Cloud Machine Learning Engine

優れたモデルを構築し、本番環境にデプロイします。

無料トライアル

運用ではなくモデルに注力する

Google Cloud Machine Learning(ML)Engine は、デベロッパーやデータ サイエンティストが優れた機械学習モデルを構築し、本番環境にデプロイできるようにするマネージド サービスです。Cloud ML Engine にはトレーニングと予測の機能があり、これらを組み合わせて使うことも、それぞれを個別に使うこともできます。Cloud ML Engine は大企業も採用する実績のあるサービスで、衛星画像の中の雲の識別食品安全性の評価、お客様へのメール対応の迅速化(ある事例では返信時間を 4 分の 1 に短縮化することに成功)など、さまざまな問題を解決するために活用されています。

トレーニング

機械学習では、データに隠れたパターンを見つけられるようコンピュータ モデルをトレーニングする必要があります。また、優れた設計のモデルをより多くの高品質なデータでトレーニングすれば、ソリューションのインテリジェンスもそれだけ高まります。モデルの構築には、scikit-learn、XGBoost、Keras、TensorFlow などの複数の ML フレームワーク(ベータ版)を使用できます。中でも TensorFlow は、Google フォトから Google Cloud Speech まで多くの Google プロダクトを支えている最先端のディープ ラーニング フレームワークです。Cloud ML Engine を使用すると、モデル アーキテクチャを自動的に設計および評価して、専門家に頼らずにすばやくインテリジェントなソリューションを構築できます。Cloud ML Engine はお持ちのすべてのデータを活用できるよう、スケーリングします。マネージド クラスタ上であらゆるモデルを大規模にトレーニングすることが可能です。

予測

予測を活用すると、アプリケーションやワークフローにインテリジェンスを組み込むことができます。トレーニングの完了したモデルがあれば、その学習結果を予測によって新しいデータに適用できます。ML Engine では 2 種類の予測をご利用いただけます。

オンライン予測: リアルタイムで反応し、かつ高可用性のフルマネージド サーバーレス環境に ML モデルをデプロイします。Google Cloud のグローバル予測プラットフォームは自動スケーリング機能を備えているため、いかなるスループットにも対応します。また、セキュアなウェブ エンドポイントが提供されており、アプリケーションに ML を組み込むこともできます。

バッチ予測: 非同期型アプリケーション向けに、他サービスでは得られない高スループットの推論機能を低コストで提供します。スケーリングにも対応しているため、TB 単位の本番環境データから推論を導き出すことができます。

複数のフレームワークをトレーニングしてデプロイする

トレーニングとオンライン予測を使用すると、複数の ML フレームワークを使用でき、ML モデルを本番環境にシームレスにデプロイできます。Docker コンテナは必要ありません。また、モデルがトレーニングされた環境を問わず、ユーザーはモデルをインポートできます。

Tensorflow ロゴ Scikit learn ロゴ Keras ロゴ Xgboost ロゴ

Cloud ML Engine の特長

自動リソース プロビジョニング
インフラストラクチャを気にすることなく、モデルの開発とデプロイに注力できます。リソース プロビジョニングとモニタリングは、すべてマネージド サービスによって自動化されます。CPU、GPU、TPU をサポートする分散型のマネージド トレーニング インフラストラクチャによりモデルを構築できます。多くのノードにまたがってトレーニングをしたり、複数のテストを並列で実施したりすることでモデルの開発をスピードアップします。
HyperTune
HyperTune を使用するとディープ ラーニングのハイパーパラメータを自動的に調整できるため、優れた結果をすばやく得られます。また、クラウド上で数千回もの調整テストを管理できるため、繰り返しが多くエラーを生みやすい作業を何時間もかけて行う必要がありません。
ポータブル モデル
オープンソースの TensorFlow SDK を使用するか、その他のサポート対象 ML フレームワーク(ベータ版)を使用して、サンプル データセットでモデルをローカルにトレーニングできます。また、Google Cloud Platform を使用して大規模なトレーニングも行うことができます。Cloud ML Engine でトレーニングしたモデルをダウンロードしてローカルで実行、あるいはモバイル統合もできます。scikit-learn、XGBoost、Keras、TensorFlow のモデルをインポートし、フルマネージド、リアルタイムの予測ホスティングができます。モデルがトレーニングされた環境を問わず、Docker コンテナも必要ありません。
サーバー側での前処理
scikit-learn のパイプラインや tf.transform を使用して、デプロイの前処理を Google Cloud に push できます。つまり、本番環境のモデルに元データをそのまま送信し、ローカルでの演算処理を減らすことができます。これにより、トレーニングと予測での前処理の違いによって、データに歪度が発生することを防げます。
統合
Google サービスは互いに連携するよう設計されています。Cloud ML Engine は、機能処理に関しては Cloud Dataflow と連携し、データ ストレージに関しては Cloud Storage と連携します。
複数のフレームワーク
トレーニングとオンライン予測は複数のフレームワークに対応しており、分類、回帰、クラスタリング、次元数削減のそれぞれのモデルのトレーニングと提供が可能です。
  • scikit-learn: 幅広くシンプルなクラシカル機械学習
  • XGBoost: 簡単に使え、正確な高精度勾配ブースティング
  • Keras: ディープ ラーニングの簡単かつ迅速なプロトタイピング
  • TensorFlow: 最先端のディープ ラーニングのパワーを活用

「Google Cloud Machine Learning Engine により、衛星から取得した画像の視覚的異常を修正する精度やスピードを向上できました。何十年も抱えていた問題が解決されたのです。これにより Airbus Defence and Space 社は、他に類のない、現在入手可能な最も包括的な範囲の地球観測データを提供し続けることができます。」

- Mathias Ortner 氏、Airbus Defense & Space 社データ分析、画像処理チームリーダー

CLOUD ML Engine の料金

Cloud ML Engine の料金は、ML モデルのトレーニングと、トレーニング済みモデルによる予測の実行に対して発生します。詳しい料金情報については、料金ガイドをご覧ください。

米国 ヨーロッパ アジア
トレーニング - 事前定義のスケール階層 - 1 時間あたりの料金 トレーニング - マシンタイプ - 1 時間あたりの料金 バッチ予測 - ノード時間あたりの料金 オンライン予測 - ノード時間あたりの料金
BASIC standard
STANDARD_1 large_model
PREMIUM_1 complex_model_s
BASIC_GPU complex_model_m
BASIC_TPU (Beta) complex_model_l
CUSTOM スケール階層として CUSTOM を選択した場合、トレーニング ジョブに使用する仮想マシンの数やタイプを調整できます。マシンタイプについては、表を参照してください。 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)
米ドル以外の通貨でお支払いの場合は、Cloud Platform SKU に記載されている該当通貨の料金が適用されます。

フィードバックを送信...

Cloud Machine Learning Engine(Cloud ML Engine)