分析印度杂志
现在阅读
A Guide to Vertex AI - A Unified MLOps Platform by谷歌
分析印度杂志

A Guide to Vertex AI - A Unified MLOps Platform by谷歌

在数据科学和机器学习领域,谷歌的研究团队是许多与机器学习操作(mlop)相关的模型、框架、数据管理系统和许多其他实用程序的主要贡献者之一。Vertex AI是他们的另一个贡献,它基本上结合了谷歌的许多其他工具。在本文中,我们将了解为什么它在大多数mlop应用程序中很有帮助。下面列出了本文要讨论的要点

目录

注册AWS数据分析会议>>
  • 顶点人工智能简介
  • Vertex AI为ML开发提出的工作流。
  • Vertex AI的好处
  • VertexAI的特征
  • MLOP的组成部分
  • 顶点人工智能中的机器学习操作工具
  • 与顶点AI交互的工具

让我们先介绍一下Vertex AI。

顶点人工智能简介

Vertex AI是由谷歌研究它在一个地方由AutoML和AI平台组成。正如我们所知AutoML这使我们能够在不同类型的数据(如图像、视频、文本数据)上训练模型,而无需编写太多代码。在AI平台中,您可以在训练模型时运行自定义训练代码。Vertex AI为AutoML培训和自定义培训提供选项。我们可以选择训练选项,并且可以轻松保存和部署模型,并请求vertex AI根据我们训练的模型预测值。

顶点AI提出的用于ML开发的工作流

可以使用Vertex AI管理ML工作流中的以下阶段:

  • 培训流程。
  1. 创建数据集并上传数据。
  2. 根据您的数据培训机器学习模型:

在训练时,我们可以评估模型的准确性,如果我们使用自定义训练,我们也可以使用超参数调整。

  • 部署
  1. 在Vertex AI上上传和存储训练过的模型。
  2. 将模型部署到端点,以便我们可以从模型中提供预测。
  3. 发送请求到我们的端点进行预测。
  4. 指定端点中的预测流量分割。
  5. 管理您的模型和端点。

Vertex AI的好处

使用Vertex AI有很多好处,因为它将AutoML和AI平台结合在一起。其中一些好处是

  • 因为它与AutoMl一起工作,所以我们可以使用较低的编码专业知识创建模型,而且构建模型所需的代码量非常低。我们还可以利用AutoML为计算机视觉和NLP提供的预培训API。
  • 它还支持使用少量的机器编码库来训练高级机器代码。
  • 它的流水线使机器学习模型流化,并使用使ML模型为用户提供其特征的特性,从而降低了模型自助维护的复杂性。

VertexAI的特征

为整个机器学习工作流提供统一的UI和API

Vertex AI包含所有Google云服务,用于在一个统一的UI和API下构建机器学习模型,使我们能够训练模型,并可以使用AutoML比较模型。对于自定义代码培训过程,我们的所有模型都可以存储在一个存储库中。从这里可以将所选模型部署到顶点AI的相同端点。

针对视觉、视频、自然语言等的预培训API

在Vertex AI中,他们有预先训练的API,可以轻松地用于视觉、视频、翻译和自然语言ML,我们还可以使用Vertex AI API的广泛用例构建全新的智能应用程序。AutoML使我们能够轻松地训练高质量的模型,而不必事先了解机器学习领域,这将引导我们走上面向需求的道路。

数据和人工智能的端到端集成

由于BigQuery支持标准SQL查询,我们可以使用BigQuery在现有的商业智能工具上执行机器学习模型。Vertex支持数据标签。使用它,我们还可以生成高质量的标记数据,通过从BigQuery导出数据,我们可以将数据直接推送到Vertex AI中,实现数据到AI的无缝端到端集成。

支持所有开源框架

Vertex AI支持广泛的开源框架,如TensorFlow、PyTorch和scikit-learn,这些框架在机器学习领域很有名,也可以通过定制容器与ML框架集成,帮助训练和预测模型。

MLOP的组成部分

任何机器学习操作都可以有许多组成部分。我们大致可以把它们分为四类。

培训

在ML操作中,非常需要的一件事是在Vertex AI中训练模型。我们可以使用AutoML训练模型,或者在任何定制的情况下,我们可以在AI平台培训中使用广泛的定制选项和可用的用例。使用人工智能平台培训,我们可以利用许多不同的机器类型来为培训工作提供动力,比如分布式培训,超参数调谐,过程的加速gpu.

部署

机器学习模型的部署使我们能够在用户可以利用预测的端点处为模型的预测服务。在vertex AI中,我们也可以执行此操作,并且使用这些操作,他们也为那些未使用vertex AI训练的模型提供了工具。

数据标签

带标签的数据在模型中表现良好,它成为我们讨论分类问题时的首要要求。对数据进行更高精度的标记是一项高度优先的任务。利用Vertex AI的服务,我们可以得到数据集带注释的由人力劳动者提供更高的精确度。我们只需要给他们提供贴有标签的样品。

存储库

当与一个组织合作时,我们需要保持我们在开发中执行的所有机器学习操作的透明度。在这种情况下,我们需要一个可以与项目的同事共享的存储库。在这里,Vertex AI提供了特性存储,这是一个完全管理的存储库,可以轻松地跨组织流动。此外,它还管理存储库的所有底层基础设施。

上述机器学习操作的给定组件是Vertex AI的以下给定工具可以满足的任何开发过程的基本和优先要求。

顶点人工智能中的机器学习操作工具

另请参阅

从Vertex AI的各种工具中,以下Vertex AI的工具可以用于更好和更容易的机器学习应用程序的开发工作流程。

  • 深度学习虚拟机映像–在计算引擎实例上实例化包含最流行AI框架的VM映像,而无需担心软件兼容性
  • 顶点匹配引擎-它提供匹配向量之间相似性的服务。
  • 顶点数据标签-对数据进行比人工标记更好的标记。
  • 顶点深度学习容器-包含用于部署AI应用程序的环境。
  • 顶点的边缘经理-帮助监控API的边缘和自动化过程
  • 顶点可解释AI——集成到顶点预测、AutoML表格和笔记本中,以解释和理解模型预测
  • 〇顶点模型监控为各种概念(如数据漂移、概念漂移)提供警报,这些概念漂移需要监控以提高模型的性能。
  • 顶点神经架构搜索-提供新的模型体系结构以满足模型的应用,并优化现有的模型。
  • 顶点的管道,帮助简化机器学习操作,并提供元数据跟踪和连续建模。使用TensorFlow EXtended和KuberFlow管道构建。
  • 顶点训练-提供各种预构建算法,还允许使用自定义代码来训练模型。我们可以在云环境或离线环境中训练模型。
  • 顶点维齐尔-提供超参数优化服务。

与顶点AI交互的工具

谷歌云控制台

我们可以在云上部署我们的模型。它们提供了管理数据集、模型、端点和作业的工具。此选项还提供了使用机器学习资源的用户界面。

云客户端库

Vertex AI为一些语言提供了客户端库,这些语言有助于调用Vertex AI API。开发人员可以通过以常规方式使用每种受支持的语言来获得优化的体验。提供了有关支持的语言的信息在这里.

谷歌API客户端库可以作为一个替代调用顶点AI API的情况下,我们想要使用其他语言。当使用谷歌API客户端库时,这是一个比处理HTTP请求更简单、更低的代码过程。

RESTAPI

Vertex AI REST API提供RESTful API,用于管理作业、模型和端点,以及在Google云上使用托管模型进行预测。

深度学习虚拟机映像

深度学习虚拟机映像由各种虚拟机映像组成,用于优化许多数据科学和机器学习任务。所有图像都预先安装了关键的ML框架,可以在带有GPU的实例上开箱即用,这也会加速数据处理任务。目前,每个版本都有支持TensorFlow Enterprise、TensorFlow、PyTorch和通用高性能计算的映像

深度学习的容器

深度学习容器由各种Docker容器组成,我们在其中预先安装了各种关键数据科学框架、库和工具。这些容器包含为实现更高性能而预先优化的一致性环境,这有助于快速创建原型和实施工作流。

最后的话

在本文中,我们看到了有关vertex AI的各种信息,这些信息可以帮助我们提高机器学习操作的性能。我们已经看到,通过结合谷歌领先的人工智能研究所支持的主要产品,它们变得更加有用。读者可以使用Vertex AI检查不同活动的定价在这里.

你怎么认为?

加入我们的Discord服务器。成为一个有吸引力的在线社区的一部分。加入这里.


订阅我们的时事通讯

通过分享你的电子邮件获得最新的更新和相关的优惠。

188BET网页

滚动到顶部
Baidu