Prova i modelli Gemini 1.5, i nostri più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra di contesto dei token da 1 milione. Prova i modelli Gemini 1.5, i nostri più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra di contesto dei token da 1 milione.

Utilizzo di endpoint privati per la previsione online

L'uso di endpoint privati per fornire previsioni online con Vertex AI fornisce una connessione sicura a bassa latenza al servizio di previsione online di Vertex AI. Questa guida mostra come configurare gli endpoint privati su Vertex AI utilizzando il peering di rete VPC per eseguire il peering della rete con il servizio di previsione online Vertex AI.

Panoramica

Prima di fornire previsioni online con endpoint privati, devi configurare l'accesso privato ai servizi per creare connessioni in peering tra la tua rete e Vertex AI. Se lo hai già impostato, puoi usare le connessioni in peering esistenti.

Questa guida illustra le seguenti attività:

Verifica dello stato delle connessioni in peering esistenti.
La verifica delle API necessarie è abilitata.
Creazione di un endpoint privato in corso...
Deployment di un modello su un endpoint privato.
- È supportato un solo modello per endpoint privato. È diverso da un endpoint Vertex AI pubblico in cui puoi suddividere il traffico tra più modelli di cui è stato eseguito il deployment su un endpoint.
- L'endpoint privato supporta modelli addestrati personalizzati e tabulari AutoML.
Invio di una previsione a un endpoint privato.
Pulizia delle risorse

Controllare lo stato delle connessioni in peering esistenti

Se disponi di connessioni in peering esistenti che utilizzi con Vertex AI, puoi elencarle per verificarne lo stato:

gcloud compute networks peerings list --network NETWORK_NAME

Dovresti vedere che lo stato delle connessioni in peering è ACTIVE. Scopri di più sulle connessioni in peering attive.

Abilita le API necessarie

gcloud services enable aiplatform.googleapis.com
gcloud services enable dns.googleapis.com

Crea un endpoint privato

Per creare un endpoint privato, aggiungi il flag --network quando crei un endpoint utilizzando Google Cloud CLI:

gcloud beta ai endpoints create \
  --display-name=ENDPOINT_DISPLAY_NAME \
  --network=FULLY_QUALIFIED_NETWORK_NAME \
  --region=REGION

Sostituisci NETWORK_NAME con il nome completo della rete:

projects/PROJECT_NUMBER/global/networks/NETWORK_NAME

Se crei l'endpoint senza specificare una rete, creerai un endpoint pubblico.

Limitazioni degli endpoint privati

Tieni presente le seguenti limitazioni per gli endpoint privati:

Al momento, gli endpoint privati non supportano la suddivisione del traffico. Come soluzione alternativa, puoi creare la suddivisione del traffico manualmente eseguendo il deployment del modello su più endpoint privati e suddividendo il traffico tra gli URL di previsione risultanti per ogni endpoint privato.
Gli endpoint privati non supportano SSL/TLS.
Per abilitare il logging degli accessi su un endpoint privato, contatta [email protected].
Puoi utilizzare una sola rete per tutti gli endpoint privati in un progetto Google Cloud. Se vuoi passare a un'altra rete, contatta [email protected].
Si consiglia di effettuare un nuovo tentativo lato client in caso di errori recuperabili. Potrebbero essere inclusi i seguenti errori:
- Risposta vuota (codice di errore HTTP 0), probabilmente a causa di una connessione interrotta temporaneamente.
- I codici di errore HTTP 5xx indicano che il servizio potrebbe non essere temporaneamente disponibile.
Per il codice di errore HTTP 429 che indica che il sistema è attualmente sovraccarico, valuta la possibilità di rallentare il traffico per mitigare il problema anziché riprovare.
Le richieste di previsione da PredictionServiceClient nella libreria client Python di Vertex AI non sono supportate.

Monitora gli endpoint privati

Puoi utilizzare la dashboard delle metriche per ispezionare la disponibilità e la latenza del traffico inviato a un endpoint privato.

Per personalizzare il monitoraggio, esegui query sulle seguenti due metriche in Cloud Monitoring:

aiplatform.googleapis.com/prediction/online/private/response_count

Il numero di risposte di previsione. Puoi filtrare questa metrica per deployed_model_id o per codice di risposta HTTP.
aiplatform.googleapis.com/prediction/online/private/prediction_latencies

La latenza della richiesta di previsione in millisecondi. Puoi filtrare questa metrica per deployed_model_id, solo per le richieste andate a buon fine.

Scopri come selezionare, eseguire query e visualizzare queste metriche in Metrics Explorer.

Deployment di un modello

Puoi importare un nuovo modello o eseguire il deployment di un modello esistente che hai già caricato. Per caricare un nuovo modello, utilizza gcloud ai models upload. Per maggiori informazioni, consulta Importare modelli in Vertex AI.

Per eseguire il deployment di un modello su un endpoint privato, consulta la guida al deployment dei modelli. Oltre alla suddivisione del traffico e all'abilitazione manuale del logging degli accessi, puoi utilizzare qualsiasi altra opzione disponibile per il deployment di modelli con addestramento personalizzato. Consulta le limitazioni degli endpoint privati per scoprire di più sulle differenze rispetto agli endpoint pubblici.
Dopo aver eseguito il deployment dell'endpoint, puoi ottenere l'URI di previsione dai metadati dell'endpoint privato.
1. Se hai il nome visualizzato del tuo endpoint privato, esegui questo comando per ottenere l'ID dell'endpoint:
```
ENDPOINT_ID=$(gcloud ai endpoints list \
          --region=REGION \
          --filter=displayName:ENDPOINT_DISPLAY_NAME \
          --format="value(ENDPOINT_ID.scope())")
```
  In caso contrario, per visualizzare l'ID e il nome visualizzati per tutti gli endpoint, esegui questo comando:
```
gcloud ai endpoints list --region=REGION
```
2. Infine, per ottenere l'URI di previsione, esegui questo comando:
```
gcloud beta ai endpoints describe ENDPOINT_ID \
  --region=REGION \
  --format="value(deployedModels.privateEndpoints.predictHttpUri)"
```

Formato URI di previsione privato

L'URI di previsione ha un aspetto diverso per gli endpoint privati rispetto agli endpoint pubblici di Vertex AI:

http://ENDPOINT_ID.aiplatform.googleapis.com/v1/models/DEPLOYED_MODEL_ID:predict

Se scegli di annullare il deployment del modello attuale ed eseguire nuovamente il deployment con uno nuovo, il nome di dominio viene riutilizzato, ma il percorso include un ID modello di cui è stato eseguito il deployment.

Invia una previsione a un endpoint privato

Crea un'istanza Compute Engine nella tua rete VPC. Assicurati di creare l'istanza nella stessa rete VPC in cui hai eseguito il peering con Vertex AI.
SSH nella tua istanza Compute Engine e installare il client di previsione, se applicabile. Altrimenti, puoi utilizzare curl.
Per la previsione, utilizza l'URL di previsione ottenuto dal deployment del modello. In questo esempio, stai inviando la richiesta dal tuo client di previsione nella tua istanza Compute Engine nella stessa rete VPC:
```
curl -X POST -d@PATH_TO_JSON_FILE  http://ENDPOINT_ID.aiplatform.googleapis.com/v1/models/DEPLOYED_MODEL_ID:predict
```
In questa richiesta di esempio, PATH_TO_JSON_FILE è il percorso della richiesta di previsione, salvata come file JSON. Ad esempio, example-request.json.

Esegui la pulizia delle risorse

Puoi annullare il deployment dei modelli ed eliminare gli endpoint privati come faresti con gli endpoint e i modelli pubblici. Puoi creare endpoint privati su una sola rete per progetto Google Cloud, anche se elimini autonomamente queste risorse in seguito. Se devi passare a un'altra rete, contatta [email protected].

Esempio: testare gli endpoint privati nel VPC condiviso

Questo esempio utilizza due progetti Google Cloud con una rete VPC condiviso:

Il progetto host ospita la rete VPC condiviso.
Il progetto client ospita un'istanza Compute Engine in cui esegui un client di previsione, come curl, o il tuo client REST nell'istanza Compute Engine, per inviare richieste di previsione.

Quando crei l'istanza Compute Engine nel progetto client, questa deve trovarsi all'interno della subnet personalizzata nella rete VPC condiviso del progetto host e nella stessa regione in cui viene eseguito il deployment del modello.

Crea le connessioni in peering per l'accesso privato ai servizi nel progetto host. Esegui gcloud services vpc-peerings connect:

gcloud services vpc-peerings connect \
  --service=servicenetworking.googleapis.com \
  --network=HOST_SHARED_VPC_NAME \
  --ranges=PREDICTION_RESERVED_RANGE_NAME \
  --project=HOST_PROJECT_ID

Crea l'endpoint nel progetto client utilizzando il nome di rete del progetto host. Esegui gcloud beta ai endpoints create:

gcloud beta ai endpoints create \
  --display-name=ENDPOINT_DISPLAY_NAME \
  --network=HOST_SHARED_VPC_NAME \
  --region=REGION \
  --project=CLIENT_PROJECT_ID

Inviare richieste di previsione utilizzando il client di previsione all'interno del progetto client.

Esempio: endpoint privati con subnet non RFC 1918

Questo esempio utilizza indirizzi non RFC 1918 per creare endpoint privati.

Prenota intervalli IP per nodi, pod e servizi. Gli intervalli IP per i nodi devono far parte dell'intervallo RFC 1918.

Crea la connessione in peering per l'accesso privato ai servizi utilizzando gli intervalli riservati.

gcloud services vpc-peerings connect \
  --service=servicenetworking.googleapis.com \
  --network=VPC_NAME \
  --ranges=NODES_RANGE_NAME,PODS_RANGE_NAME,SERVICES_RANGE_NAME \
  --project=PROJECT_ID

Crea l'endpoint, specificando gli intervalli riservati per nodi, pod e servizi. RequestedIpRangeConfig può essere specificato solo dall'API REST.

# Sample json request for endpoint creation.
{
  displayName: "my_endpoint",
  network: "projects/<project_num>/global/networks/<network>",
  requestedIpRangeConfig: {
    nodesIpRange: {
      ipAddress: "xxx.xx.x.x",
      ipPrefixLength: 22
    },
    podsIpRange: {
      ipAddress: "yyy.yy.y.y",
      ipPrefixLength: 17
    },
    servicesIpRange: {
      ipAddress: "zzz.zz.z.z",
      ipPrefixLength: 22
    }
  }
}

Inviare richieste di previsione utilizzando il client di previsione all'interno del progetto client.