在 Google Cloud 中執行數據資料學作業

擷取、處理及分析各種來源的即時或批次資料，可在資料產生時立即加以處理，使資料變得更實用，且更方便存取。

讓您的團隊以安全且符合成本效益的方式，大規模擷取、儲存及分析各式各樣完整不失真的資料。

使用無伺服器和全代管服務準備資料。透過集中式存放區管理和共用工程化特徵。

透過全代管工具探索、分析、視覺化及建立資訊主頁，或是根據自身需求自訂數據分析環境。

運用 Google 研究開發的創新機器學習工具進行建構。選擇無程式碼環境 (例如 AutoML)、BigQuery ML 的少量程式碼環境，或是使用 Vertex AI 和 Apache Spark 進行自訂訓練。在實際工作環境中導入更多模型，以促進資料導向的決策。

利用負責任的 AI 技術做法來檢查及瞭解 AI 模型，並透過可解釋性服務來理解和解釋由機器學習模型產生的預測資料。透過這些工具和架構，您可以偵錯及提升模型效能，並協助其他使用者瞭解模型行為。

使用代管 Airflow 或 Kubeflow 管道，自動化調度管理分析和機器學習工作負載。以無伺服器的方式自動化、監控及管理機器學習系統，並使用 Vertex 機器學習中繼資料儲存工作流程構件。