AI Platform Prediction のドキュメント

AI Platform Prediction は、TensorFlow、scikit-learn、XGBoost の能力と柔軟性をクラウドに導入します。AI Platform Prediction を使用して、トレーニング済みモデルをホストできるため、予測リクエストを送信できます。

スタートガイド

• AI Platform の概要

  AI Platform プロダクトの概要。

• Prediction の概要

  AI Platform Prediction を使用して機械学習モデルをホストし、予測を提供する方法について説明します。

• 開発環境

  ローカル開発環境の要件。

• オンライン予測 vs バッチ予測

  オンライン予測とバッチ予測の違いの概要。

• スタートガイド: TensorFlow Keras によるトレーニングと予測

  TensorFlow Keras モデルを AI Platform Training でトレーニングして、そのモデルを AI Platform Prediction にデプロイします。

• スタートガイド: TensorFlow Estimator によるトレーニングと予測

  TensorFlow Estimator モデルを AI Platform Training でトレーニングして、そのモデルを AI Platform Prediction にデプロイします。

• scikit-learn と XGBoost のスタートガイド

  予測を処理する scikit-learn モデルまたは XGBoost モデルをデプロイします。

予測ワークフロー

• 予測のためのモデルのエクスポート

  AI Platform Prediction の準備ができたモデル アーティファクトをエクスポートするためのトレーニング コードを作成します。

• 予測に使用する SavedModel のエクスポート

  AI Platform Prediction との互換性のために TensorFlow SavedModel をエクスポートします。

• モデルのデプロイ

  モデルとモデル バージョンのリソースを作成して、機械学習モデルをデプロイします。

• カスタム予測ルーティン

  AI Platform Prediction で予測リクエストを処理する方法をカスタマイズします。

• オンライン予測用のマシンタイプ

  AI Platform Prediction でリクエストの処理に使用する仮想マシンと GPU のタイプを構成します。

• オンライン予測の取得

  デプロイされた機械学習モデルにリクエストを送信し、予測を受信します。

• バッチ予測の取得

  TensorFlow モデルを使用して、大量のデータ インスタンスに対して予測を実行します。

オンライン予測のカスタム コンテナ

• スタートガイド: カスタム コンテナを使用した PyTorch 予測の提供

  カスタム コンテナを使用して、オンライン予測を提供する PyTorch の機械学習モデルをデプロイします。

• カスタム コンテナの要件

  AI Platform Prediction で使用するカスタム Docker コンテナ イメージの作成要件について説明します。

• カスタム コンテナの使用

  カスタム コンテナを使用するようにモデル バージョンを構成します。

ツールとサービスの統合

• Python クライアント ライブラリの使用

  Python 用 Google API クライアント ライブラリを使用して、AI Platform Training and Prediction API にリクエストを送信します。

• Cloud Storage を使用する

  AI Platform Prediction と連携するように Cloud Storage を設定します。

• What-If ツールの使用

  デプロイされたモデルをインタラクティブ ダッシュボードで調べます。

モニタリングとセキュリティ

• モニタリング モデル

  デプロイしたモデルのパフォーマンスと動作をモニタリングします。

• 監査ログの表示

  管理アクティビティとデータアクセスを Cloud Audit Logs でモニタリングします。

• アクセス制御

  AI Platform Training と Prediction API でさまざまな操作を実行するために必要な権限と、これらの権限を提供する IAM ロールの概要。

• カスタム サービス アカウントの使用

  カスタム サービス アカウントを使用して予測を提供するようにモデル バージョンを構成します。

• VPC Service Controls を使用する

  データの引き出しのリスクを軽減するよう VPC Service Controls を構成します。

AI Platform Prediction リソース

• プロジェクト、モデル、バージョン、ジョブ

  AI Platform で作成して操作するリソースの概要。

• モデルとジョブの管理

  作成した AI Platform リソースを管理します。

• リソースのラベル付け

  カスタムラベルでジョブ、モデル、モデルのバージョンを整理します。

• モデルの共有

  AI Platform Prediction リソースへのアクセスを他のユーザー、グループ、サービス アカウントと共有します。

チュートリアル

• Keras によるカスタム予測ルーティンの作成

  リクエストの処理用の前処理コードと後処理コードと一緒に Keras モデルをデプロイします。

• XGBoost によるオンライン予測の取得

  XGBoost モデルをデプロイし、予測をリクエストします。

• scikit-learn でのオンライン予測の取得

  多くのトランスフォーマーがあるパイプラインを使用する scikit-learn モデルをデプロイします。

• scikit-learn パイプラインによる予測

  前処理ステップと分類ステップによって、パイプラインを使用する scikit-learn モデルをデプロイします。

• カスタム変換器での scikit-learn パイプラインの使用

  カスタム前処理で scikit-learn パイプラインをデプロイします。

• scikit-learn によるカスタム予測ルーティンの作成

  scikit-learn モデルを、リクエストを処理するための前処理コードと後処理コードと一緒にデプロイします。

• Kaggle と AI Platform Prediction での scikit-learn の使用

  Kaggle でモデルをトレーニングし、AI Platform Prediction にデプロイします。

ランタイム バージョン

• ランタイム バージョン リスト

  予測の提供に使用できるランタイム バージョンの可用性と依存関係に関する情報。

• ランタイム バージョンの管理

  モデル バージョンのために依存バージョンを構成します。

リージョン

• リージョン

  さまざまな機能をどの Google Cloud リージョンがサポートしているかに関する情報。

AI Explanations

• AI Explanations の概要

  AI Platform Prediction での AI Explanations の使用について説明します。

• AI Explanations スタートガイド

  TensorFlow モデルをデプロイし、説明のリクエストを作成します。

• AI Explanations の制限事項

  AI Explanations を使用する際に考慮する必要がある事項。

• 特徴属性の使用

  AI Explanations 用の機械学習モデルを構成し、説明をリクエストします。

• TensorFlow モデルの保存

  AI Explanations に TensorFlow 2 モデルと TensorFlow 1.15 モデルを正しく保存します

• メタデータの準備

  Explainable AI SDK を使用して、AI Explanations に必要な説明メタデータ ファイルを作成します。

• 説明の可視化

  AI Explanations で説明を可視化します。

• 説明のための入力と出力について

  既存の TensorFlow 1.15 モデルを AI Explanations にデプロイする前に、入力テンソルと出力テンソルを検索して、説明メタデータ ファイルを手動で作成します。

継続評価

• 継続評価の概要

  継続評価について説明します。

• 継続評価を始める前に

  継続評価に対応するための機械学習モデルの準備

• 評価ジョブの作成

  モデル バージョンの評価方法を構成します。

• 評価指標の表示

  継続評価によって計算されたモデルに関する指標を表示します。

• 評価ジョブの更新、一時停止、削除

  既存の継続評価ジョブを更新します。

API とリファレンス

• AI Platform Training と Prediction API リファレンス

  REST API に関する詳細情報。

サポート

• トラブルシューティング

  一般的な問題の原因について説明します。

• サポートの利用

  発生した問題に対するサポートをご覧ください。

• 課金に関する質問

  課金に関する一般的な質問への回答。

リソース

• 料金

  料金に関する詳細情報。

• 割り当てと上限

  AI Platform Prediction リソースに関する利用ポリシー。

• リリースノート

  アップデートに関する詳細。

• リリースノートのアーカイブ

  2019 年 4 月 10 日より前のリリースノート。