AI 平台

全代管的端對端數據資料學與機器學習平台。

  • check_circle_filled_black_24dp (1)

    可順暢執行開發作業的代管服務

  • check_circle_filled_black_24dp (1)

    透過以程式碼為基礎的工具和無程式碼工具縮短上市時間

  • check_circle_filled_black_24dp (1)

    透過具有可解釋性的模型維持良好控管成效

優點

適用於任何技術水準

無論是經過 AutoML 簡化的數據資料學作業,或是進階的模型最佳化工作,AI 平台可讓所有使用者快速順暢地將專案從構想轉換為實際部署項目。

精簡的 MLOps

部署作業不是機器學習的終點。透過 AI 平台,開發人員、數據資料學家和資料工程師可以簡化機器學習工作流程並調度所需資源。

最優質的 Google AI 技術

透過 TPU 和 TensorFlow 等 AI 平台工具將您的應用程式與 Google 的頂尖技術相互結合,以便善用 Google 的 AI 專業知識。

主要功能與特色

端對端的機器學習生命週期

準備

透過 BigQueryCloud Storage 準備及儲存資料集,接著使用內建的資料標籤服務為訓練資料加上標籤,以便在圖片、影片、表格和文字資料中執行分類、物件偵測、實體擷取等作業。

建構

透過 AutoML 簡便的使用者介面,或是筆記本 (代管的 Jupyter Notebook 服務) 中的自有程式碼建立同級最佳的機器學習模型,無須編寫任何程式碼。在深度學習 VM 映像檔深度學習容器中使用最新的開放原始碼深度學習架構,並透過我們的全代管訓練服務訓練模型。

驗證

透過 AI ExplanationsWhat-If Tool 驗證模型,藉此解讀模型輸出內容、驗證模型行為、找出偏誤,並發掘改善模型和訓練資料的方式。另外,您也可以使用 Vizier 這項黑盒最佳化服務,調整超參數及提高模型成效,以便進一步調整模型。

部署

透過預測在雲端中大規模部署模型並取得預測結果,這項工具可管理用於線上和批次預測要求的模型。另外,您也可以使用 AutoML Vision Edge 在邊緣位置部署模型,並依據本機資料觸發即時動作。TensorFlow 企業版提供 TensorFlow 執行個體適用的企業級支援。

MLOps

透過穩固、可重複使用的管道落實 MLOps 最佳做法,以便使用管道來管理模型、實驗和端對端工作流程。持續評估可協助您監控模型成效,並在不同時間點持續提供意見回饋。

AI 平台圖表
查看所有功能與特色

客戶

最新資訊

2020 年 Next OnAir 線上大會精華片段

訂閱 Google Cloud 電子報,掌握產品動態、活動資訊和特價優惠等消息。

說明文件

說明文件、快速入門導覽課程和其他資源

Google Cloud 基本資訊
AI 平台 (傳統版) 簡介

AI 平台 (傳統版) 的基礎知識,以及與機器學習工作流程搭配運作的方式。

快速入門導覽課程
使用 TensorFlow Keras 進行訓練和預測

瞭解如何使用 Keras Sequential API 在 AI 平台中訓練類神經網路,以及如何透過模型提供預測結果。

快速入門導覽課程
建立筆記本

瞭解如何建立 AI 平台筆記本 (JupyterLab),這是一種具備最新機器學習與數據資料學程式庫的 DLVM 執行個體。

最佳做法
MLOps 基本概念

提供許多實用技巧,方便您實作及自動化處理機器學習系統的持續整合 (CI)、持續推送軟體更新 (CD) 和持續訓練 (CT) 作業。

最佳做法
透過三個步驟將自訂機器學習模型遷移至 Google Cloud

ML Pipeline Generator 和預期使用者流程的總覽,以及在 AI 平台中自動化調度管理訓練工作的操作說明。

Google Cloud 基本資訊
AI 平台 (整合版) 簡介

瞭解 AI 平台 (整合版),這項產品彙整了 AutoML 和 AI 平台 (傳統版),為您提供整合化的 API、用戶端程式庫和使用者介面。

Google Cloud 基本資訊
適用於 AI 平台 (傳統版) 使用者的 AI 平台 (整合版)

說明 AI 平台 (整合版) 與 AI 平台 (傳統版) 的差異,以供慣用 AI 平台 (傳統版) 的使用者參考。

所有功能與特色

一個集結所有 AI 工具的平台

AI Explanations 瞭解輸入資料中的各項特徵會對模型輸出結果產生何種影響。
AutoML 輕鬆開發高品質自訂機器學習模型,而且無須編寫訓練處理常式。採用 Google 最先進的遷移學習與超參數搜尋技術。
持續評估 取得模型在實際工作環境中的成效指標。將預測結果與真值標籤相互比較,以便持續取得相關意見回饋,並隨著時間提高模型成效。
資料標籤服務 取得標籤人員提供的高精確度標籤,藉此提高機器學習模型的品質。
深度學習容器 在可遷移的一致環境中迅速建立及部署模型,以便用於所有 AI 應用程式。
深度學習 VM 映像檔 在 Compute Engine 執行個體中將含有最常見 AI 架構的 VM 映像檔執行個體化,而且不必擔心軟體是否相容。
筆記本 透過 JupyterLab 建立、管理及連結 VM,JupyterLab 是標準的數據資料學家平台。VM 已預先安裝深度學習架構和資料庫。
管道 以管道的形式自動化調度管理機器學習工作流程中的步驟來實作 MLOps,可以省去透過 TensorFlow Extended (TFX) 設定 Kubeflow 管道的麻煩。
預測 輕鬆將模型部署至可擴充的代管端點,以便用於線上或批次預測。
TensorFlow 企業版 透過可提供企業級支援和雲端規模效能的 Google Cloud,輕鬆開發及部署 TensorFlow 模型。
訓練 從單一機器到搭載多個加速器的大型叢集,在各種硬體中以任何架構訓練所有模型。
Vizier 巧妙調整超參數,盡可能改善模型輸出結果。
What-If Tool 透過互動式視覺化介面以圖表呈現資料集並探測模型,以便充分瞭解模型行為。

定價

定價

AI 平台提供可彈性調整的價格方案,可滿足各種專案和預算需求。

AI 平台會收取訓練模型及取得預測結果的費用。使用 AI 平台 Vizier、AI 平台筆記本、AI 平台深度學習容器、AI 平台深度學習 VM 映像檔或 AI 平台管道皆無須付費。不過如果您在上述產品中使用了任何 Google Cloud 資源,則必須付費。

您也可以使用 Pricing Calculator 來估算處理工作負載的費用。