Cloud Machine Learning Engine

Erstklassige Modelle entwickeln und in der Produktion bereitstellen

Kostenlos testen

Fokus auf Modelle, nicht auf Vorgänge

Google Cloud Machine Learning (ML) Engine ist ein verwalteter Dienst, der es Entwicklern und Data Scientists ermöglicht, erstklassige Modelle für maschinelles Lernen zu entwickeln und in Produktionsumgebungen bereitzustellen. In Cloud ML Engine stehen Trainings- und Vorhersagedienste zur Verfügung, die zusammen oder einzeln genutzt werden können. Die Cloud ML Engine hat sich bereits in zahlreichen Unternehmen bei der Lösung verschiedenster Probleme bewährt – beispielsweise, um Wolken in Satellitenbildern zu erkennen, Lebensmittelsicherheit zu gewährleisten oder eine viermal schnellere Reaktion auf Kunden-E-Mails zu ermöglichen.

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. Sie können Ihre Modelle mit mehreren ML-Frameworks (in Beta) erstellen, darunter scikit-learn, XGBoost oder Keras. Außerdem können Sie TensorFlow verwenden, ein hochmodernes 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. Die Cloud ML Engine lässt sich so skalieren, dass Sie Ihre gesamten Daten nutzen können. Sie kann alle möglichen Modelle 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, auf Vorhersagen neuer Beispiele angewendet. ML Engine bietet zwei Arten von Vorhersagen:

Die Onlinevorhersage stellt ML-Modelle im Rahmen von 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 einzubinden.

Die Batchvorhersage bietet kostengünstige Inferenz mit beispiellosem Durchsatz für asynchrone Anwendungen. Dank ihrer Skalierbarkeit macht sie Inferenzaussagen für mehrere TB an Produktionsdaten binnen kurzer Zeit möglich.

Mehrere Frameworks trainieren und bereitstellen

Training und Onlinevorhersagen ermöglichen Entwicklern und Data Scientists die Arbeit mit verschiedenen Frameworks und die reibungslose Bereitstellung von mehreren ML-Modellen in der Produktion. Ein Docker-Container ist dabei nicht erforderlich. Außerdem können Modelle importiert werden, die woanders trainiert wurden.

Tensorflow-Logo Scikit-learn-Logo Keras-Logo Xgboost-Logo

Vorteile von Cloud ML Engine

Automatische Ressourcenbereitstellung
Konzentrieren Sie sich auf Modellentwicklung und -implementierung, 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, wenn Sie auf mehreren Knoten gleichzeitig trainieren oder mehrere Tests parallel ausführen.
HyperTune
Erzielen Sie schneller erstklassige Ergebnisse, indem Sie Deep-Learning-Hyperparameter mit HyperTune abstimmen. So können Data Scientists Tausende von Abstimmungstests in der Cloud verwalten. Das spart viele Stunden langwieriger und fehleranfälliger Arbeit.
Portable Modelle
Mit dem als Open Source verfügbaren TensorFlow SDK oder anderen unterstützten ML-Frameworks (in Beta) lassen sich Modelle lokal anhand von Beispieldatasets trainieren und mit der Google Cloud Platform ist das Trainieren im großen Maßstab möglich. Mit Cloud ML 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 woanders 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 bei Training und Vorhersagen kommt.
Integriert
Google-Dienste arbeiten reibungslos zusammen. Cloud ML Engine wird mit Cloud Dataflow für das Verarbeiten von Daten genutzt, Cloud Storage für das Speichern von Daten.
Mehrere Frameworks
Training und Onlinevorhersagen unterstützen mehrere Frameworks, mit denen Sie Modelle für Klassifizierung, Regression, Clustering und Dimensionalitätsreduktion trainieren und bereitstellen können.
  • scikit-learn ermöglicht es, die Breite und Einfachheit des klassischen maschinellen Lernens zu nutzen
  • XGBoost bietet sich für die Effektivität und Genauigkeit des Extreme Gradient Boosting an
  • Keras eignet sich für das einfache und schnelle Prototyping des Deep Learning
  • TensorFlow bietet die modernsten und leistungsfähigsten Möglichkeiten für das Deep Learning

"Mit 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 Defence & Space

CLOUD ML Engine – Preise

In Cloud ML Engine werden für das Trainieren von ML-Modellen Gebühren berechnet, ebenso für Vorhersagen mit trainierten Modellen. 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 Onlinevorhersage: 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
complex_model_m_p100
standard_v100 (Beta)
large_model_v100 (Beta)
complex_model_m_v100 (Beta)
complex_model_l_v100 (Beta)
cloud_tpu (Beta)
Wenn Sie in einer anderen Währung als US-Dollar bezahlen, gelten die Preise, die unter Cloud Platform SKUs in Ihrer Währung angegeben sind.

Feedback geben zu...

Cloud Machine Learning Engine (Cloud ML Engine)