Présentation d'AI Platform (Unifiée)

AI Platform (Unifiée) rassemble AutoML et AI Platform (Classic) au sein d'une API, d'une bibliothèque cliente et d'une interface utilisateur unifiées. AutoML vous permet d'entraîner des modèles sur des ensembles de données d'image, vidéo et tabulaires sans écrire de code, tandis que l'entraînement dans AI Platform (Classic) vous permet d'exécuter du code d'entraînement personnalisé. Avec AI Platform (Unifiée), les services d'entraînement AutoML et d'entraînement personnalisé sont tous deux disponibles. Quelle que soit l'option choisie pour l'entraînement, vous pouvez enregistrer des modèles, déployer des modèles et demander des prédictions avec AI Platform (Unifiée).

Étapes où AI Platform (Unifiée) s'intègre au workflow de ML

Vous pouvez utiliser AI Platform pour gérer les étapes suivantes du workflow de ML :

  • Définir et importer un ensemble de données.

  • Entraîner un modèle de ML sur vos données :

    • Entraîner le modèle
    • Évaluer la précision du modèle
    • Régler les hyperparamètres (entraînement personnalisé uniquement)
  • Importer et stocker votre modèle dans AI Platform.

  • Déployer le modèle entraîné et obtenir un point de terminaison pour diffuser les prédictions

  • Envoyer des requêtes de prédiction à votre point de terminaison.

  • Spécifier une répartition du trafic de prédiction dans votre point de terminaison.

  • Gérer vos modèles et vos points de terminaison.

Composants d'AI Platform (Unifiée)

Cette section décrit les éléments qui composent AI Platform et l'objectif principal de chaque élément.

Formation

Vous pouvez entraîner des modèles sur AI Platform (Unifiée) à l'aide d'AutoML ou utiliser un entraînement personnalisé si vous avez besoin du plus large éventail d'options de personnalisation disponibles dans AI Platform Training.

Dans un entraînement personnalisé, vous pouvez sélectionner de nombreux types de machines différents pour traiter vos tâches d'entraînement, activer l'entraînement distribué, utiliser les réglages d'hyperparamètres et exploiter des GPU.

Déployer des modèles pour la prédiction

Vous pouvez déployer des modèles sur AI Platform et obtenir un point de terminaison pour diffuser des prédictions sur AI Platform.

Vous pouvez déployer vos modèles sur AI Platform qu'ils aient été ou non entraînés sur AI Platform.

Service d'ajout d'étiquettes aux données

Le service d'étiquetage de données AI Platform (version bêta) vous permet de demander un ajout manuel d'étiquettes sur un ensemble de données que vous prévoyez d'utiliser pour entraîner un modèle de machine learning personnalisé. Vous pouvez envoyer une demande d'étiquetage de vos données vidéo, données d'images ou données texte.

Pour envoyer une demande d'étiquetage, il vous suffit de fournir un échantillon représentatif de données étiquetées, de spécifier toutes les étiquettes possibles pour votre ensemble de données, et de fournir des instructions sur la manière d'ajouter ces étiquettes. Les évaluateurs humains suivent vos instructions et, lorsque la demande d'étiquetage est terminée, vous obtenez un ensemble de données annoté que vous pouvez utiliser pour entraîner un modèle de machine learning.

Outils pour interagir avec AI Platform (Unifiée)

Cette section décrit les outils que vous utilisez pour interagir avec AI Platform.

Notebooks

AI Platform Notebooks permet de créer et de gérer des instances de machine virtuelle (VM) pré-empaquetées avec JupyterLab.

Les instances AI Platform Notebooks disposent d'une suite préinstallée de packages de deep learning, assurant la compatibilité avec les frameworks TensorFlow et PyTorch. Afin de répondre au mieux à vos besoins, vous pouvez configurer des instances reposant uniquement sur le processeur ou des instances utilisant un ou plusieurs GPU.

Vos instances de notebook sont protégées par l'authentification et l'autorisation Google Cloud, et sont disponibles via une URL d'instance de notebook. Les instances de notebook s'intègrent également à GitHub, ce qui offre un moyen simple de synchroniser votre notebook avec le dépôt GitHub.

Google Cloud Console

Vous pouvez déployer des modèles dans le cloud et gérer vos ensembles de données, modèles, points de terminaison et tâches dans Cloud Console. Il s'agit d'une interface utilisateur qui vous permet de travailler avec vos ressources de machine learning. Dans le cadre de Google Cloud, vos ressources AI Platform sont connectées à des outils utiles tels que Cloud Logging et Cloud Monitoring. La meilleure façon de commencer à utiliser Cloud Console est la page Tableau de bord de la section AI Platform :

Accéder à la page "Tableau de bord"

Bibliothèques clientes Cloud

AI Platform fournit des bibliothèques clientes pour certains langages afin de vous aider à créer des appels à l'API AI Platform. Les bibliothèques clientes offrent une expérience de développement optimisée en utilisant les conventions et styles naturels de chaque langage compatible. Pour plus d'informations sur les langages compatibles et sur leur installation, consultez la section Installer la bibliothèque cliente AI Platform (Unifiée).

Vous pouvez également utiliser les bibliothèques clientes pour les API Google pour accéder à l'API AI Platform à l'aide d'autres langages tels que Dart. Lorsque vous utilisez les bibliothèques clientes pour les API Google, vous construisez des représentations des ressources et des objets utilisés par l'API. Cela est plus facile et nécessite moins de code que de travailler directement avec des requêtes HTTP.

API REST

L'API REST d'AI Platform fournit des services RESTful pour la gestion des tâches, des modèles et des points de terminaison, ainsi que pour la prédiction avec des modèles hébergés sur Google Cloud.

Étape suivante