Dokumentasi Prediksi AI Platform

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

Memulai

• Pengantar AI Platform

  Ringkasan produk AI Platform.

• Ringkasan prediksi

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

• Lingkungan pengembangan

  Persyaratan untuk lingkungan pengembangan lokal Anda.

• Prediksi online versus batch

  Ringkasan perbedaan antara prediksi online dan prediksi batch.

• Memulai: pelatihan dan prediksi dengan TensorFlow Keras

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

• Memulai: pelatihan dan prediksi dengan TensorFlow Estimator

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

• Mulai menggunakan scikit-learn dan XGBoost

  Deploy model scikit-learn atau XGBoost untuk menyajikan prediksi.

Alur kerja prediksi

• Mengekspor model untuk prediksi

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

• Mengekspor TersimpanModel untuk prediksi

  Ekspor TensorFlowSavedModel agar kompatibel dengan AI Platform Prediction.

• Deployment model

  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

  Konfigurasi jenis virtual machine dan GPU yang digunakan AI Platform Prediction untuk menangani permintaan.

• Mendapatkan prediksi online

  Kirim permintaan ke model machine learning yang di-deploy dan terima prediksi.

• Mendapatkan prediksi batch

  Jalankan prediksi pada instance data dalam jumlah besar menggunakan model TensorFlow.

Penampung kustom untuk prediksi online

• Memulai: Menayangkan prediksi PyTorch dengan container kustom

  Gunakan container kustom untuk men-deploy model machine learning PyTorch yang menyalurkan prediksi online.

• Persyaratan container kustom

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

• Menggunakan penampung kustom

  Konfigurasi versi model Anda untuk menggunakan penampung kustom.

Melakukan integrasi dengan alat dan layanan

• Menggunakan library klien Python

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

• Bekerja dengan Cloud Storage

  Siapkan Cloud Storage agar berfungsi dengan AI Platform Prediction.

• Menggunakan {i>What-If Tool<i}

  Periksa model yang di-deploy dengan dasbor interaktif.

Pemantauan dan keamanan

• Model pemantauan

  Pantau 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 menyediakan izin ini.

• Menggunakan akun layanan kustom

  Konfigurasi versi model agar menggunakan akun layanan kustom untuk menayangkan prediksi.

• Menggunakan Kontrol Layanan VPC

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

Resource Prediksi AI Platform

• Project, model, versi, dan tugas

  Ringkasan resource yang Anda buat dan gunakan dalam AI Platform.

• Mengelola model dan tugas

  Kelola resource AI Platform yang telah Anda buat.

• Memberi label pada resource

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

• Berbagi model

  Bagikan akses ke resource AI Platform Prediction Anda dengan pengguna, grup, atau akun layanan lain.

Tutorial

• Membuat rutinitas prediksi kustom dengan Keras

  Deploy model Keras bersama dengan kode pra-pemrosesan dan pascapemrosesan untuk menangani permintaan.

• Mendapatkan prediksi online dengan XGBoost

  Deploy model XGBoost, dan minta prediksi.

• Mendapatkan prediksi online dengan scikit-learn

  Deploy model scikit-learn yang menggunakan pipeline dengan banyak transformer.

• Prediksi dengan pipeline scikit-learn

  Deploy model scikit-learn yang menggunakan pipeline dengan langkah pra-pemrosesan dan langkah klasifikasi.

• Menggunakan pipeline scikit-learn dengan transformer kustom

  Deploy pipeline scikit-learn dengan pra-pemrosesan kustom.

• Membuat rutinitas prediksi kustom dengan scikit-learn

  Deploy model scikit-learn bersama dengan kode pra-pemrosesan dan pascapemrosesan untuk menangani permintaan.

• Menggunakan scikit-learn pada 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

  Konfigurasi versi dependensi untuk versi model Anda.

Region

• Region

  Informasi tentang region Google Cloud mana yang mendukung berbagai fitur.

AI Explanations

• Ringkasan Penjelasan AI

  Pengantar penggunaan AI Explanations dengan AI Platform Prediction.

• Mulai menggunakan AI Explanations

  Deploy model TensorFlow dan buat permintaan penjelasan.

• Keterbatasan Penjelasan AI

  Pertimbangan yang harus Anda pertimbangkan saat menggunakan AI Explanations.

• Menggunakan atribusi fitur

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

• Menyimpan model TensorFlow

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

• Menyiapkan metadata

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

• Memvisualisasikan penjelasan

  Visualisasikan penjelasan dengan AI Explanations.

• Memahami input dan output untuk penjelasan

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

Evaluasi berkelanjutan

• Ringkasan evaluasi berkelanjutan

  Pengantar evaluasi berkelanjutan.

• Sebelum memulai evaluasi berkelanjutan

  Menyiapkan model machine learning Anda agar kompatibel dengan evaluasi berkelanjutan.

• Membuat tugas evaluasi

  Konfigurasi cara mengevaluasi versi model yang Anda inginkan.

• Melihat metrik evaluasi

  Lihat metrik tentang model Anda yang dihitung dengan evaluasi berkelanjutan.

• Memperbarui, menjeda, atau menghapus tugas evaluasi

  Memperbarui tugas evaluasi berkelanjutan yang sudah ada.

API dan referensi

• Referensi AI Platform Training dan Prediction API

  Informasi mendetail tentang REST API.

Support

• 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.

Referensi

• Harga

  Informasi harga mendetail.

• Kuota dan batas

  Kebijakan penggunaan untuk resource Prediksi AI Platform.

• Catatan rilis

  Detail tentang update.

• Arsip catatan rilis

  Catatan rilis sebelum 10 April 2019.