Introducción a AI Platform

Usa AI Platform para entrenar tus modelos de aprendizaje automático a gran escala, para alojar tu modelo entrenado en la nube y para usar tu modelo con el propósito de realizar predicciones sobre 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 código que describa la acción que debe realizar la computadora, tu código proporciona un algoritmo que se adapta en función de ejemplos de comportamiento esperado. El programa resultante, compuesto por el algoritmo y los parámetros aprendidos asociados, se llama un modelo entrenado.

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

El siguiente diagrama proporciona una descripción general de alto nivel de las etapas en un flujo de trabajo del AA. Los cuadros rellenos de azul indican dónde AI Platform proporciona API y servicios administrados:

Flujo de trabajo del AA
Flujo de trabajo del AA

Como lo indica el diagrama, puedes usar AI Platform para administrar las etapas siguientes del flujo de trabajo del AA:

  • Entrena un modelo de AA en 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 AI Platform

En esta sección, se describen las distintas partes que componen AI Platform y el objetivo principal de cada una.

Servicio de entrenamiento

El servicio de entrenamiento de AI Platform te permite entrenar modelos con una amplia variedad de opciones de personalización diferentes.

Puedes seleccionar numerosos tipos de máquina diferentes para potenciar tus trabajos de entrenamiento, habilitar el entrenamiento distribuido, usar el ajuste de hiperparámetros y acelerar con GPU y TPU.

También puedes seleccionar distintas maneras de personalizar tu aplicación de entrenamiento. Puedes enviar tus datos de entrada para que AI Platform los entrene por medio de un algoritmo integrado (Beta). Si los algoritmos integrados no se ajustan a tu caso práctico, puedes enviar tu propia aplicación de entrenamiento para que se ejecute en AI Platform o compilar un contenedor personalizado (Beta) con tu aplicación de entrenamiento y sus dependencias para que se ejecute en AI Platform.

Servicio de predicción

El servicio de predicción de AI Platform te permite entregar predicciones basadas en un modelo entrenado, sin importar si el modelo se entrenó en AI Platform o no.

Notebooks

Las Notebooks de AI Platform te permiten crear y administrar instancias de máquinas virtuales (VM) que están empaquetadas previamente con JupyterLab. Las instancias de Notebooks de AI Platform tienen un conjunto preinstalado de paquetes de aprendizaje profundo, incluida la asistencia para los marcos de trabajo de TensorFlow y PyTorch. Puedes configurar instancias solo para CPU, o bien instancias habilitadas para GPU, según tus necesidades.

Tus instancias de notebook están protegidas con autenticación y autorización de Google Cloud Platform (GCP) y están disponibles mediante una URL de instancia de notebook. Las instancias de notebook también se integran a GitHub, de modo que puedas sincronizar tu notebook con un repositorio de GitHub sin dificultades.

Servicio de etiquetado de datos (Beta)

El servicio de etiquetado de datos de AI Platform (Beta) te permite solicitar el etiquetado manual de un conjunto de datos que tengas planeado usar para entrenar un modelo de aprendizaje automático personalizado. Puedes enviar una solicitud para etiquetar tus datos de video, imágenes o texto.

Para enviar una solicitud de etiquetado, debes proporcionar una muestra representativa de datos etiquetados, especificar todas las etiquetas posibles de tu conjunto de datos y proporcionar algunas instrucciones para aplicar estas etiquetas. Los etiquetadores humanos siguen tus instrucciones y, cuando se completa la solicitud de etiquetado, obtienes un conjunto de datos anotado que puedes usar para entrenar un modelo de aprendizaje automático.

Deep Learning VM Image

Deep Learning VM Image de AI Platform te permite elegir entre un conjunto de imágenes de máquina virtual de Compute Engine basadas en Debian 9 optimizadas para la ciencia de datos y las tareas de aprendizaje automático. Todas las imágenes vienen con varias herramientas y marcos de trabajo de AA clave preinstalados y pueden usarse de inmediato en instancias con GPU para acelerar las tareas de procesamiento de datos.

Herramientas para interactuar con AI Platform

En esta sección, se describen las herramientas que puedes usar para interactuar con AI Platform.

Google Cloud Platform Console

Puedes implementar modelos en la nube y administrar tus modelos, versiones y trabajos en GCP Console. Esta opción te brinda una interfaz de usuario para trabajar con tus recursos de aprendizaje automático. Como parte de GCP, tus recursos de AI Platform 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 completar otras tareas de AI Platform en la línea de comandos con la herramienta de línea de comandos de gcloud ai-platform.

Recomendamos los comandos de gcloud para la mayoría de las tareas de AI Platform y la API de REST (ver a continuación) para predicciones en línea.

API de REST

La API de REST de AI Platform proporciona servicios RESTful para administrar trabajos, modelos y versiones y para realizar predicciones con modelos alojados en GCP.

Puedes usar la biblioteca cliente de las API de Google para Python a fin de acceder a las API. Cuando usas la biblioteca cliente, utilizas representaciones de Python de los recursos y objetos usados por la API. Esto es más fácil y requiere menos código que trabajar directamente con las solicitudes HTTP.

Recomendamos las API de REST para entregar predicciones en línea en particular.

Pasos siguientes

  • 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.
  • Mira el conjunto completo de guías.
¿Te ha resultado útil esta página? Enviar comentarios:

Enviar comentarios sobre...

Cloud ML Engine para TensorFlow