Dokumentasi AI Platform Prediction

AI Platform Prediction menghadirkan kekuatan dan fleksibilitas TensorFlow, scikit-learn, dan XGBoost ke cloud. Anda dapat menggunakan AI Platform Prediction untuk menghosting model terlatih sehingga Anda dapat mengirim permintaan prediksi ke model tersebut.

Memulai

• Pengantar AI Platform

  Ringkasan produk AI Platform.

• Ringkasan prediksi

  Pengantar penggunaan AI Platform Prediction untuk menghosting model machine learning dan menayangkan prediksi.

• Lingkungan pengembangan

  Persyaratan untuk lingkungan pengembangan lokal Anda.

• Prediksi online versus batch

  Ringkasan perbedaan antara prediksi online dan batch.

• Memulai: pelatihan dan prediksi dengan TensorFlow Keras

  Latih model TensorFlow Keras di AI Platform Training dan deploy model ke AI Platform Prediction.

• Memulai: pelatihan dan prediksi dengan TensorFlow Estimator

  Latih model Estimator TensorFlow di AI Platform Training dan deploy model ke AI Platform Prediction.

• Mulai menggunakan scikit-learn dan XGBoost

  Men-deploy model scikit-learn atau XGBoost untuk menayangkan prediksi.

Alur kerja prediksi

• Mengekspor model untuk prediksi

  Tulis kode pelatihan untuk mengekspor artefak model yang siap untuk AI Platform Prediction.

• Mengekspor SavedModel untuk prediksi

  Mengekspor SavedModel TensorFlow agar kompatibel dengan AI Platform Prediction.

• Deployment model

  Men-deploy model machine learning dengan membuat resource model dan versi model.

• Rutinitas prediksi kustom

  Menyesuaikan cara AI Platform Prediction memproses permintaan prediksi.

• Jenis mesin untuk prediksi online

  Konfigurasikan jenis mesin virtual dan GPU yang digunakan AI Platform Prediction untuk menangani permintaan.

• Mendapatkan prediksi online

  Mengirim permintaan ke model machine learning yang di-deploy dan menerima prediksi.

• Mendapatkan prediksi batch

  Lakukan prediksi pada instance data dalam volume tinggi menggunakan model TensorFlow.

Container kustom untuk prediksi online

• Memulai: Menayangkan prediksi PyTorch dengan penampung kustom

  Gunakan penampung kustom untuk men-deploy model machine learning PyTorch yang menayangkan prediksi online.

• Persyaratan container kustom

  Pelajari persyaratan untuk membuat image container Docker kustom yang akan digunakan dengan AI Platform Prediction.

• Menggunakan penampung kustom

  Konfigurasikan versi model Anda untuk menggunakan penampung kustom.

Mengintegrasikan dengan alat dan layanan

• Menggunakan library klien Python

  Gunakan Library Klien Google API untuk Python guna mengirim permintaan ke Training API dan Prediction API AI Platform.

• Bekerja dengan Cloud Storage

  Siapkan Cloud Storage agar dapat berfungsi dengan AI Platform Prediction.

• Menggunakan Alat What-If

  Periksa model yang di-deploy dengan dasbor interaktif.

Pemantauan dan keamanan

• Pemantauan model

  Memantau performa dan perilaku model yang di-deploy.

• Melihat log audit

  Pantau aktivitas admin dan akses data dengan Cloud Audit Logs.

• Kontrol akses

  Ringkasan izin yang diperlukan untuk melakukan berbagai tindakan di AI Platform Training and Prediction API, serta peran IAM yang memberikan izin ini.

• Menggunakan akun layanan kustom

  Konfigurasikan versi model untuk menggunakan akun layanan kustom untuk menayangkan prediksi.

• Menggunakan Kontrol Layanan VPC

  Konfigurasikan Kontrol Layanan VPC untuk mengurangi risiko pemindahan data yang tidak sah.

Resource AI Platform Prediction

• Project, model, versi, dan tugas

  Ringkasan resource yang Anda buat dan gunakan di AI Platform.

• Mengelola model dan tugas

  Mengelola resource AI Platform yang telah Anda buat.

• Memberi label pada resource

  Atur tugas, model, dan versi model Anda dengan label kustom.

• Membagikan model

  Membagikan akses ke resource AI Platform Prediction Anda kepada pengguna, grup, atau akun layanan lainnya.

Tutorial

• Membuat rutinitas prediksi kustom dengan Keras

  Men-deploy model Keras bersama dengan kode prapemrosesan dan pascapemrosesan untuk menangani permintaan.

• Mendapatkan prediksi online dengan XGBoost

  Men-deploy model XGBoost, dan meminta prediksi.

• Mendapatkan prediksi online dengan scikit-learn

  Men-deploy model scikit-learn yang menggunakan pipeline dengan banyak transformer.

• Prediksi dengan pipeline scikit-learn

  Men-deploy model scikit-learn yang menggunakan pipeline dengan langkah prapemrosesan dan langkah klasifikasi.

• Menggunakan pipeline scikit-learn dengan transformer kustom

  Men-deploy pipeline scikit-learn dengan pra-pemrosesan kustom.

• Membuat rutinitas prediksi kustom dengan scikit-learn

  Men-deploy model scikit-learn bersama dengan kode prapemrosesan dan pascapemrosesan untuk menangani permintaan.

• Menggunakan scikit-learn di Kaggle dan AI Platform Prediction

  Latih model di Kaggle dan deploy ke AI Platform Prediction.

Versi runtime

• Daftar versi runtime

  Informasi tentang ketersediaan dan dependensi versi runtime yang dapat Anda gunakan untuk menayangkan prediksi.

• Mengelola versi runtime

  Konfigurasikan versi dependensi untuk versi model Anda.

Region

• Region

  Informasi tentang region Google Cloud yang mendukung berbagai fitur.

AI Explanations

• Ringkasan AI Explanations

  Pengantar penggunaan AI Explanations dengan AI Platform Prediction.

• Mulai menggunakan AI Explanations

  Men-deploy model TensorFlow dan membuat permintaan penjelasan.

• Batasan AI Explanations

  Pertimbangan yang harus Anda pertimbangkan saat menggunakan Penjelasan AI.

• Menggunakan atribusi fitur

  Konfigurasikan model machine learning Anda untuk Penjelasan AI dan minta penjelasan.

• Menyimpan model TensorFlow

  Simpan model TensorFlow 2 dan TensorFlow 1.15 dengan benar untuk Penjelasan AI.

• Menyiapkan metadata

  Buat file metadata penjelasan yang diperlukan untuk Penjelasan AI, menggunakan Explainable AI SDK.

• Memvisualisasikan penjelasan

  Visualisasikan penjelasan dengan AI Explanations.

• Memahami input dan output untuk penjelasan

  Temukan tensor input dan output untuk membuat file metadata penjelasan secara manual, sebelum men-deploy model TensorFlow 1.15 yang ada ke Penjelasan AI.

Evaluasi berkelanjutan

• Ringkasan evaluasi berkelanjutan

  Pengantar evaluasi berkelanjutan.

• Sebelum Anda memulai evaluasi berkelanjutan

  Menyiapkan model machine learning agar kompatibel dengan evaluasi berkelanjutan.

• Membuat tugas evaluasi

  Konfigurasikan cara Anda ingin versi model Anda dievaluasi.

• Melihat metrik evaluasi

  Lihat metrik tentang model Anda yang dihitung oleh evaluasi berkelanjutan.

• Memperbarui, menjeda, atau menghapus tugas evaluasi

  Perbarui tugas evaluasi berkelanjutan yang ada.

API dan referensi

• Referensi AI Platform Training and Prediction API

  Informasi mendetail tentang REST API.

Dukungan

• Pemecahan masalah

  Memahami penyebab masalah umum.

• Mendapatkan dukungan

  Temukan dukungan untuk masalah yang Anda alami.

• Pertanyaan terkait penagihan

  Referensi untuk menjawab pertanyaan umum terkait penagihan.

Resource

• Harga

  Informasi harga mendetail.

• Kuota dan batas

  Kebijakan penggunaan untuk resource AI Platform Prediction.

• Catatan rilis

  Detail tentang update.

• Arsip catatan rilis

  Catatan rilis sebelum 10 April 2019.