AI Platform
用于数据科学和机器学习的全代管式端到端平台。
-
代管式服务，让您轻松无忧进行开发
-
使用基于代码的工具和无代码工具加快生产速度
-
借助可解释的模型进行稳健可靠的治理
新增！AI Platform (Unified) 将 AI Platform、AutoML 和 MLOps 整合到一个紧密结合的完整平台中。
优势
适合所有技能水平
无论是使用 AutoML 的点击式数据科学还是高级模型优化，AI Platform 都可以帮助所有用户快速、无缝地将其项目从构思阶段推进到部署阶段。
简化了 MLOps
部署时，机器学习不会停止。AI Platform 可让开发者、数据科学家和数据工程师轻松简化并扩缩机器学习工作流。
Google AI 精华
您可以通过 AI Platform 上 TPU 和 TensorFlow 等工具，将我们的尖端技术融入您的应用，充分利用 Google 在 AI 领域的专业知识。
主要特性
端到端机器学习生命周期
准备
使用 BigQuery 和 Cloud Storage 准备和存储数据集，然后使用内置 Data Labeling Service 为训练数据添加标签，以便对图片、视频、表格和文本数据实现分类、对象检测、实体提取和其他目标。
构建
通过 AutoML 易于使用的界面，您无需编写任何代码就能构建一流的机器学习模型，或者您也可以使用自行通过 Notebooks（一种代管式 Jupyter Notebook 服务）编写的代码。使用 Deep Learning VM Image 或 Deep Learning Containers 上最新的开源深度学习框架。然后，使用我们的全代管式 Training 服务训练模型。
验证
使用 AI Explanations 和 What-If 工具验证模型，这可帮助您了解模型的输出、验证模型行为、确定偏差以及找到改进模型和训练数据的方法。使用黑盒优化服务 Vizier 进一步调整模型，以调整超参数并优化模型的性能。
部署
使用 Prediction 大规模部署模型以在云中获得预测结果，Prediction 可托管您的模型以进行在线和批量预测请求。您还可以使用 AutoML Vision Edge 在边缘位置部署模型，并基于本地数据触发实时操作。TensorFlow 企业版为 TensorFlow 实例提供企业级支持。
最新资讯
文档
文档、快速入门等
AI Platform (Classic) 简介
AI Platform (Classic) 基础知识，以及它如何适应机器学习工作流。
使用 TensorFlow Keras 进行训练和预测
如何使用 Keras Sequential API 在 AI Platform 上训练神经网络，以及如何通过该模型提供预测。
创建笔记本
了解如何创建 AI Platform Notebook (JupyterLab)，此 DLVM 实例配备最新的机器学习和数据科学库。
MLOps 101
用于针对机器学习系统实现和自动执行持续集成 (CI)、持续交付 (CD) 和持续训练 (CT) 的技术。
分三个步骤将自定义机器学习模型迁移到 Google Cloud
概述了机器学习流水线生成器、预期的用户操作历程以及在 AI Platform 上协调训练工作的说明。
AI Platform (Unified) 简介
了解 AI Platform (Unified)，其将 AutoML 和 AI Platform (Classic) 整合到统一的 API、客户端库和界面中。
适用于 AI Platform (Classic) 用户的 AI Platform (Unified)
针对熟悉 AI Platform (Classic) 的用户所进行的 AI Platform (Unified) 和 AI Platform (Classic) 比较。
所有特性
所有 AI 工具整合到一个平台
| AI Explanations | 了解输入数据中的每个特征对模型输出有何影响。 |
| AutoML | 无需编写训练例程，即可轻松开发高质量的自定义机器学习模型。由 Google 最先进的迁移学习和超参数搜索技术提供支持。 |
| 持续评估 | 获取有关模型在生产环境中性能的指标。将预测与标准答案标签进行比较，以获得持续的反馈并优化模型性能。 |
| Data Labeling Service | 获得人工标签添加者提供的高准确度标签，以便获得更出色的机器学习模型。 |
| Deep Learning Containers | 在可移植的一致环境中为您的所有 AI 应用快速构建和部署模型。 |
| Deep Learning VM Image | 在 Compute Engine 实例上实例化包含最热门的 AI 框架的虚拟机映像，而无需担心软件兼容性。 |
| 笔记本 | 使用标准数据科学家工作台 JupyterLab 创建、管理和连接虚拟机。虚拟机预装了深度学习框架和库。 |
| 流水线 | 通过将机器学习工作流中的步骤编排为流水线来实现 MLOps，而无需通过 TensorFlow Extended (TFX) 来设置 Kubeflow 流水线。 |
| 预测 | 轻松将模型部署到可扩缩的代管式端点，以进行在线预测或批量预测。 |
| TensorFlow 企业版 | 凭借企业级支持和云规模性能，轻松在 Google Cloud 上开发和部署 TensorFlow 模型。 |
| 培训 | 在任何硬件的任何框架上训练任何模型，从单一机器到具有多个加速器的大型集群。 |
| Vizier | 通过智能调整超参数来优化模型的输出。 |
| What-If 工具 | 使用交互式视觉界面直观呈现您的数据集并探测模型，以便更好地了解其行为。 |