Vertex AI Feature Store に 機械学習エンジニアが涙した 理由

Google Cloud Next Tokyo 2023 の LT で登壇した際の資料です、一般に Feature Store と呼ばれるコンポーネントの要件や、Vertes AI Feature Store の実装について述べています

Transcript

1. Proprietary Vertex AI Feature Store に 機械学習エンジニアが涙した 理由
2. Proprietary Google Cloud Next Tokyo ’23 杉山 阿聖 Citadel AI Software Engineer
3. Proprietary Google Cloud Next Tokyo ’23 目次 01 Feature Store とは 02 Vertex AI Feature Store 概要 03 Vertex AI Feature Store 詳細 04 所感
4. Proprietary Google Cloud Next Tokyo ’23 01 Feature Store とは
5. Proprietary Google Cloud Next Tokyo ’23 • 機械学習パイプラインの導入はかなり 一般的に • モデルレジストリもそんなに特別なもの ではない • Feature Store が残っている MLOps: 機械学習における継続的 デリバリーと自動化のパイプライン MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja
6. Proprietary Google Cloud Next Tokyo ’23 Feature Store の例 (LINE DEVELOPER DAY 2020) How Does LINE Implement Cross-Service Data Utilization? https://speakerdeck.com/line_devday2020/how-does-line-implement-cross-service-data-utilization
7. Proprietary Google Cloud Next Tokyo ’23 1 2 3 Feature Store の要件 特徴量の共有 • データの集計におけるバグ は気が付きにくい • 同一の指標に対して、異な るチームで異なる定義を採 用してしまうことも リアルタイム性 • 訓練は大容量のデータを用 いるバッチ処理で、 BigQuery が向く • API などで推論結果を提供 すると、BigQuery は向かな い タイムトラベル • 動画リコメンドモデルは「機 械学習の訓練時点での総 再生数」ではなく「ユーザー が動画を見た際の総再生 数」が必要 • 機械学習固有の課題
8. Proprietary Google Cloud Next Tokyo ’23 • 要件をすべて充足するのは困難 ◦ とくに、タイムトラベル ◦ Apache Kafka や Apache Spark な どでストリーム処理基盤の構築が必 要 • Feature Store の要件の一部をサポー トしたものを自分たちで実装するのが 一般的 Feature Store のこれまで Introduction - Feast https://docs.feast.dev/
9. Proprietary Google Cloud Next Tokyo ’23 02 Vertex AI Feature Store 概要
10. Proprietary Google Cloud Next Tokyo ’23 • サービスとしてはこれまでも存在 • 大きくリニューアルされた Vertex AI Feature Store (Preview) Google Cloud コンソール上での表記 ドキュメント (英語) での表記
11. Proprietary Google Cloud Next Tokyo ’23 • BigQuery の Table や View を扱える ようになっている • BigTable は出てこない (Legacy では 必要なケースがあった) Vertex AI Feature Store (Preview) の アーキテクチャ Predictive and generative AI projects with Vertex AI Feature Platform (Google Cloud Next’23)
12. Proprietary Google Cloud Next Tokyo ’23 1 2 3 Vertex AI Feature Store と Feature Store の要件 特徴量の共有 • BigQuery でデータマネジメ ントすれば良い • 権限管理も用意 リアルタイム性 • 詳細は不明 • BigTable が関連していそう ではあるものの、インスタン スはプロジェクト内にできあ がらない • チュートリアルで確認したと ころ本当に早い タイムトラベル • BigQuery がタイムトラベル に対応しているのでそちらで 実現
13. Proprietary Google Cloud Next Tokyo ’23 BigQuery のデータのキャッシュをサー バーレスに作りやすくなったのは偉業 • AI Platform Pipelines (GKE のクラス ターを作成) が Vertex Pipelines (Kubernetes なし) になったくらいの進 化を期待させる アーキテクチャに関する所感 重要な要件を BigQuery で実現している のもとても良い • 複雑なインフラのセットアップは必要な い • データマネジメントは BigQuery の機能 を流用できる • タイムトラベルも BigQuery の機能で良 い • スケーラビリティも確保できる
14. Proprietary Google Cloud Next Tokyo ’23 03 Vertex AI Feature Store 詳細
15. Proprietary Google Cloud Next Tokyo ’23 • Github で公開されているチュートリア ルに従うのが最良 • ドキュメントは SDK を使う方法を知る ためにはあまり役に立たない • Online feature serving and vector retrieval of BigQuery data with Vertex AI Feature Store を紹介 Vertex AI Feature Store (Preview) を試す方法 About Vertex AI Feature Store https://cloud.google.com/vertex-ai/docs/featurestore/latest/overview
16. Proprietary Google Cloud Next Tokyo ’23 • サンプルデータが用意されている • to_dataframe() はありがたい BigQuery のデータセットを作成
17. Proprietary Google Cloud Next Tokyo ’23 • BigTable を使っている？ ◦ オートスケールの設定もしている ◦ どのような設定が可能なのかはいま いち不明 • BigTable のインスタンスはプロジェクト にはできない Feature Online Store の作成
18. Proprietary Google Cloud Next Tokyo ’23 • Vertex AI Feature Store はベクトルの近傍探索に 対応している • embedding_column とい う引数で埋め込みベクトル の近傍探索をセットアップ Feature View Instance の作成
19. Proprietary Google Cloud Next Tokyo ’23 Feature View Instance と BigQuery を同期 • データの同期処理にはかなり時間がか かった • テーブルのサイズが原因ではなさそう (2MB のテーブルで試した) • 近傍探索のセットアップが影響した可 能性はあるものの、詳細は不明
20. Proprietary Google Cloud Next Tokyo ’23 特徴量の取得 • リアルタイムに結果が返ってくる • 近傍探索している (?) • 結果は protocol buffer で得られるの で、モデルの入力にするにはひと手間 かかる
21. Proprietary Google Cloud Next Tokyo ’23 実際に掛かった金額 • 検証環境を作ってから数日間放置 • 3,500 円 / day 程度かかっていた (Preview なので課金はされない) • 安い金額ではないので、費用を抑える ような設定ができないかは要検証
22. Proprietary Google Cloud Next Tokyo ’23 結果まとめ 良かった点 • 本当に BigQuery のテーブルがオンラ インで提供される • BigTable は出てこない、同期する速度 は設定で変更できる • セットアップには時間がかかるけれど データが返ってくる速度は早い イマイチな点 • 結果は protocol buffer で、癖はある • ドキュメントは拡充していく段階で、充 実しているとは言い難い • 想像以上に複雑なプロダクトであり、挙 動は要検証 • 費用を抑えるための設定は不明
23. Proprietary Google Cloud Next Tokyo ’23 04 所感
24. Proprietary Google Cloud Next Tokyo ’23 • 右側のアーキテクチャの大半が BigQuery で実現することになる ◦ Vertex Pipelines で BigQuery にク エリを投げて前処理・訓練・評価 ◦ できたモデルを Online prediction で API 化 ◦ Vertex AI Feature Store からデータ を取得して推論 • BigQuery を中心としたデータ分析基 盤と機械学習基盤の新しい姿が見える Vertex AI Feature Store (Preview) が機械学習基盤に与える衝撃 (1/2) MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja
25. Proprietary Google Cloud Next Tokyo ’23 • 表形式データに限らず、BigQuery にと りあえず前処理済みのデータを突っ込 めば良い ◦ 画像検索を容易に実現可能 ◦ LLM などで作成した embedding を BigQuery に突っ込む仕組みさえ 作ってしまえば即座に RAG を作成 できる • もう自分で Feature Store を作らなくて 良くなりそう Vertex AI Feature Store (Preview) が機械学習基盤に与える衝撃 (2/2) MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja
26. Proprietary Google Cloud Next Tokyo ’23 • クラウドサービスを使えば必要なコン ポーネントは揃う • モデルやデータの品質・評価の重要性 が増していくと思われる • 表形式データの品質・評価は考えやす いものの、画像・自然言語は定量化し にくい MLOps の今後 (1/2) MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ja
27. Proprietary Google Cloud Next Tokyo ’23 MLOps の今後 (2/2) • LLM の活用は確実に考えなければい けない • LLM の運用は継続的な学習を前提と する既存の MLOps とは大きく異なる (基本的にトレーニングしない) • LLM の品質・評価の取り組みが必要 • LangCheck というライブラリを公開して いるので試していただきたい LangCheck https://github.com/citadel-ai/langcheck
28. Thank you Proprietary