Cloud Machine Learning Engine

Erstklassige Modelle erstellen und in der Produktion bereitstellen

Kostenlos testen

Fokus auf Modelle, nicht auf Vorgänge

Die Google Cloud Machine Learning (ML) Engine ist ein verwalteter Dienst, der es Entwicklern und Data Scientists ermöglicht, erstklassige Modelle für maschinelles Lernen zu erstellen und produktiv einzusetzen. In der Cloud ML Engine stehen Trainings- und Vorhersagedienste zur Verfügung, die zusammen oder einzeln genutzt werden können. Die Cloud ML Engine ist ein bewährter Dienst, der von Unternehmen zur Lösung verschiedener Probleme eingesetzt wird – von der Identifizierung von Wolken in Satellitenbildern bis hin zur Gewährleistung der Lebensmittelsicherheit und Ermöglichung einer viermal schnelleren Reaktion auf Kunden-E-Mails.

Trainieren

Beim maschinellen Lernen wird ein Computermodell trainiert, um Muster in Daten zu erkennen. Je hochwertiger die Daten sind, mit denen Sie ein gut durchdachtes Modell trainieren, desto intelligenter wird Ihre Lösung. Zum Erstellen hochmoderner Modellarchitekturen gibt es das TensorFlow-Deep-Learning-Framework, das bei vielen Google-Produkten zum Einsatz kommt – von Google Fotos bis hin zu Google Cloud Speech. Mit Cloud ML Engine können Sie Modellarchitekturen automatisch entwerfen und bewerten, um schneller und ohne Experten eine intelligentere Lösung zu erhalten. Verwenden Sie TensorFlow Estimators für ein leistungsstarkes verteiltes Training, Keras zum einfachen Erstellen benutzerdefinierter Estimators oder Low-Level-TensorFlow für vollständige Kontrolle. Die Cloud ML Engine lässt sich skalieren, um alle Ihre Daten zu nutzen. Sie kann jedes TensorFlow-Modell auf einem verwalteten Cluster mit großen Datenmengen trainieren.

Vorhersagen

Mit Vorhersagen werden Ihre Anwendungen und Workflows "intelligent". Wenn Sie ein trainiertes Modell haben, wird das, was der Computer gelernt hat, mit der Vorhersage auf neue Beispiele angewendet. Die ML Engine bietet zwei Arten von Vorhersagen:

Die Onlinevorhersage stellt ML-Modelle mit serverlosem, vollständig verwaltetem Hosting bereit, das hohe Verfügbarkeit bietet und in Echtzeit reagiert. Unsere globale Vorhersageplattform passt sich automatisch an jeden Durchsatz an. Sie bietet einen sicheren Web-Endpunkt, um maschinelles Lernen in Ihre Anwendungen zu integrieren.

Die Batchvorhersage bietet kostengünstige Inferenz mit beispiellosem Durchsatz für asynchrone Anwendungen. Dank Skalierbarkeit ermöglicht sie Inferenz-Aussagen für mehrere TB an Produktionsdaten.

Mehrere Frameworks bereitstellen

Die Onlinevorhersage ermöglicht Entwicklern und Data Scientists die reibungslose Bereitstellung von ML-Modellen in der Produktion. Ein Docker-Container ist dabei nicht erforderlich. Nutzer können Modelle importieren, die irgendwo anders trainiert wurden.

Vorteile von Cloud Machine Learning Engine

Automatische Ressourcenbereitstellung
Konzentrieren Sie sich auf Modellentwicklung und -bereitstellung, ohne sich Gedanken über die Infrastruktur zu machen. Der verwaltete Dienst automatisiert die Bereitstellung und das Monitoring von Ressourcen komplett. Erstellen Sie Modelle mithilfe einer verwalteten verteilten Trainingsinfrastruktur, die CPUs, GPUs und TPUs unterstützt. Sie können die Modellentwicklung weiter beschleunigen, indem Sie auf mehreren Knoten gleichzeitig trainieren oder mehrere Experimente parallel ausführen.
HyperTune
Erzielen Sie schneller erstklassige Ergebnisse, indem Sie Deep-Learning-Hyperparameter mit HyperTune abstimmen. Datenwissenschaftler können Tausende von Abtimmungstests in der Cloud verwalten. Das spart viele Stunden langwieriger und fehleranfälliger Arbeit.
Mobile Modelle
Mit dem Open-Source-TensorFlow SDK lassen sich Modelle lokal anhand von Beispiel-Datensätzen trainieren, während Sie mit der Google Cloud Platform Training in großem Maßstab betreiben können. Mit der Cloud Machine Learning Engine trainierte Modelle können für die lokale Ausführung oder die mobile Integration heruntergeladen werden. Sie können außerdem scikit-learn-, XGBoost-, Keras- und TensorFlow-Modelle importieren, die irgendwo trainiert wurden, und so vollständig verwaltetes Echtzeitvorhersage-Hosting realisieren. Ein Docker-Container ist nicht erforderlich.
Serverseitige Vorverarbeitung
Verschieben Sie die Bereitstellungsvorverarbeitung mit scikit-learn-Pipelines und tf.transform in die Google Cloud. So können Sie Rohdaten an Modelle in der Produktion senden und lokale Berechnungen reduzieren. Außerdem wird dadurch verhindert, dass es zu einer Datenverzerrung aufgrund unterschiedlicher Vorverarbeitung in Training und Vorhersage kommt.
Integriert
Google-Dienste sind für die Zusammenarbeit konzipiert. Cloud Dataflow wird für das Verarbeiten von Daten und Cloud Storage für das Speichern von Daten genutzt.
Mehrere Frameworks
Die Onlinevorhersage unterstützt mehrere Frameworks für Klassifizierungs-, Regressions-, Clustering- und Dimensionalitätsreduktionsmodelle.
  • scikit-learn ermöglicht es, die Breite und Einfachheit des klassischen maschinellen Lernens zu nutzen
  • XGBoost bietet sich für die Leichtigkeit und Genauigkeit des Extreme Gradient Boosting an
  • Keras eignet sich für das einfache und schnelle Prototyping von Deep Learning
  • TensorFlow bietet die modernsten und leistungsfähigsten Möglichkeiten für dass Deep Learning

"Mit der Google Cloud Machine Learning Engine können wir optische Abweichungen in unseren Satellitenbildern präziser und schneller korrigieren. Damit ist ein seit Jahrzehnten bestehendes Problem gelöst und Airbus Defence and Space kann weiterhin die umfassendste Palette kommerzieller Erdbeobachtungsdaten bieten."

– Mathias Ortner Data Analysis & Image Processing Lead, Airbus Defense & Space

Cloud Machine Learning Engine – Preise

Für das Trainieren von Modellen für maschinelles Lernen sowie für das Durchführen von Prognosen mit trainierten Modellen fallen Kosten an. Ausführliche Preisinformationen finden Sie in unserer Preisübersicht.

USA EUROPA ASIEN
Training – Vordefinierte Skalierungsstufen – Preis pro Stunde Training – Maschinentypen – Preis pro Stunde Batchvorhersage – Preis pro Knotenstunde Onlinevorhersagen – Preis pro Knotenstunde
BASIC standard
STANDARD_1 large_model
PREMIUM_1 complex_model_s
BASIC_GPU complex_model_m
BASIC_TPU (Beta) complex_model_l
CUSTOM Wenn Sie "CUSTOM" als Skalierungsstufe wählen, können Sie die Anzahl und den Typ der virtuellen Maschinen festlegen, die für den Trainingsjob verwendet werden. Mögliche Maschinentypen finden Sie in der Tabelle. standard_gpu
complex_model_m_gpu
complex_model_l_gpu
standard_p100 (Beta)
complex_model_m_p100 (Beta)
cloud_tpu (Beta)
Wenn Sie in einer anderen Währung als USD bezahlen, gelten die Preise, die in Cloud Platform SKUs in Ihrer Währung angegeben sind.