Dokumentation zu AI Platform Prediction

Mit AI Platform Prediction stehen Ihnen das Potenzial und die Flexibilität von TensorFlow, scikit-learn und XGBoost in der Cloud zur Verfügung. Mithilfe von AI Platform Prediction können Sie Ihre trainierten Modelle hosten, sodass Sie Vorhersageanfragen an sie senden können.

Erste Schritte

• Einführung in AI Platform

  Eine Übersicht über AI Platform-Produkte

• Vorhersageüberblick

  Eine Einführung dazu, wie Sie mithilfe von AI Platform Prediction Modelle für maschinelles Lernen hosten und Vorhersagen bereitstellen

• Entwicklungsumgebung

  Anforderungen an Ihre lokale Entwicklungsumgebung

• Onlinevorhersage im Vergleich zur Batchvorhersage

  Eine Übersicht über die Unterschiede zwischen Online- und Batchvorhersage

• Erste Schritte: Training und Vorhersage mit TensorFlow Keras

  Trainieren Sie in AI Platform Training ein TensorFlow Keras-Modell und stellen Sie das Modell für AI Platform Prediction bereit.

• Erste Schritte: Training und Vorhersage mit TensorFlow Estimator

  Trainieren Sie in AI Platform Training ein TensorFlow Estimator-Modell und stellen Sie das Modell für AI Platform Prediction bereit.

• Erste Schritte mit scikit-learn und XGBoost

  Bereitstellen eines scikit-learn- oder XGBoost-Modells, um Vorhersagen zur Verfügung zu stellen

Vorhersageworkflow

• Modelle für Vorhersagen exportieren

  Schreiben von Trainingscode, um Modellartefakte für AI Platform Prediction zu exportieren

• SavedModel für Vorhersagen exportieren

  Exportieren eines TensorFlow-SavedModel, sodass es mit AI Platform Prediction kompatibel ist

• Modelle bereitstellen

  Bereitstellen von ML-Modellen durch Erstellen von Modell- und Modellversionsressourcen

• Benutzerdefinierte Vorhersageroutinen

  Anpassen, wie Vorhersageanfragen von AI Platform Prediction verarbeitet werden

• Maschinentypen für die Onlinevorhersage

  Konfigurieren, welche Arten von virtuellen Maschinen und GPUs AI Platform Prediction zur Verarbeitung von Anfragen verwendet

• Onlinevorhersagen abrufen

  Senden von Anfragen an das bereitgestellte ML-Modell, um Vorhersagen zu erhalten

• Batchvorhersagen abrufen

  Erstellen von Vorhersagen für eine große Anzahl von Dateninstanzen mithilfe eines TensorFlow-Modells

Benutzerdefinierte Container für Onlinevorhersagen

• Erste Schritte: PyTorch-Vorhersagen mit einem benutzerdefinierten Container bereitstellen

  Verwenden Sie einen benutzerdefinierten Container, um ein PyTorch-ML-Modell bereitzustellen, das Onlinevorhersagen ermöglicht.

• Anforderungen an benutzerdefinierte Container

  Mehr erfahren über die Anforderungen zum Erstellen eines benutzerdefinierten Docker-Container-Images für die Verwendung mit AI Platform Prediction

• Benutzerdefinierte Container verwenden

  Konfigurieren Ihrer Modellversion für die Verwendung eines benutzerdefinierten Containers

Integration in Tools und Dienste

• Python-Clientbibliothek verwenden

  Verwenden Sie die Google API-Clientbibliothek für Python, um Anfragen an die AI Platform Training and Prediction API zu senden.

• Mit Cloud Storage arbeiten

  Einrichten von Cloud Storage für AI Platform Prediction

• What-If-Tool verwenden

  Prüfen der bereitgestellten Modelle mit einem interaktiven Dashboard

Monitoring und Sicherheit

• Modelle überwachen

  Überwachen der Leistung und des Verhaltens der bereitgestellten Modelle

• Audit-Logs ansehen

  Beobachten der Administratoraktivität und des Datenzugriffs mit Cloud-Audit-Logs

• Zugriffssteuerung

  Eine Übersicht über die Berechtigungen, die zum Ausführen verschiedener Aktionen in der AI Platform Training and Prediction API erforderlich sind, sowie über die IAM-Rollen, die diese Berechtigungen enthalten

• Benutzerdefiniertes Dienstkonto verwenden

  Konfigurieren einer Modellversion, damit sie ein benutzerdefiniertes Dienstkonto für Vorhersagen verwendet

• VPC Service Controls verwenden

  Konfigurieren von VPC Service Controls, um das Risiko einer Daten-Exfiltration zu minimieren

AI Platform Prediction-Ressourcen

• Projekte, Modelle, Versionen und Jobs

  Ein Überblick über die Ressourcen, die Sie in AI Platform erstellen und mit denen Sie interagieren.

• Modelle und Jobs verwalten

  Verwalten Sie die von Ihnen erstellten AI Platform-Ressourcen.

• Ressourcen mit Labels versehen

  Organisieren von Jobs, Modellen und Modellversionen mit benutzerdefinierten Labels

• Modelle freigeben

  Zulassen, dass andere Nutzer, Gruppen oder Dienstkonten auf Ihre AI Platform Prediction-Ressourcen zugreifen

Tutorials

• Benutzerdefinierte Vorhersageroutine mit Keras erstellen

  Bereitstellen eines Keras-Modells zusammen mit Vorverarbeitungs- und Nachbearbeitungscodes für die Verarbeitung von Anfragen

• Onlinevorhersagen mit XGBoost

  Bereitstellen eines XGBoost-Modells und Anfordern von Vorhersagen

• Onlinevorhersagen mit scikit-learn

  Bereitstellen eines scikit-learn-Modells, das eine Pipeline mit vielen Transformern verwendet

• Vorhersagen mit scikit-learn-Pipelines

  Bereitstellen eines scikit-learn-Modells, das eine Pipeline mit einem Vorverarbeitungsschritt und einem Klassifizierungsschritt verwendet

• scikit-learn-Pipeline mit benutzerdefinierten Transformern verwenden

  Bereitstellen einer scikit-learn-Pipeline mit benutzerdefinierter Vorverarbeitung

• Benutzerdefinierte Vorhersageroutine mit scikit-learn erstellen

  Bereitstellen eines scikit-learn-Modells zusammen mit Vorverarbeitungs- und Nachbearbeitungscodes für die Verarbeitung von Anfragen

• scikit-learn mit Kaggle und AI Platform Prediction verwenden

  Trainieren eines Modells in Kaggle und Bereitstellen des Modells in AI Platform Prediction

Laufzeitversionen

• Laufzeitversionsliste

  Informationen zur Verfügbarkeit und zu den Abhängigkeiten der Laufzeitversionen, die Sie für die Bereitstellung von Vorhersagen verwenden können

• Laufzeitversionen verwalten

  Konfigurieren der Abhängigkeitsversionen für Ihre Modellversion

Regionen

• Regionen

  Informationen dazu, welche Google Cloud-Regionen welche Features unterstützen

AI Explanations

• Übersicht über AI Explanations

  Einführung in die Verwendung von AI Explanations mit AI Platform Prediction

• Erste Schritte: AI Explanations

  Bereitstellen von TensorFlow-Modellen und Senden von Erläuterungsanfragen

• Einschränkungen der KI-Erklärungen

  Wichtige Aspekte bei der Verwendung von AI Explanations

• Feature-Attributionen verwenden

  Konfigurieren des ML-Modells für AI Explanations und Anfordern von Erläuterungen

• TensorFlow-Modelle speichern

  Speichern Sie die TensorFlow 2- und TensorFlow 1.15-Modelle für AI Explanations richtig.

• Metadaten vorbereiten

  Erstellen der Erläuterungsmetadatendatei, die für AI Explanations erforderlich ist, mit dem Explainable AI SDK

• Erläuterungen visualisieren

  Visualisieren von Erläuterungen mit AI Explanations

• Ein- und Ausgaben für Erläuterungen verstehen

  Suchen Sie nach Eingabe- und Ausgabetensoren, um die Erklärungsmetadatendatei manuell zu erstellen, bevor Sie ein vorhandenes TensorFlow 1.15-Modell für AI Explanations bereitstellen.

Kontinuierliche Evaluierung

• Übersicht über die kontinuierliche Evaluierung

  Eine Einführung in die kontinuierliche Evaluierung.

• Vor dem Start der kontinuierlichen Evaluierung

  Vorbereiten Ihres ML-Modells, damit es mit der kontinuierlichen Evaluierung kompatibel ist

• Evaluierungsjob erstellen

  Konfigurieren, wie Ihre Modellversion evaluiert werden soll

• Bewertungsmesswerte ansehen

  Ansehen von Messwerten für das Modell, die durch die kontinuierliche Evaluierung berechnet wurden

• Evaluierungsjob aktualisieren, anhalten oder löschen

  Aktualisieren eines vorhandenen Jobs zur kontinuierlichen Evaluierung

APIs und Referenzen

• Referenz zur AI Platform Training and Prediction API

  Detaillierte Informationen zur REST API.

Support

• Fehlerbehebung

  Hier finden Sie Informationen über die Ursachen gängiger Probleme.

• Support

  Hier finden Sie Support bei Problemen.

• Fragen zur Abrechnung

  Ressourcen mit Antworten auf häufig gestellte Fragen zur Abrechnung.

Ressourcen

• Preise

  Ausführliche Preisinformationen

• Kontingente und Limits

  Nutzungsrichtlinien für AI Platform Prediction-Ressourcen

• Versionshinweise

  Details zu Aktualisierungen

• Archivierte Versionshinweise

  Versionshinweise vor dem 10. April 2019.