • ‫PAGE_TOKEN: (אופציונלי) אסימון דף מקריאה קודמת ל-MetadataService.ListArtifacts. צריך לציין את הטוקן הזה כדי לקבל את דף התוצאות הבא.
  • ‫FILTER: מציין את התנאים הנדרשים כדי לכלול הפעלה בקבוצת התוצאות.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/executions?pageSize=PAGE_SIZE&pageToken=PAGE_TOKEN&filter=FILTER

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

הפלט אמור להיראות כך: ‫EXECUTION_ID הוא המזהה של רשומת ההרצה.

{
  "executions": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "displayName": "Example execution 1",
      "etag": "67891011",
      "createTime": "2021-05-18T00:06:56.177Z",
      "updateTime": "2021-05-18T00:06:56.177Z",
      "schemaTitle": "system.Run",
      "schemaVersion": "0.0.1",
      "metadata": {},
      "description": "Description of the example execution."
    },
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "displayName": "Example execution 2",
      "etag": "67891011",
      "createTime": "2021-05-18T00:04:49.659Z",
      "updateTime": "2021-05-18T00:04:49.659Z",
      "schemaTitle": "system.Run",
      "schemaVersion": "0.0.1",
      "metadata": {},
      "description": "Description of the example execution."
    }
  ]
}

Python

Python

from typing import Optional

from google.cloud import aiplatform


def list_execution_sample(
    project: str,
    location: str,
    display_name_filter: Optional[str] = "display_name=\"my_execution_*\"",
    create_date_filter:  Optional[str] = "create_time>\"2022-06-11T12:30:00-08:00\"",
):
    aiplatform.init(
        project=project,
        location=location)

    combined_filters = f"{display_name_filter} AND {create_date_filter}"

    return aiplatform.Execution.list(filter=combined_filters)

  • project: . אפשר למצוא את המזהים האלה בדף הכניסה למסוף Google Cloud .
  • ‫location: ראו רשימת המיקומים הזמינים.
  • ‫display_name_filter: מסנן שיוחל על השם המוצג בזמן הצגת המשאבים בפורמט "display_name=\"my_filter\"" .
  • ‫create_date_filter: מסנן שיוחל על השם create_date בזמן הצגת המשאבים בפורמט "create_time>\"2022-06-11T12:30:00-08:00\"",.

שאילתה להקשרים

הקשרים מאפשרים לקבץ קבוצות של הפעלות, פריטי מידע שנוצרו בתהליך הפיתוח והקשרים אחרים. כדי לשלוח שאילתות לגבי הקשרים, פועלים לפי ההוראות הבאות.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION_ID: האזור שלכם.
  • PROJECT_ID: .
  • ‫METADATA_STORE: המזהה של מאגר המטא-נתונים שבו נוצר ההקשר. מאגר המטא-נתונים שמוגדר כברירת מחדל נקרא default.
  • ‫PAGE_SIZE: (אופציונלי) המספר המקסימלי של פריטי המידע שיוחזרו. אם לא מציינים ערך, השירות מחזיר עד 100 רשומות.
  • ‫PAGE_TOKEN: (אופציונלי) אסימון דף מקריאה קודמת ל-MetadataService.ListArtifacts. צריך לציין את הטוקן הזה כדי לקבל את דף התוצאות הבא.
  • ‫FILTER: מציין את התנאים הנדרשים כדי לכלול הקשר בקבוצת התוצאות.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/contexts?pageSize=PAGE_SIZE&pageToken=PAGE_TOKEN&filter=FILTER

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

הפלט אמור להיראות כך: ‫CONTEXT_ID הוא המזהה של רשומת ההקשר.

{
  "contexts": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/contexts/CONTEXT_ID",
      "displayName": "Experiment 1",
      "etag": "67891011",
      "createTime": "2021-05-18T22:36:02.153Z",
      "updateTime": "2021-05-18T22:36:02.153Z",
      "parentContexts": [],
      "schemaTitle": "system.Experiment",
      "schemaVersion": "0.0.1",
      "metadata": {}
    },
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/contexts/CONTEXT_ID",
      "displayName": "Pipeline run 1",
      "etag": "67891011",
      "createTime": "2021-05-18T22:35:02.600Z",
      "updateTime": "2021-05-18T22:35:02.600Z",
      "parentContexts": [],
      "schemaTitle": "system.PipelineRun",
      "schemaVersion": "0.0.1",
      "metadata": {}
    }
  ]
}

שאילתה לגבי פריטי המידע שנוצרו בקלט ובפלט של ביצוע

כדי לשלוח שאילתה לגבי פריטי המידע וההפעלות בהקשר שצוין, יחד עם האירועים שמקשרים בין פריטי המידע להפעלות, צריך לפעול לפי ההוראות הבאות.

Agent Platform SDK ל-Python

פריטי מידע שנוצרו בתהליך פיתוח (artifacts) של קלט

הדוגמה הזו ל-Python SDK כוללת שאילתה לגבי פריטי המידע שנוצרו בתהליך העבודה של קלט של הפעלה.

Python

from google.cloud import aiplatform


def get_execution_input_artifacts_sample(
    execution: aiplatform.Execution
):
    return execution.get_input_artifacts()

ארטיפקטים של פלט

הדוגמה הזו ל-Python SDK כוללת שאילתה לגבי פריטי המידע שנוצרו בפלט של ביצוע.

Python

from google.cloud import aiplatform


def get_execution_output_artifacts_sample(
    execution: aiplatform.Execution
):
    return execution.get_output_artifacts()

REST

הדוגמה הזו ל-REST כוללת שאילתה גם לפריטי המידע של הקלט וגם לפריטי המידע של הפלט של ההפעלה.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION_ID: האזור שלכם.
  • PROJECT_ID: .
  • ‫METADATA_STORE: המזהה של מאגר המטא-נתונים שבו נוצרת ההפעלה. מאגר המטא-נתונים שמוגדר כברירת מחדל נקרא default.
  • ‫EXECUTION_ID: המזהה של רשומת ההפעלה.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/executions/EXECUTION_ID:queryExecutionInputsAndOutputs

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

הפלט אמור להיראות כך: ‫EXECUTION_ID הוא המזהה של רשומת ההרצה. אם לא צוין מזהה הרצה, Vertex ML Metadata יוצר מזהה ייחודי להרצה הזו. ‫ARTIFACT_ID הוא המזהה של רשומת פריט המידע שנוצר.

{
  "artifacts": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "displayName": "Example artifact",
      "uri": "gs://your_bucket_name/artifacts/dataset.csv",
      "etag": "678901011",
      "createTime": "2021-05-18T00:29:24.344Z",
      "updateTime": "2021-05-18T00:29:24.344Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the example artifact."
    },
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "displayName": "Example artifact 2",
      "uri": "gs://your_bucket_name/artifacts/dataset.csv",
      "etag": "678901011",
      "createTime": "2021-05-18T00:33:13.833Z",
      "updateTime": "2021-05-18T00:33:13.833Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the example artifact."
    }
  ],
  "executions": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "displayName": "Example execution 1",
      "etag": "678901011",
      "createTime": "2021-05-18T00:04:49.659Z",
      "updateTime": "2021-05-18T00:04:49.659Z",
      "schemaTitle": "system.Run",
      "schemaVersion": "0.0.1",
      "metadata": {},
      "description": "Description of the example execution."
    }
  ],
  "events": [
    {
      "artifact": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "execution": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "eventTime": "2021-05-18T00:04:49.659Z",,
      "type": "INPUT",
    },
    {
      "artifact": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "execution": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "eventTime": "2021-05-18T00:04:49.659Z",,
      "type": "OUTPUT",
    }
  ]
}

שאילתה לגבי תת-תרשים של שושלת הקשר

כדי לשלוח שאילתה לגבי פריטי המידע וההפעלות בהקשר שצוין, יחד עם האירועים שמקשרים בין פריטי המידע להפעלות, צריך לפעול לפי ההוראות הבאות.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION_ID: האזור שלכם.
  • PROJECT_ID: .
  • ‫METADATA_STORE: המזהה של מאגר המטא-נתונים שבו נוצרת ההפעלה. מאגר המטא-נתונים שמוגדר כברירת מחדל נקרא default.
  • ‫CONTEXT_ID: (אופציונלי) המזהה של רשומת ההקשר.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/metadataStores/METADATA_STORE/contexts/CONTEXT_ID:queryContextLineageSubgraph

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

הפלט אמור להיראות כך: ‫EXECUTION_ID הוא המזהה של רשומת ההרצה. אם לא צוין מזהה הרצה, Vertex ML Metadata יוצר מזהה ייחודי להרצה הזו. ‫ARTIFACT_ID הוא המזהה של רשומת פריט המידע שנוצר.

{
  "artifacts": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "displayName": "Example artifact",
      "uri": "gs://your_bucket_name/artifacts/dataset.csv",
      "etag": "678901011",
      "createTime": "2021-05-18T00:29:24.344Z",
      "updateTime": "2021-05-18T00:29:24.344Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the example artifact."
    },
    {
      "name": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "displayName": "Example artifact 2",
      "uri": "gs://your_bucket_name/artifacts/dataset.csv",
      "etag": "678901011",
      "createTime": "2021-05-18T00:33:13.833Z",
      "updateTime": "2021-05-18T00:33:13.833Z",
      "state": "LIVE",
      "schemaTitle": "system.Dataset",
      "schemaVersion": "0.0.1",
      "metadata": {
        "payload_format": "CSV"
      },
      "description": "Description of the example artifact."
    }
  ],
  "executions": [
    {
      "name": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "displayName": "Example execution 1",
      "etag": "678901011",
      "createTime": "2021-05-18T00:04:49.659Z",
      "updateTime": "2021-05-18T00:04:49.659Z",
      "schemaTitle": "system.Run",
      "schemaVersion": "0.0.1",
      "metadata": {},
      "description": "Description of the example execution."
    }
  ],
  "events": [
    {
      "artifact": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "execution": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "eventTime": "2021-05-18T00:04:49.659Z",,
      "type": "INPUT",
    },
    {
      "artifact": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/artifacts/ARTIFACT_ID",
      "execution": "projects/PROJECT_ID/locations/LOCATION/metadataStores/METADATA_STORE/executions/EXECUTION_ID",
      "eventTime": "2021-05-18T00:04:49.659Z",,
      "type": "OUTPUT",
    }
  ]
}

המאמרים הבאים