AI Platform Prediction aporta la potencia y la flexibilidad de TensorFlow, scikit-learn y XGBoost a la nube. Puedes usar AI Platform Prediction para alojar los modelos entrenados a fin de que puedas enviarles solicitudes de predicción.
Comienza ahora
-
Introducción a AI Platform
Una descripción general de los productos de AI Platform.
-
Descripción general de la predicción
Una introducción al uso de AI Platform Prediction para alojar modelos de aprendizaje automático y entregar predicciones.
-
Entorno de desarrollo
Requisitos para el entorno de desarrollo local.
-
Predicción en línea y por lotes
Una descripción general de las diferencias entre la predicción en línea y la predicción por lotes.
-
Primeros pasos: entrenamiento y predicción con Keras de TensorFlow
Entrena un modelo de Keras de TensorFlow en AI Platform Training y, luego, impleméntalo en AI Platform Prediction.
-
Primeros pasos: entrenamiento y predicción con el Estimador de TensorFlow
Entrena un modelo del Estimador de TensorFlow en AI Platform Training y, luego, impleméntalo en AI Platform Prediction.
-
Comienza a usar scikit-learn y XGBoost
Implementa un modelo de XGBoost o scikit-learn para entregar predicciones.
Flujo de trabajo de la predicción
-
Exporta modelos para realizar predicciones
Escribe código de entrenamiento a fin de exportar artefactos del modelo que estén listos para AI Platform Prediction.
-
Exporta un modelo guardado para realizar predicciones
Exporta un modelo guardado de TensorFlow para que sea compatible con AI Platform Prediction.
-
Implementa modelos
Implementa modelos de aprendizaje automático mediante la creación de recursos de modelos y versiones.
-
Rutinas de predicción personalizadas
Personaliza la manera en que AI Platform Prediction procesa las solicitudes de predicción.
-
Tipos de máquinas para las predicciones en línea
Configura los tipos de máquinas virtuales y GPU que AI Platform Prediction usa para administrar las solicitudes.
-
Obtén predicciones en línea
Envía solicitudes al modelo de aprendizaje automático implementado y recibe predicciones.
-
Obtén predicciones por lotes
Realiza predicciones en un gran volumen de instancias de datos mediante un modelo de TensorFlow.
Integración con herramientas y servicios
-
Usa la biblioteca cliente de Python
Usa la biblioteca cliente de las API de Google para Python a fin de enviar solicitudes a la API de entrenamiento y predicción de AI Platform.
-
Trabaja con Cloud Storage
Configura Cloud Storage para que trabaje con AI Platform Prediction.
-
Usa la Herramienta What-If
Inspecciona los modelos implementados con un panel interactivo.
Supervisión y seguridad
-
Supervisa modelos
Supervisa el rendimiento y el comportamiento de los modelos implementados.
-
Consulta registros de auditoría
Supervisa la actividad del administrador y el acceso a los datos con los registros de auditoría de Cloud.
-
Control de acceso
Una descripción general de los permisos necesarios para realizar diversas acciones en la API de entrenamiento y predicción de AI Platform y de las funciones de IAM que proporcionan estos permisos.
Recursos de AI Platform Prediction
-
Proyectos, modelos, versiones y trabajos
Una descripción general de los recursos que puedes crear y usar en AI Platform.
-
Administra modelos y trabajos
Administra los recursos de AI Platform que creaste.
-
Etiqueta recursos
Organiza los trabajos, los modelos y las versiones de modelos con etiquetas personalizadas.
-
Comparte modelos
Comparte el acceso a los recursos de AI Platform Prediction a otros usuarios, grupos o cuentas de servicio.
Instructivos
-
Crea una rutina de predicción personalizada con Keras
Implementa un modelo de Keras junto con código de procesamiento previo y posterior para administrar solicitudes.
-
Obtén predicciones en línea con XGBoost
Implementa un modelo de XGBoost y solicita predicciones.
-
Obtén predicciones en línea con scikit-learn
Implementa un modelo de scikit-learn que use una canalización con muchos transformadores.
-
Predicciones con canalizaciones de scikit-learn
Implementa un modelo de scikit-learn que use una canalización con un paso de procesamiento previo y uno de clasificación.
-
Usa una canalización de scikit-learn con transformadores personalizados
Implementa una canalización de scikit-learn con procesamiento previo personalizado.
-
Crea una rutina de predicción personalizada con scikit-learn
Implementa un modelo de scikit-learn junto con el código de procesamiento previo y posterior para administrar solicitudes.
-
Usa scikit-learn en Kaggle y AI Platform Prediction
Entrena un modelo en Kaggle y, luego, impleméntalo en AI Platform Prediction.
Versiones del entorno de ejecución
-
Lista de versiones del entorno de ejecución
Información sobre la disponibilidad y las dependencias de las versiones del entorno de ejecución que puedes usar para entregar predicciones.
-
Administra versiones del entorno de ejecución
Configura las versiones de dependencia correspondientes a la versión del modelo.
Regiones
Explicaciones de IA
-
Descripción general de Explicaciones de IA
Introducción al uso de Explicaciones de IA con AI Platform Prediction.
-
Comienza a usar Explicaciones de IA
Implementa modelos de TensorFlow y realiza solicitudes de explicaciones.
-
Limitaciones de Explicaciones de IA
Consideraciones que debes tener en cuenta cuando uses Explicaciones de IA.
-
Usa atribuciones de atributos
Configura el modelo de aprendizaje automático para Explicaciones de IA y solicita explicaciones.
-
Guardar modelos de TensorFlow
Guarda los modelos de TensorFlow 2 y TensorFlow 1.15 correctamente para Explicaciones de IA.
-
Prepara metadatos
Crea el archivo de metadatos de explicación necesario para Explicaciones de IA con el SDK de Explainable AI.
-
Visualiza explicaciones
Visualiza explicaciones con Explicaciones de IA.
-
Información sobre las entradas y salidas para explicaciones
Busca tensores de entrada y salida para crear el archivo de metadatos de explicación de forma manual, antes de implementar un modelo de TensorFlow 1.15 existente en Explicaciones de IA.
Evaluación continua
-
Descripción general de la evaluación continua
Una introducción a la evaluación continua.
-
Antes de comenzar la evaluación continua
Prepara el modelo de aprendizaje automático para que sea compatible con la evaluación continua.
-
Crea un trabajo de evaluación
Configura cómo deseas que se evalúe la versión del modelo.
-
Visualiza métricas de evaluación
Consulta las métricas sobre el modelo que se calcularon mediante la evaluación continua.
-
Actualiza, pausa o borra un trabajo de evaluación
Actualiza un trabajo de evaluación continua existente.