Einführung in AI Platform

Mit AI Platform können Sie Modelle für maschinelles Lernen in großem Umfang trainieren, trainierte Modelle in der Cloud hosten und Modelle für Vorhersagen zu neuen Daten nutzen.

Kurze Beschreibung des maschinellen Lernens

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz (KI). Bei ML sollen Computer aus Daten, die Sie eingegeben haben, lernen. Sie schreiben keinen Code, der die vom Computer auszuführende Aktion beschreibt. Stattdessen enthält Ihr Code einen Algorithmus, der sich selbst anpasst, d. h. er orientiert sich an Beispielen für beabsichtigtes Verhalten. Das Programm, das sich daraus ergibt und das aus dem Algorithmus sowie den zugehörigen erlernten Parametern besteht, wird als "trainiertes Modell" bezeichnet.

AI Platform in den ML-Workflow einbinden

Das folgende Diagramm bietet eine Übersicht über die verschiedenen Phasen eines ML-Workflows. Die blauen Felder zeigen, wo AI Platform verwaltete Dienste und APIs bereitstellt:

ML-Workflow
ML-Workflow

Das Diagramm stellt dar, wie Sie mit AI Platform die folgenden Phasen des ML-Workflows verwalten können:

  • Trainieren eines ML-Modells mit Ihren Daten:

    • Modell trainieren
    • Modellgenauigkeit bewerten
    • Hyperparameter abstimmen
  • Erstellen des trainierten Modells

  • Senden von Vorhersageanfragen an Ihr Modell:

    • Onlinevorhersage
  • Fortlaufendes Überwachen der Vorhersagen

  • Verwalten von Modellen und Versionen

Komponenten von AI Platform

In diesem Abschnitt werden die einzelnen Komponenten von AI Platform und ihr jeweiliger Hauptzweck erläutert.

Trainingsdienst

Der AI Platform-Trainingsdienst bietet Ihnen die Möglichkeit, Modelle mit einer breiten Palette unterschiedlicher Optionen zur Anpassung zu trainieren.

Sie können eine Vielzahl verschiedener Maschinentypen auswählen, um die Leistung Ihrer Trainingsjobs zu erhöhen, ein verteiltes Training ausführen, mit Hyperparametern optimieren sowie das Training mit GPUs und TPUs beschleunigen.

Außerdem stehen verschiedene Optionen zur Anpassung Ihrer Trainingsanwendung zur Auswahl. Sie können Ihre Eingabedaten an AI Platform senden und so Modelle mit einem integrierten Algorithmus (Beta) trainieren. Wenn die integrierten Algorithmen für Ihren Anwendungsfall nicht geeignet sind, haben Sie die Möglichkeit, eine eigene Trainingsanwendung zur Ausführung an AI Platform zu senden oder einen benutzerdefinierten Container (Beta) zu erstellen.

Vorhersagedienst

Mit dem AI Platform-Vorhersagedienst können Sie Vorhersagen auf der Basis eines trainierten Modells treffen, unabhängig davon, ob das Modell in AI Platform trainiert wurde.

Notebooks

Mit AI Platform Notebooks können Sie Instanzen virtueller Maschinen (VM-Instanzen) erstellen und verwalten, die zum Lieferumfang von JupyterLab gehören. AI Platform Notebooks-Instanzen enthalten eine vorinstallierte Suite von Deep-Learning-Paketen, einschließlich einer Unterstützung der TensorFlow- und PyTorch-Frameworks. Sie können je nach Ihren Anforderungen entweder Nur-CPU-Instanzen oder GPU-fähige Instanzen konfigurieren.

Ihre Notebook-Instanzen sind durch die Authentifizierungs- und Autorisierungsfunktion der Google Cloud Platform (GCP) geschützt und über eine URL der Notebook-Instanz-URL verfügbar. Notebook-Instanzen können auch in GitHub eingebunden werden, sodass sich Ihr Notebook problemlos mit einem GitHub-Repository synchronisieren lässt.

Daten-Labeling-Dienst (Beta)

Mit dem AI Platform Data Labeling Service (Beta) können Sie ein manuelles Labeling für ein Dataset anfordern, das Sie zum Trainieren eines benutzerdefinierten Modells für maschinelles Lernen verwenden möchten. Sie haben die Möglichkeit, dazu eine Anfrage zur Beschriftung Ihrer Video-, Bild- oder Textdaten zu senden.

Für das Senden einer Labeling-Anfrage müssen Sie eine repräsentative Stichprobe der beschrifteten Daten bereitstellen, alle infrage kommenden Labels für Ihr Dataset angeben und Anweisungen für die Beschriftung mit diesen Labels festlegen. Diese Anweisungen werden dann vom entsprechenden Personal für die manuelle Labelerstellung verwendet. Wenn die Labeling-Anfrage abgeschlossen ist, erhalten Sie ein mit Annotationen versehenes Dataset, das Sie zum Trainieren eines Modells für maschinelles Lernen verwenden können.

Deep Learning VM Image

Mit AI Platform Deep Learning VM Image können Sie aus einer Reihe von Debian 9-basierten VM-Images von Compute Engine auswählen, die für Aufgaben aus den Bereichen "Data Science" und "Maschinelles Lernen" optimiert sind. Alle Images enthalten vorinstallierte zentrale ML-Frameworks und -Tools, die sofort für Instanzen mit GPUs verwendet werden können, um Ihre Datenverarbeitungsaufgaben zu beschleunigen.

Tools zur Interaktion mit AI Platform

In diesem Abschnitt werden die Tools beschrieben, die Sie für die Interaktion mit AI Platform verwenden können.

Google Cloud Platform Console

Sie können Modelle in der Cloud erstellen und Ihre Modelle, Versionen und Jobs in der GCP Console verwalten. Diese Option bietet eine Benutzeroberfläche zur Anwendung Ihrer Ressourcen für maschinelles Lernen. Als Bestandteil der GCP sind Ihre AI Platform-Ressourcen dadurch mit hilfreichen Tools wie Stackdriver Logging und Stackdriver Monitoring verknüpft.

gcloud-Befehlszeilentool

Mit dem gcloud ai-platform-Befehlszeilentool können Sie Ihre Modelle und Versionen verwalten, Jobs senden und andere AI Platform-Aufgaben ausführen.

Wir empfehlen gcloud-Befehle für die meisten AI Platform-Aufgaben und die REST API (siehe unten) für Onlinevorhersagen.

REST API

Die REST API von AI Platform bietet RESTful-Dienste zum Verwalten von Jobs, Modellen und Versionen sowie zum Erstellen von Vorhersagen mit gehosteten Modellen auf der GCP.

Sie können auf die APIs mithilfe der Google APIs-Clientbibliothek für Python zugreifen. Mit der Clientbibliothek nutzen Sie Python-Darstellungen der von der API verwendeten Ressourcen und Objekte. Dies ist einfacher und erfordert weniger Code als das direkte Arbeiten mit HTTP-Anfragen.

Wir empfehlen die REST API vor allem für das Bereitstellen von Onlinevorhersagen.

Weitere Informationen

Hat Ihnen diese Seite weitergeholfen? Teilen Sie uns Ihr Feedback mit:

Feedback geben zu...