Cloud Machine Learning Engine

Erstklassige Modelle entwickeln und in der Produktion bereitstellen

Vertrieb kontaktieren Kostenlos testen

Cloud ML Engine ist jetzt ein Teil der AI Platform

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 auszuführen. In Cloud ML Engine stehen Trainings- und Vorhersagedienste zur Verfügung, die zusammen oder einzeln genutzt werden können. Cloud ML Engine wird von Unternehmen zur Lösung verschiedener Probleme eingesetzt – um Wolken in Satellitenbildern zu erkennen, Lebensmittelsicherheit zu gewährleisten und um viermal schneller auf Kunden-E-Mails antworten zu können. Die Trainings- und Vorhersagedienste in ML Engine werden jetzt als AI Platform-Training und AI Platform-Vorhersage bezeichnet. Weitere Informationen finden Sie auf der Seite zur AI Platform.

Cloud ML Engine

Erstellen

Beginnen Sie mit der Erstellung Ihres Projekts für maschinelles Lernen mit AI Platform-Notebooks. Sie können das Modelltraining hochskalieren, indem Sie den Cloud ML Engine-Trainingsdienst in einer serverlosen Umgebung innerhalb der GCP nutzen. Cloud ML Engine unterstützt gängige ML-Frameworks oder ermöglicht es Ihnen, Ihre Anwendung innerhalb eines Docker-Images auszuführen. Sie bietet außerdem integrierte Tools, um Sie dabei zu unterstützen, Ihre Modelle zu verstehen und sie Geschäftsanwendern effektiv zu erklären.

Entwickeln

Bereitstellen

Wenn Sie ein trainiertes Modell haben, bietet Cloud ML Engine zwei Vorhersagearten, um das, was der Computer gelernt hat, auf neue Beispiele anzuwenden.

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 Skalierbarkeit ermöglicht sie Inferenz-Aussagen für mehrere TB an Produktionsdaten.

Bereitstellen

Vorteile

Benutzerdefinierte Containerunterstützung
Neben nativer Unterstützung von gängigen Frameworks wie TensorFlow können Sie auch beliebige andere Frameworks in Cloud ML Engine ausführen. Laden Sie hierfür einfach einen Docker-Container mit Ihrem Trainingsprogramm hoch und Cloud ML Engine setzt es in die Infrastruktur von Google ein.
Verteiltes Training
Manchmal sind Ihre Daten und Ihr Modell so groß, dass eine einzelne Maschine die Aufgabe nicht in angemessener Zeit bewältigen kann. Cloud ML Engine richtet automatisch eine Umgebung für XGBoost und TensorFlow ein, um diese auf mehreren Maschinen auszuführen. So können Sie die erforderliche Geschwindigkeit erreichen, indem Sie Ihrer Trainingsaufgabe mehrere GPUs hinzufügen oder diese auf mehrere VMs aufteilen.
Automatische Ressourcenbereitstellung
Cloud ML Engine ist ein verwalteter Dienst, der die Bereitstellung und Überwachung aller Ressourcen automatisiert. Er erstellt mit einer verwalteten verteilten Trainingsinfrastruktur Modelle, die CPUs, GPUs und TPUs unterstützen, und beschleunigt die Modellentwicklung, indem auf etlichen Knoten gleichzeitig trainiert oder mehrere Experimente parallel ausgeführt werden. Auf diese Weise können Sie sich auf die Modellentwicklung und -implementierung konzentrieren, ohne sich Gedanken über die Infrastruktur machen zu müssen.
HyperTune
Erzielen Sie schneller bessere Ergebnisse, indem Sie Deep-Learning-Hyperparameter mit HyperTune abstimmen. So verwalten Data Scientists oft Tausende von Abstimmungstests in der Cloud, was viele Stunden langwieriger und fehleranfälliger Arbeit spart.
Portable Modelle
Mit dem als Open Source verfügbaren TensorFlow SDK oder anderen unterstützten ML-Frameworks lassen sich Modelle lokal anhand von Beispieldatasets trainieren. Mit der Google Cloud Platform ist das Trainieren auch im umfangreichen Maß 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 und dabei verhindern, dass es zu einer Datenverzerrung aufgrund unterschiedlicher Vorverarbeitung in Training und Vorhersage kommt.
Integriert
Cloud ML Engine ist sehr gut an unseren verwalteten Notebook-Dienst und unsere Datendienste für maschinelles Lernen angepasst: Cloud Dataflow zur Funktionsverarbeitung, BigQuery zur Dashboard-Unterstützung und -Analyse und Cloud Storage zur Datenspeicherung.
Mehrere Frameworks
Training und Onlinevorhersagen unterstützen mehrere Frameworks, mit denen Sie Modelle zur Klassifizierung, Regression und Dimensionalitätsreduktion sowie zum Clustering 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 einfaches, schnelles Deep Learning-Prototyping
  • TensorFlow bietet modernste und äußerst leistungsfähige 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

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: AI Platform-Maschinentypen – Preis pro Stunde Training: Compute Engine-Maschinentypen – Preis pro Stunde Training: Beschleuniger – Preis pro Stunde
BASIC standard n1-standard-4 NVIDIA_TESLA_K80
STANDARD_1 large_model n1-standard-8 NVIDIA_TESLA_P4 (Beta)
PREMIUM_1 complex_model_s n1-standard-16 NVIDIA_TESLA_P100
BASIC_GPU complex_model_m n1-standard-32 NVIDIA_TESLA_T4 (Beta)
BASIC_TPU complex_model_l n1-standard-64 NVIDIA_TESLA_V100
CUSTOM Mögliche Maschinentypen finden Sie in den Tabellen. standard_gpu n1-standard-96 Acht TPU_V2-Kerne*
complex_model_m_gpu n1-highmem-2 Batchvorhersage: Preis pro Knotenstunde
complex_model_l_gpu n1-highmem-4
standard_p100 n1-highmem-8 Onlinevorhersage: Maschinentypen – Preis pro Knotenstunde
complex_model_m_p100 n1-highmem-16 mls1-c1-m2 (default)
standard_v100 n1-highmem-32 mls1-c4-m2 (Beta)
large_model_v100 n1-highmem-64
complex_model_m_v100 n1-highmem-96
complex_model_l_v100 n1-highcpu-16
cloud_tpu* n1-highcpu-32
n1-highcpu-64
n1-highcpu-96
Wenn Sie in einer anderen Währung als US-Dollar bezahlen, gelten die Preise, die unter Cloud Platform SKUs für Ihre Währung angegeben sind.

Feedback geben zu...

Cloud Machine Learning Engine (Cloud ML Engine)