Introducción a Cloud ML Engine

Usa Cloud ML Engine para entrenar tus modelos de aprendizaje automático a gran escala, alojar tu modelo entrenado en la nube y usar tu modelo a fin de que haga predicciones sobre los datos nuevos.

Una descripción breve del aprendizaje automático

El aprendizaje automático (AA) es un subcampo de la inteligencia artificial (IA). El objetivo del AA es hacer que las computadoras aprendan de los datos que les proporcionas. En lugar de escribir un código que describa la acción que debe realizar la computadora, tu código proporciona un algoritmo que se adapta según los ejemplos del comportamiento deseado. El programa resultante, que consiste del algoritmo y de los parámetros de aprendizaje asociados, se denomina modelo entrenado.

Cómo se adapta Cloud ML Engine al flujo de trabajo del AA

En el siguiente diagrama, se muestra una descripción general de las etapas en un flujo de trabajo del AA. Los cuadros azules indican los puntos en que Cloud ML Engine proporciona servicios administrados y API:

Flujo de trabajo del AA
Flujo de trabajo del AA

Tal como se muestra en el diagrama, puedes usar Cloud ML Engine para administrar las siguientes etapas del flujo de trabajo del AA:

  • Entrena un modelo de AA con tus datos:

    • Entrena el modelo
    • Evalúa la exactitud del modelo
    • Configura los hiperparámetros
  • Implementa tu modelo entrenado.

  • Envía solicitudes de predicción a tu modelo:

    • Predicción en línea
    • Predicción por lotes
  • Supervisa las predicciones de forma continua.

  • Administra tus modelos y sus versiones.

Componentes de Cloud ML Engine

En esta sección, se describen las piezas que componen Cloud ML Engine y el objetivo principal de cada una de ellas.

Google Cloud Platform Console

Puedes implementar modelos en la nube y administrar tus modelos, versiones y trabajos en GCP Console. Esta opción te ofrece una interfaz de usuario para trabajar con tus recursos de aprendizaje automático. Como parte de GCP, tus recursos de Cloud ML Engine están conectados a herramientas útiles, como Stackdriver Logging y Stackdriver Monitoring.

La herramienta de línea de comandos de gcloud

Puedes administrar tus modelos y versiones, enviar trabajos y realizar otros trabajos de Cloud ML Engine en la línea de comandos con la herramienta de línea de comandos de gcloud ml-engine.

Te recomendamos que uses los comandos de gcloud en la mayoría de las tareas de Cloud ML Engine y las API de REST (ver más abajo) para las predicciones en línea.

API de REST

Las API de REST de Cloud ML Engine ofrecen los servicios de RESTful para administrar trabajos, modelos y versiones, y hacer predicciones con modelos alojados en GCP.

Puedes usar la biblioteca cliente de las API de Google para Python con el fin de acceder a las API. Cuando usas la biblioteca cliente, usas las representaciones Python de los recursos y objetos que usa la API. Esta forma es más sencilla y requiere menos códigos que trabajar directamente con las solicitudes HTTP.

Te recomendamos usar las API de REST, en especial para entregar las predicciones en línea.

¿Qué sigue?

  • Lee la guía de introducción para conocer un ejemplo completo de entrenamiento de un modelo, cómo subir el modelo a la nube y cómo enviar solicitudes de predicción.
  • Consulta el conjunto completo de guías.
¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para TensorFlow