Vertex ML Metadata organizza le risorse in modo gerarchico, in cui ogni risorsa appartiene a un MetadataStore. Devi prima avere un MetadataStore per poter creare risorse di metadati.
Terminologia di Vertex ML Metadata
Di seguito viene presentato il modello dei dati e la terminologia utilizzata per descrivere le risorse e i componenti di Vertex ML Metadata.
MetadataStore
- Un MetadataStore è il container di primo livello per le risorse dei metadati. MetadataStore è regionalizzato e associato a un progetto Google Cloud specifico. In genere, un'organizzazione utilizza un MetadataStore condiviso per le risorse di metadati all'interno di ogni progetto.
artifact
- Un artefatto è un'entità o un dato discreto prodotto e utilizzato da un workflow di machine learning. Esempi di artefatti includono set di dati, modelli, file di input e log di addestramento.
context
- Un contesto viene utilizzato per raggruppare artefatti ed esecuzioni in un'unica categoria, su cui è possibile eseguire query e tipizzata. I contesti possono essere utilizzati per rappresentare insiemi di metadati. Un esempio di contesto è l'esecuzione di una pipeline di machine learning.
Un'esecuzione della pipeline di Gemini Enterprise Agent Platform Pipelines. In questo caso, il contesto rappresenta un'esecuzione e ogni esecuzione rappresenta un passaggio nella pipeline ML.

Un esperimento eseguito da un notebook. In questo caso, il contesto potrebbe rappresentare il notebook e ogni esecuzione potrebbe rappresentare una cella del notebook.
event
- Un evento descrive la relazione tra artefatti ed esecuzioni. Ogni artefatto può essere prodotto da un'esecuzione e utilizzato da altre esecuzioni. Gli eventi ti aiutano a determinare la provenienza degli artefatti nei loro workflow ML concatenando artefatti ed esecuzioni.
execution
- Un'esecuzione è un record di un singolo passaggio del workflow di machine learning, in genere annotato con i relativi parametri di runtime. Esempi di esecuzioni includono l'importazione dati, la convalida dei dati, l'addestramento del modello, la valutazione del modello e il deployment del modello.
MetadataSchema
- Un MetadataSchema descrive lo schema per tipi particolari di artefatti, esecuzioni o contesti. I MetadataSchema vengono utilizzati per convalidare le coppie chiave-valore durante la creazione delle risorse di metadati corrispondenti. La convalida dello schema viene eseguita solo sui campi corrispondenti tra la risorsa e MetadataSchema. Gli schemi dei tipi sono rappresentati utilizzando oggetti schema OpenAPI, che devono essere descritti utilizzando YAML.
Esempio di MetadataSchema
Gli schemi dei tipi sono rappresentati utilizzando gli oggetti schema OpenAPI, che devono essere descritti utilizzando YAML.
Di seguito è riportato un esempio di come viene specificato il tipo di sistema Model predefinito in formato YAML.
title: system.Model
type: object
properties:
framework:
type: string
description: "The framework type, for example 'TensorFlow' or 'Scikit-Learn'."
framework_version:
type: string
description: "The framework version, for example '1.15' or '2.1'"
payload_format:
type: string
description: "The format of the Model payload, for example 'SavedModel' or 'TFLite'"
Il titolo dello schema deve utilizzare il formato <namespace>.<type name>.
Vertex ML Metadata pubblica e gestisce schemi definiti dal sistema per rappresentare i tipi comuni ampiamente utilizzati nei workflow di ML. Questi schemi si trovano nello spazio dei nomi system e sono accessibili come risorse MetadataSchema nell'API. Gli schemi sono sempre sottoposti a controllo delle versioni.
Per scoprire di più sugli schemi, consulta Schemi di sistema. Inoltre, Vertex ML Metadata consente di creare schemi personalizzati definiti dall'utente. Per scoprire di più sugli schemi di sistema, consulta Come registrare i tuoi schemi personalizzati.
Le risorse di metadati esposte rispecchiano fedelmente quelle dell'implementazione open source di ML Metadata (MLMD).