Cloud ML Engine の概要

Cloud ML Engine を使用すると、大規模な機械学習モデルをトレーニングし、トレーニング済みモデルをクラウド内でホストし、モデルを使用して新しいデータに関する予測を行うことができます。

機械学習の簡単な説明

機械学習(ML)は人工知能(AI)のサブフィールドです。ML の目的は、コンピュータにデータを与えて学ばせることです。コンピュータが取るべき行動を表すコードを記述するのではなく、意図する動作の例に基づいて適応するアルゴリズムをコードで提供します。結果として得られるプログラムは、アルゴリズムと学習された関連パラメータで構成されます。これは、トレーニング済みモデルと呼ばれます。

Cloud ML Engine が ML ワークフローに適合する場所

下の図は、ML ワークフローのステージの概要を示しています。青色で塗りつぶされたボックスは、Cloud ML Engine がマネージド サービスと API を提供する場所を示します。

ML ワークフロー
ML ワークフロー

図が示すように、Cloud ML Engine を使用して、ML ワークフローの次のステージを管理できます。

  • データで ML モデルをトレーニングする。

    • モデル トレーニング
    • モデルの精度を評価する
    • ハイパーパラメータを調整する
  • トレーニング済みモデルをデプロイする。

  • モデルに予測リクエストを送信する。

    • オンライン予測
    • バッチ予測
  • 継続的に予測をモニタリングする。

  • モデルとモデル バージョンを管理する。

Cloud ML Engine のコンポーネント

このセクションでは、Cloud ML Engine を構成する要素を挙げ、それぞれの主な目的を説明します。

Google Cloud Platform Console

クラウドにモデルをデプロイし、GCP Console でモデル、バージョン、ジョブを管理できます。このオプションは、機械学習リソースを使用して作業するためのユーザー インターフェースを提供します。GCP の一部として、Cloud ML Engine のリソースは Stackdriver Logging や Stackdriver Monitoring などの便利なツールに接続されています。

gcloud コマンドライン ツール

gcloud ml-engine コマンドライン ツールを使用して、モデルとバージョンの管理、ジョブの送信、その他の Cloud ML Engine タスクを実行できます。

ほとんどの Cloud ML Engine タスクには gcloud コマンド、オンライン予測には REST API(下記参照)をおすすめします。

REST API

Cloud ML Engine REST API は、ジョブ、モデル、バージョンの管理と、GCP でホストされているモデルによる予測を行うための RESTful サービスを提供します。

Python 用の Google Cloud クライアント ライブラリを使用して API にアクセスできます。クライアント ライブラリを使用する場合は、API で使用されるリソースとオブジェクトの Python 表現を使用します。これは、HTTP リクエストで直接操作するより簡単で、コードが少なくて済みます。

特にオンラインの予測に役立つ REST API をおすすめします。

次のステップ

  • スタートガイドにあるエンドツーエンドのサンプルを使用して、モデルのトレーニング、クラウドへのモデルのアップロード、予測リクエストの送信方法を確認する。
  • 関連するすべてのガイドを確認する。
このページは役立ちましたか?評価をお願いいたします。

フィードバックを送信...

TensorFlow 用 Cloud ML Engine