Ajouter une exécution de pipeline au test

Console Google Cloud

1. Dans la section Vertex AI de la console Google Cloud, accédez à la page Pipelines.
   Accéder à Pipelines
2. Dans la liste déroulante Région, sélectionnez la région dans laquelle vous souhaitez créer une exécution de pipeline.
3. Cliquez sur add_boxCréer une exécution pour ouvrir le volet Créer une exécution de pipeline.
4. Spécifiez les détails de l'exécution suivants.
   • Dans le champ Fichier, cliquez sur Sélectionner pour ouvrir le sélecteur de fichier. Accédez au fichier JSON du pipeline compilé que vous souhaitez exécuter, sélectionnez le pipeline, puis cliquez sur Ouvrir.
   • Par défaut, le champ Nom du pipeline contient le nom que vous avez spécifié dans la définition du pipeline. Vous pouvez éventuellement spécifier un autre nom de pipeline.
   • Spécifiez un nom d'exécution pour identifier cette exécution de pipeline de manière unique.
5. Pour spécifier que cette exécution de pipeline utilise un compte de service personnalisé, une clé de chiffrement gérée par le client ou un réseau VPC appairé, cliquez sur Options avancées (facultatif).
   Suivez les instructions ci-dessous pour configurer des options avancées telles qu'un compte de service personnalisé.
   • Pour spécifier un compte de service, sélectionnez-en un dans la liste déroulante Compte de service.
     Si vous ne spécifiez pas de compte de service, Vertex AI Pipelines exécute votre pipeline à l'aide du compte de service Compute Engine par défaut.
     Découvrez comment configurer un compte de service à utiliser avec les pipelines Vertex AI.
   • Pour utiliser une clé de chiffrement gérée par le client (CMEK), sélectionnez Utiliser une clé de chiffrement gérée par le client. La liste déroulante Sélectionner une clé gérée par le client s'affiche. Dans la liste déroulante Sélectionner une clé gérée par le client, choisissez la clé que vous souhaitez utiliser.
   • Pour utiliser un réseau VPC appairé dans ce pipeline exécuté, saisissez le nom du réseau VPC dans le champ Réseau VPC appairé.
6. Cliquez sur Continuer.
   L'emplacement Cloud Storage et le volet Paramètres du pipeline s'affichent.
• Obligatoire : saisissez le répertoire de sortie Cloud Storage, par exemple : gs://location_of_directory.
• Facultatif : spécifiez les paramètres que vous souhaitez utiliser pour cette exécution de pipeline.
7. Cliquez sur Envoyer pour créer l'exécution de votre pipeline.
8. Une fois le pipeline envoyé, il apparaît dans la table du pipeline correspondant à la console Google Cloud.
9. Sur la ligne associée à votre pipeline, cliquez sur more_vert Afficher plus > Ajouter au test
• Sélectionnez un test ou créez-en un.
• Facultatif : si des exécutions de test sont associées au test, elles s'affichent dans la liste déroulante. Sélectionnez une exécution de test existante.
10. Cliquez sur Enregistrer.

Comparer une exécution de pipeline à des exécutions de test à l'aide de la console Google Cloud

1. Dans la console Google Cloud, accédez à la page Tests.
   <a{: class="button button-primary" l10n-attrs-original-order="href,target,class,track-name,track-type" l10n-encrypted-href="V3Ae1hvcBOij4KvUNiRrMltigmNHgUGOXn/QVSGplOhBlpxunv8WHL3F/z3VuS9rwbZOYpOQCXa+v4aZ0dt03w==" target="console" track-name="consoleLink" track-type="tasks" }="">Accédez à la page "Tests".
   La liste des tests s'affiche sur la page Tests. </a{:>
2. Sélectionnez le test auquel vous souhaitez ajouter votre exécution de pipeline.
   Une liste d'exécutions s'affiche.
3. Sélectionnez les exécutions que vous souhaitez comparer, puis cliquez sur Comparer
   .
4. Cliquez sur le bouton Ajouter une exécution. Une liste d'exécutions s'affiche.
5. Sélectionnez l'exécution de pipeline que vous souhaitez ajouter. L'exécution est ajoutée.

SDK Vertex AI pour Python {:#sdk-add-pipeline-run}

Les exemples suivants utilisent l'API PipelineJob.

def log_pipeline_job_to_experiment_sample(
    experiment_name: str,
    pipeline_job_display_name: str,
    template_path: str,
    pipeline_root: str,
    project: str,
    location: str,
    parameter_values: Optional[Dict[str, Any]] = None,
):
    aiplatform.init(project=project, location=location)

    pipeline_job = aiplatform.PipelineJob(
        display_name=pipeline_job_display_name,
        template_path=template_path,
        pipeline_root=pipeline_root,
        parameter_values=parameter_values,
    )

    pipeline_job.submit(experiment=experiment_name)

def log_pipeline_job_sample(
    experiment_name: str,
    run_name: str,
    pipeline_job: aiplatform.PipelineJob,
    project: str,
    location: str,
):
    aiplatform.init(experiment=experiment_name, project=project, location=location)

    aiplatform.start_run(run=run_name, resume=True)

    aiplatform.log(pipeline_job=pipeline_job)