Utilizza AI Platform per addestrare i tuoi modelli di machine learning su larga scala, per ospitare il modello addestrato nel cloud e per utilizzarlo per fare previsioni sui nuovi dati.
Dove AI Platform si inserisce nel flusso di lavoro ML
Il diagramma seguente fornisce una panoramica generale delle fasi di un flusso di lavoro ML. Le caselle blu indicano dove AI Platform fornisce API e servizi gestiti:
Come indicato nel diagramma, puoi utilizzare AI Platform per gestire le seguenti fasi del flusso di lavoro ML:
Addestra un modello ML sui tuoi dati:
- Addestramento del modello
- Valuta l'accuratezza del modello
- Ottimizzare gli iperparametri
Esegui il deployment del modello addestrato.
Invia richieste di previsione al tuo modello:
- Previsione online
- Previsione batch (solo per TensorFlow)
Monitora le previsioni in modo continuativo.
Gestisci i tuoi modelli e le relative versioni.
Componenti di AI Platform
Questa sezione descrive i componenti che compongono AI Platform e lo scopo principale di ciascun componente.
Servizio di formazione
Il servizio di addestramento di AI Platform ti consente di addestrare i modelli utilizzando una vasta gamma di opzioni di personalizzazione diverse.
Puoi selezionare molti tipi di macchine diversi per potenziare i tuoi job di addestramento, attivare l'addestramento distribuito, utilizzare il tuning degli iperparametri e accelerare con GPU e TPU.
Puoi anche selezionare diversi modi per personalizzare la tua richiesta di formazione. Puoi inviare i dati di input per AI Platform da addestrare utilizzando un algoritmo integrato (beta). Se gli algoritmi integrati non sono adatti al tuo caso d'uso, puoi inviare la tua applicazione di addestramento da eseguire su AI Platform o creare un contenitore personalizzato con la tua applicazione di addestramento e le relative dipendenze da eseguire su AI Platform.
Servizio di previsione
Il servizio di previsione di AI Platform ti consente di fornire previsioni basate su un modello addestrato, indipendentemente dal fatto che il modello sia stato addestrato o meno su AI Platform.
Servizio di etichettatura dei dati
AI Platform Data Labeling Service (beta) ti consente di richiedere l'etichettatura umana per un set di dati che prevedi di utilizzare per addestrare un modello di machine learning personalizzato. Puoi inviare una richiesta di etichettatura dei tuoi dati video, immagine o di testo.
Per inviare una richiesta di etichettatura, fornisci un campione rappresentativo di dati etichettati, specifica tutte le possibili etichette per il tuo set di dati e fornisci alcune istruzioni su come applicarle. Gli annotatori umani seguono le tue istruzioni e, al termine della richiesta di etichettatura, ricevi il set di dati annotato che puoi utilizzare per addestrare un modello di machine learning.
Strumenti per interagire con AI Platform
Questa sezione descrive gli strumenti che utilizzi per interagire con AI Platform.
Console Google Cloud
Puoi eseguire il deployment dei modelli nel cloud e gestire i modelli, le versioni e i job nella console Google Cloud. Questa opzione ti offre un'interfaccia utente per lavorare con le risorse di machine learning. Nell'ambito di Google Cloud, le risorse di AI Platform sono collegate a strumenti utili come Cloud Logging e Cloud Monitoring.
Google Cloud CLI
Puoi gestire i tuoi modelli e le tue versioni, inviare job ed eseguire altre attività di AI Platform dalla riga di comando con lo strumento a riga di comando gcloud ai-platform
.
Consigliamo i comandi gcloud
per la maggior parte delle attività di AI Platform e l'API REST (vedi di seguito) per le previsioni online.
API REST
L'API REST di AI Platform fornisce servizi RESTful per la gestione di job, modelli e versioni e per fare previsioni con i modelli ospitati su Google Cloud.
Puoi utilizzare la libreria client API di Google per Python per accedere alle API. Quando utilizzi la libreria client, utilizzi le rappresentazioni in Python delle risorse e degli oggetti utilizzati dall'API. Questa operazione è più semplice e richiede meno codice rispetto al lavoro diretto con le richieste HTTP.
Consigliamo l'API REST per la pubblicazione di previsioni online in particolare.
Notebook gestiti dall'utente di Vertex AI Workbench
Le istanze di notebook gestite dall'utente di Vertex AI Workbench ti consentono di creare e gestire istanze di macchine virtuali (VM) per il deep learning preconfezionate con JupyterLab.
Le istanze di notebook gestite dall'utente dispongono di una suite preinstallata di pacchetti di deep learning, tra cui il supporto per i framework di TensorFlow e PyTorch. Puoi configurare istanze solo CPU o con GPU.
Le istanze di blocchi note gestiti dall'utente sono protette dall'autenticazione e dall'autorizzazione di Google Cloud e sono disponibili utilizzando un URL dell'istanza di blocchi note gestiti dall'utente. Le istanze dei notebook gestite dall'utente si integrano anche con GitHub e possono essere sincronizzate con un repository GitHub.
Per saperne di più, consulta la documentazione dei notebook gestiti dall'utente.
VM di deep learning
Le immagini di Deep Learning VM sono un insieme di immagini di macchine virtuali ottimizzate per le attività di data science e machine learning. Tutte le immagini sono fornite con framework ML e strumenti chiave preinstallati. Puoi utilizzarli immediatamente su istanze con GPU per accelerare le attività di elaborazione dei dati.
Le immagini VM per il deep learning sono disponibili per supportare molte combinazioni di framework e processore. Al momento sono disponibili immagini che supportano TensorFlow Enterprise, TensorFlow, PyTorch e calcolo generico ad alte prestazioni, con versioni sia per flussi di lavoro solo con CPU sia per flussi di lavoro abilitati per GPU.
Per visualizzare un elenco dei framework disponibili, consulta Scegliere un'immagine.
Per scoprire di più, consulta la documentazione di Deep Learning VM.
Passaggi successivi
- Inizia a utilizzare AI Platform Training e AI Platform Prediction con Keras.
- Scopri come addestrare con container personalizzati.
- Scopri come addestrare i modelli TensorFlow e XGBoost senza scrivere codice utilizzando gli algoritmi integrati di AI Platform.
- Scopri come utilizzare le routine di previsione personalizzate per aggiungere preelaborazione e postelaborazione alle richieste di previsione online.
- Aggiungi codice personalizzato e trasformazioni scikit-learn personalizzate alla pipeline di previsione online.
- Scopri di più su AI Platform Training e AI Platform Prediction.