Einführung in die 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 verwenden.

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. Statt Code zu schreiben, der die vom Computer auszuführende Aktion beschreibt, liefert 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 aus dem Algorithmus sowie den zugehörigen erlernten Parametern besteht, wird als "trainiertes Modell" bezeichnet.

AI Platform im ML-Workflow

Das folgende Diagramm bietet eine Übersicht über die verschiedenen Phasen in einem ML-Workflow. 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:

  • ML-Modell mit Ihren Daten trainieren:

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

  • Senden von Vorhersageanfragen an Ihr Modell:

    • Onlinevorhersage
    • Batchvorhersage
  • Fortlaufendes Überwachen der Vorhersagen

  • Modelle und Versionen verwalten

Komponenten von AI Platform

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

Trainingsdienst

Der AI Platform-Trainingsdienst bietet eine breite Palette unterschiedlicher Optionen, mit denen sich das Training von Modellen anpassen lässt.

Sie können viele verschiedene Maschinentypen auswählen, um Ihre Trainingsaufgaben zu meistern, verteiltes Training zu ermöglichen, die Hyperparameter-Abstimmung zu verwenden und das Training mit GPUs und TPUs zu beschleunigen.

Außerdem stehen Ihnen verschiedene Optionen zum Anpassen Ihrer Trainingsanwendung zur Wahl. So können Sie Ihre Eingabedaten an AI Platform senden, um Modelle mit einem integrierten Algorithmus (Beta) zu trainieren. Sollten die integrierten Algorithmen für Ihren Anwendungsfall nicht geeignet sein, haben Sie die Möglichkeit, eine eigene Trainingsanwendung zur Ausführung in AI Platform zu senden oder dafür einen benutzerdefinierten Container (Beta) zu erstellen, der die Trainingsanwendung und ihre Abhängigkeiten enthält.

Vorhersagedienst

Mit dem AI Platform-Vorhersagedienst können Sie Vorhersagen mithilfe 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 mit Unterstützung für TensorFlow- und PyTorch-Frameworks. Sie können je nach Ihren Anforderungen entweder ausschließlich CPU-basierte oder GPU-fähige Instanzen konfigurieren.

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

Data Labeling Service (Beta)

Mit dem AI Platform Data Labeling Service (Beta) können Sie eine Labelerstellung durch Menschen für ein Dataset anfordern, das Sie zum Trainieren eines benutzerdefinierten Modells für maschinelles Lernen verwenden möchten. Zur Labelerstellung für Video-, Bild- oder Textdaten senden Sie dann eine entsprechende Anfrage.

Beim Senden einer Anfrage zur Labelerstellung stellen Sie ein repräsentatives Beispiel von Daten bereit, die bereits mit Labels versehen sind, geben alle infrage kommenden Labels für Ihr Dataset an und legen eine Anleitung zum Anwenden dieser Labels fest. Die Personen, die die Labels erstellen, folgen dann dieser Anleitung. Wenn die Anfrage zur Labelerstellung abgeschlossen ist, erhalten Sie ein annotiertes Dataset, mit dem Sie ein Modell für maschinelles Lernen trainieren können.

Deep Learning VM Image

AI Platform Deep Learning VM Image bietet eine Reihe von Debian 9-basierten Compute Engine-VM-Images, die für Aufgaben im Bereich der Data Science und des maschinellen Lernens 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 zur Interaktion mit AI Platform verwenden.

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, in der Sie mit Ihren Ressourcen für maschinelles Lernen arbeiten können. 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 über die Befehlszeile 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 die Google APIs-Clientbibliothek für Python verwenden, um auf die APIs zuzugreifen. Bei der Verwendung der Clientbibliothek verwenden 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...

AI Platform für TensorFlow