Glosario de Vertex AI

• conjunto de anotaciones

  • Un conjunto de anotaciones contiene las etiquetas asociadas con los archivos fuente que se suben en un conjunto de datos. Un conjunto de anotaciones está asociado con un tipo de datos y un objetivo (por ejemplo, video/clasificación)

• extremos de API

  • Los extremos de API son un aspecto de la configuración del servicio que especifica las direcciones de la red, también conocidas como extremos de servicio (por ejemplo, aiplatform.googleapis.com).

• Credenciales predeterminadas de la aplicación (ADC)

  • Las credenciales predeterminadas de la aplicación (ADC) proporcionan una forma sencilla de obtener credenciales de autorización para usarlas en llamadas a las APIs de Google. Son más adecuadas para los casos en los que la llamada debe tener la misma identidad y nivel de autorización para la aplicación, independientemente del usuario. Este es el enfoque recomendado para autorizar llamadas a las APIs de Google Cloud, en especial cuando compilas una aplicación que se implementará en las máquinas virtuales de Google App Engine (GAE) o Compute Engine. Para obtener más información, consulta Cómo funcionan las credenciales predeterminadas de la aplicación.

• Vecino más cercano aproximado (ANN)

  • El servicio de vecino más cercano aproximado (ANN) es una solución de alta escala y baja latencia, destinada a encontrar vectores similares (o, más específicamente, “incorporaciones”) para un gran corpus. Para obtener más información, consulta Cómo usar la Búsqueda de Vectores para coincidencias semánticas.

• artefacto

  • Un artefacto es una entidad discreta o un dato producido y consumido por un flujo de trabajo del aprendizaje automático. Algunos ejemplos de artefactos son los conjuntos de datos, modelos, archivos de entrada y registros de entrenamiento.

• Artifact Registry

  • Artifact Registry es un servicio universal de administración de artefactos. Es el servicio recomendado para administrar contenedores y otros artefactos en Google Cloud. Para obtener más información, consulta Artifact Registry.

• Inteligencia artificial (IA)

  • La inteligencia artificial (IA) es el estudio y el diseño de máquinas que parecen ser “inteligentes”, es decir, que imitan funciones humanas o intelectuales, como el movimiento mecánico, el razonamiento o la resolución de problemas. Uno de los subcampos más populares de la IA es el aprendizaje automático, que utiliza un enfoque estadístico y basado en datos para crear IA. Sin embargo, algunas personas usan estos dos términos de forma indistinta.

• autenticación

  • El proceso de verificar la identidad de un cliente (que puede ser un usuario o algún otro proceso) con el fin de obtener acceso a un sistema seguro. Se dice que un cliente que ha probado su identidad está autenticado. Para obtener más información, consulta Métodos de autenticación en Google.

• Evaluación automática en paralelo (AutoSxS)

  • La Evaluación automática en paralelo (AutoSxS) es una herramienta de evaluación asistida por modelo que compara dos modelos de lenguaje grandes (LLM) en paralelo. Se puede usar para evaluar el rendimiento de los modelos de IA generativa en Vertex AI Model Registry o las predicciones generadas con anterioridad. AutoSxS usa un evaluador automático para decidir qué modelo brinda una mejor respuesta a un mensaje. AutoSxS está disponible a pedido y evalúa los modelos de lenguaje con un rendimiento comparable al de los evaluadores humanos.

• AutoML

  • Algoritmos de aprendizaje automático que "aprenden a aprender" mediante la optimización de caja negra. Para obtener más información, consulta el Glosario de AA.

• autorater

  • Un evaluador automático es un modelo de lenguaje que evalúa la calidad de las respuestas del modelo según un mensaje de inferencia original. Se usa en la canalización de AutoSxS para comparar las predicciones de dos modelos y determinar cuál tuvo el mejor rendimiento. Para obtener más información, consulta El autorrotador.

• grupo de referencia

  • Es un modelo que se usa como punto de referencia para comparar el rendimiento de otro modelo (por lo general, uno más complejo). Por ejemplo, un modelo de regresión logística podría servir como un buen modelo de referencia para un modelo profundo. En el caso de un problema en particular, el modelo de referencia ayuda a los desarrolladores de modelos a cuantificar el rendimiento mínimo esperado que debe alcanzar un modelo nuevo para que sea útil. Para obtener más información, consulta Conjuntos de datos de referencia y de destino.

• batch

  • Es el conjunto de ejemplos que se usan en una iteración de entrenamiento. El tamaño del lote determina la cantidad de ejemplos que hay en un lote.

• tamaño del lote

  • Es la cantidad de ejemplos que hay en un lote. Por ejemplo, el tamaño del lote de SGD es 1, mientras que el tamaño del lote de un minilote suele estar entre 10 y 1,000. Por lo general, se fija el tamaño del lote durante el entrenamiento y la inferencia; sin embargo, TensorFlow permite tamaños de lotes dinámicos.

• predicción por lotes

  • La predicción por lotes toma un grupo de solicitudes de predicción y genera resultados en un solo archivo. Para obtener más información, consulta Obtén predicciones por lotes.

• sesgo

  • 1. Estereotipo, prejuicio o preferencia de objetos, personas o grupos por sobre otros. Estos sesgos pueden afectar la recolección y la interpretación de datos, el diseño de un sistema y cómo los usuarios interactúan con él. 2. Error sistemático debido a un procedimiento de muestreo o de elaboración de informes.

• bidireccional

  • Es un término que se usa para describir un sistema que evalúa el texto que precede y sigue a una sección de texto objetivo. Por el contrario, un sistema unidireccional solo evalúa el texto que precede a una sección de texto objetivo.

• Representaciones de codificador bidireccional de transformadores (BERT)

  • BERT es un método para realizar un entrenamiento previo de representaciones lingüísticas, lo que significa que entrenamos un modelo de "comprensión del lenguaje" de uso general en un gran corpus de texto (como Wikipedia) y, luego, usamos ese modelo para las tareas de PLN descendentes que nos interesan (como responder preguntas). BERT supera a los métodos anteriores porque es el primer sistema no supervisado y profundamente bidireccional para el entrenamiento previo del PLN.

• Bilingual Evaluation Understudy (BLEU)

  • Es una medida popular para evaluar la calidad de un algoritmo de traducción automática comparando su resultado con el de una o más traducciones humanas.

• cuadro de límite

  • Un cuadro de límite para un objeto en el marco de video se puede especificar de una de dos maneras (i) Mediante 2 vértices que consisten en un conjunto de coordenadas x,y si son puntos diagonalmente opuestos del rectángulo. Por ejemplo: x_relative_min, y_relative_min,,,x_relative_max,y_relative_max,, (ii) Usar los 4 vértices. Para obtener más información, consulta Prepara datos de video.

• bucket

  • Es la carpeta de nivel superior de Cloud Storage. Los nombres de los buckets deben ser únicos para todos los usuarios de Cloud Storage. Los buckets contienen archivos. Para obtener más información, consulta la descripción general del producto Cloud Storage.

• chat

  • El contenido de un diálogo de ida y vuelta con un sistema de AA, por lo general, un modelo de lenguaje grande. La interacción anterior en un chat (lo que escribiste y cómo respondió el modelo de lenguaje extenso) se convierte en el contexto para las partes posteriores del chat. Un chatbot es una aplicación de un modelo de lenguaje extenso.

• Punto de control

  • Son datos que capturan el estado de los parámetros de un modelo, ya sea durante el entrenamiento o después de que este se completa. Por ejemplo, durante el entrenamiento, puedes hacer lo siguiente: 1. Detener el entrenamiento, ya sea de forma intencional o como resultado de ciertos errores 2. Captura el punto de control. 3. Más tarde, vuelve a cargar el punto de control, posiblemente en hardware diferente. 4. Reinicia el entrenamiento. En Gemini, un punto de control hace referencia a una versión específica de un modelo de Gemini entrenado en un conjunto de datos específico.

• modelo de clasificación

  • Un modelo cuya predicción es una clase. Por ejemplo, los siguientes son todos modelos de clasificación: Un modelo que predice el idioma de una oración de entrada (¿francés? ¿Español? ¿Italiano?). Un modelo que predice especies de árboles (¿arce? ¿Roble? Baobab?). Un modelo que predice la clase positiva o negativa para una afección médica en particular.

• métricas de clasificación

  • Las métricas de clasificación admitidas en el SDK de Vertex AI para Python son la matriz de confusión y la curva ROC.

• Cloud TPU

  • Un acelerador de hardware especializado diseñado para acelerar las cargas de trabajo de aprendizaje automático en Google Cloud.

• imagen de contenedor

  • Una imagen de contenedor es un paquete que incluye el código ejecutable del componente y una definición del entorno en el que se ejecuta el código. Para obtener más información, consulta la descripción general del entrenamiento personalizado.

• context

  • Un contexto se usa para agrupar artefactos y ejecuciones en una sola categoría consultable y escrita. Los contextos se pueden usar para representar conjuntos de metadatos. Un ejemplo de un contexto sería una ejecución de una canalización de aprendizaje automático.

• caché de contexto

  • Una caché de contexto en Vertex AI es una gran cantidad de datos que se pueden usar en varias solicitudes a un modelo de Gemini. El contenido almacenado en caché se almacena en la región en la que se realiza la solicitud para crear la caché. Puede ser cualquier tipo de MIME compatible con los modelos multimodales de Gemini, como texto, audio o video. Para obtener más información, consulta la descripción general del almacenamiento en caché de contexto.

• ventana de contexto

  • Es la cantidad de tokens que un modelo puede procesar en una instrucción determinada. Cuanto más grande sea la ventana de contexto, más información podrá usar el modelo para proporcionar respuestas coherentes y consistentes a la instrucción.

• claves de encriptación administradas por el cliente (CMEK)

  • Las claves de encriptación administradas por el cliente (CMEK) son integraciones que permiten a los clientes encriptar datos en servicios de Google existentes mediante una clave que administran en Cloud KMS (también conocido como Storky). La clave de Cloud KMS es la clave de encriptación de claves que protege sus datos. Para obtener más información, consulta Claves de encriptación administradas por el cliente (CMEK).

• CustomJob

  • Un CustomJob es uno de los tres recursos de Vertex AI que un usuario puede crear para entrenar modelos personalizados en Vertex AI. Los trabajos de entrenamiento personalizados son la forma básica de ejecutar el código de entrenamiento personalizado de aprendizaje automático (AA) en Vertex AI. Para obtener más información, consulta Crea trabajos de entrenamiento personalizados.

• Dask

  • Dask es una plataforma de procesamiento distribuido que se usa con frecuencia con TensorFlow, Pytorch y otros frameworks de AA para administrar trabajos de entrenamiento distribuidos. Para obtener más información, consulta Wikipedia.

• análisis de datos

  • El proceso de obtener una comprensión de los datos mediante la consideración de muestras, mediciones y visualizaciones. El análisis de datos puede ser particularmente útil cuando se recibe por primera vez un conjunto de datos, antes de crear el primer modelo. También es crucial para comprender los experimentos y problemas de depuración del sistema.

• magnificación de datos

  • Se incrementa de forma artificial el rango y cantidad de ejemplos de entrenamiento a través de transformaciones sobre los ejemplos existentes para crear ejemplos nuevos. Por ejemplo, supongamos que uno de los atributos es "imágenes", pero el conjunto de datos no tiene suficientes ejemplos de imágenes para que el modelo aprenda asociaciones útiles. Lo ideal sería agregar suficientes imágenes etiquetadas al conjunto de datos para permitir que el modelo se entrene adecuadamente. Si eso no es posible, la magnificación de datos puede rotar, estirar y reflejar cada imagen para producir variantes de la imagen original, lo que producirá, posiblemente, suficientes datos etiquetados para permitir un excelente entrenamiento.

• DataFrame

  • Es un tipo de datos de pandas popular para representar conjuntos de datos en la memoria. Un DataFrame es similar a una tabla o una hoja de cálculo. Cada columna de un DataFrame tiene un nombre (un encabezado) y cada fila se identifica con un número único.Cada columna de un DataFrame está estructurada como un array 2D, excepto que a cada columna se le puede asignar su propio tipo de datos.

• conjunto de datos

  • En términos generales, un conjunto de datos se define como una colección de registros de datos estructurados o no estructurados. Es una colección de datos sin procesar, que suelen (pero no exclusivamente) organizarse en uno de los siguientes formatos: una hoja de cálculo o un archivo en formato CSV (valores separados por comas). Para obtener más información, consulta Crea un conjunto de datos.

• decodificador

  • En general, cualquier sistema de AA que convierte una representación procesada, densa o interna en una representación más sin procesar, dispersa o externa. Los decodificadores suelen ser un componente de un modelo más grande, en el que se suelen vincular con un codificador. En las tareas de secuencia a secuencia, un decodificador comienza con el estado interno que genera el codificador para predecir la siguiente secuencia.

• red neuronal profunda (DNN)

  • Una red neuronal con varias capas ocultas, que suele programarse con técnicas de aprendizaje profundo.

• profundidad

  • La suma de lo siguiente en una red neuronal: 1. la cantidad de capas ocultas 2. la cantidad de capas de salida, que suele ser una 3. la cantidad de capas de incorporación. Por ejemplo, una red neuronal con cinco capas ocultas y una capa de salida tiene una profundidad de 6. Ten en cuenta que la capa de entrada no influye en la profundidad.

• DevOps

  • DevOps es un paquete de productos de Google Cloud Platform, por ejemplo, Artifact Registry y Cloud Deploy.

• interrupción anticipada

  • Un método de regularización que implica finalizar el entrenamiento antes de que la pérdida de entrenamiento deje de disminuir. En la interrupción anticipada, detienes intencionalmente el entrenamiento del modelo cuando la pérdida en un conjunto de datos de validación comienza a aumentar, es decir, cuando el rendimiento de la generalización empeora.

• Incorporación

  • Representaciones numéricas de palabras o fragmentos de texto. Estos números capturan el significado semántico y el contexto del texto. Las palabras o textos similares o relacionados tienden a tener incorporaciones similares, lo que significa que están más cerca unas de otras en el espacio vectorial de alta dimensión.

• Espacio de incorporación (espacio latente)

  • En la IA generativa, el espacio de incorporación hace referencia a una representación numérica de texto, imágenes o videos que captura las relaciones entre las entradas. Los modelos de aprendizaje automático, en particular los modelos de IA generativa, son expertos en crear estas incorporaciones mediante la identificación de patrones en grandes conjuntos de datos. Las aplicaciones pueden usar incorporaciones para procesar y generar lenguaje, y reconocer significados complejos y relaciones semánticas específicas en el contenido.

• vector de incorporación

  • Es una representación vectorial densa, a menudo de baja dimensión, de un elemento, de modo que, si dos elementos son semánticamente similares, sus incorporaciones respectivas se ubican cerca entre sí en el espacio vectorial de incorporación.

• codificador

  • En general, cualquier sistema de AA que convierte una representación sin procesar, dispersa o externa en una representación más procesada, más densa o más interna. Los codificadores suelen ser un componente de un modelo más grande, en el que se suelen vincular con un decodificador. Algunos transformadores vinculan codificadores con decodificadores, aunque otros solo usan el codificador o solo el decodificador. Algunos sistemas usan la salida del codificador como entrada de una red de clasificación o regresión. En las tareas de secuencia a secuencia, un codificador toma una secuencia de entrada y muestra un estado interno (un vector). Luego, el decodificador usa ese estado interno para predecir la siguiente secuencia.

• conjunto

  • Es una colección de modelos entrenados de forma independiente cuyas predicciones se promedian o se agregan. En muchos casos, un conjunto produce mejores predicciones que un solo modelo. Por ejemplo, un bosque aleatorio es un conjunto creado a partir de varios árboles de decisión. Ten en cuenta que no todos los bosques de decisión son conjuntos.

• entorno

  • En el aprendizaje por refuerzo, el mundo que contiene al agente y le permite observar el estado de ese mundo. Por ejemplo, el mundo representado puede ser un juego como el ajedrez o un mundo físico como un laberinto. Cuando el agente aplica una acción al entorno, este realiza transiciones entre estados.

• evaluation (eval)

  • Una eval, abreviatura de "evaluación", es un tipo de experimento en el que las consultas registradas o sintéticas se envían a través de dos pilas de búsqueda: una pila experimental que incluye tu cambio y una pila base sin él. Las evaluaciones producen diferencias y métricas que te permiten evaluar el impacto, la calidad y otros efectos de tu cambio en los resultados de la búsqueda y otras partes de la experiencia del usuario de Google. Las evaluaciones se usan durante el ajuste o las iteraciones de tu cambio. También se usan como parte del lanzamiento de un cambio en el tráfico de usuarios en vivo.

• event

  • Un evento describe la relación entre los artefactos y las ejecuciones. Cada artefacto puede ser generado por una ejecución y consumido por otras ejecuciones. Los eventos te ayudan a determinar la procedencia de los artefactos en sus flujos de trabajo del AA mediante el encadenamiento de artefactos y ejecuciones.

• ejecución

  • Una ejecución es un registro de un paso de flujo de trabajo de aprendizaje automático individual, que, por lo general, se anota con sus parámetros de entorno de ejecución. Algunos ejemplos de las ejecuciones son la transferencia de datos, la validación de datos, el entrenamiento de modelos, la evaluación de modelos y la implementación de modelos.

• Experimento

  • Un experimento es un contexto que puede contener un conjunto de n ejecuciones de experimentos además de ejecuciones de canalizaciones en las que un usuario puede investigar, como un grupo, diferentes configuraciones como artefactos de entrada o hiperparámetros.

• ejecución de experimento

  • Una ejecución de experimento puede contener métricas definidas por el usuario, parámetros, ejecuciones, artefactos y recursos de Vertex (por ejemplo, PipelineJob).

• análisis de datos exploratorio

  • En estadística, el análisis de datos exploratorio (EDA) es un enfoque para analizar los conjuntos de datos a fin de resumir sus principales características, a menudo con métodos visuales. Un modelo estadístico puede o no usarse, pero, sobre todo, EDA sirve para ver lo que los datos pueden decirnos, más allá del modelado formal o de la tarea de prueba de hipótesis.

• Puntuación F1

  • La puntuación F1 es una métrica que se usa para evaluar la precisión del resultado de un modelo. Es particularmente útil para evaluar el rendimiento de los modelos en tareas en las que la precisión y la recuperación son importantes, como la extracción de información. En el caso de los modelos de IA generativa, el valor de F1 se puede usar para comparar las predicciones del modelo con los datos de verdad fundamental y determinar su precisión. Sin embargo, para las tareas generativas, como el resumen y la generación de texto, otras métricas, como la puntuación Rough-L, pueden ser más apropiadas.

• feature

  • En el aprendizaje automático (AA), un atributo es una característica o un atributo de una instancia o entidad que se usa como entrada para entrenar un modelo de AA o hacer predicciones.

• ingeniería de atributos

  • La ingeniería de atributos es el proceso de transformar datos sin procesar de aprendizaje automático (AA) en atributos que pueden usarse para entrenar modelos de AA o hacer predicciones.

• grupo de funciones

  • Un grupo de atributos es un recurso de registro de atributos que corresponde a una tabla de origen de BigQuery o una vista que contiene datos de atributos. Una vista de atributos puede contener atributos y puede considerarse una agrupación lógica de columnas de atributos en la fuente de datos.

• entrada de atributos

  • Una entrada de atributos es una agregación de todos los valores de atributos que describen los atributos de una entidad única en un momento específico.

• registro de atributos

  • Un registro de atributos es una interfaz central que sirve para registrar fuentes de datos de atributos que deseas entregar para predicciones en línea. Para obtener más información, consulta Configuración del registro de funciones.

• entrega de atributos

  • La entrega de atributos es el proceso de exportar o recuperar valores de atributos para el entrenamiento o la inferencia. En Vertex AI hay dos tipos de entrega de atributos: entrega en línea y entrega sin conexión. La entrega en línea recupera los valores de atributos más recientes de un subconjunto de la fuente de datos de atributos para realizar predicciones en línea. La entrega sin conexión o por lotes exporta grandes volúmenes de datos de atributos, incluidos los datos históricos, para el procesamiento sin conexión, como el entrenamiento de modelos de AA.

• marca de tiempo del atributo

  • La marca de tiempo de un atributo indica cuándo se generó el conjunto de valores de atributos en un registro de atributos específico de una entidad.

• valor del atributo

  • El valor de atributo corresponde al valor real y medible de un atributo de una instancia o entidad. Una colección de valores de atributos de la entidad única representa el registro de atributos correspondiente a la entidad.

• vista de funciones

  • Una vista de atributos es una colección lógica de atributos materializados de una fuente de datos de BigQuery en una instancia de tienda en línea. Una vista de atributos almacena y actualiza de forma periódica los datos de los atributos del cliente, que se actualizan de manera periódica desde la fuente de BigQuery. Una vista de atributos se asocia con el almacenamiento de datos de atributos, ya sea directamente o a través de asociaciones a recursos de registro de atributos.

• modelo de base (FM)

  • Son modelos entrenados con datos amplios para que se puedan adaptar (por ejemplo, ajustar) a un amplio rango de tareas downstream.

• Operaciones de modelos de base (FMOP)

  • Las FMOps amplían las capacidades de las operaciones de AA y se enfocan en la producción eficiente de FMs previamente entrenados (entrenados desde cero) o personalizados (ajustados).

• generación

  • En el contexto de la IA generativa, "generación" hace referencia al proceso de crear datos o contenido nuevos a partir de datos o información existentes. Los modelos de IA generativa se entrenan con grandes conjuntos de datos y pueden aprender patrones y relaciones dentro de los datos. Luego, pueden usar este conocimiento para generar contenido nuevo y único que sea similar a los datos de entrenamiento, pero no una réplica exacta. Para obtener más información, consulta https://cloud.google.com/docs/ai-ml/generative-ai/generative-ai-or-traditional-ai.

• SDK de componentes de canalización de Google Cloud

  • El SDK de los componentes de canalización de Google Cloud (GCPC) proporciona un conjunto de componentes precompilados de Kubeflow Pipelines que son de calidad de producción, eficaces y fáciles de usar. Puedes usar los componentes de canalización de Google Cloud para definir y ejecutar canalizaciones de AA en Vertex AI Pipelines y otros backends de ejecución de canalizaciones de AA de acuerdo con Kubeflow Pipelines. Para obtener más información, consulta Introducción a los componentes de canalización de Google Cloud.

• Sistema de módem incorporado de Google (GEMS)

  • GEMS es un framework de software incorporado para módems y un conjunto complementario de flujos de trabajo y de infraestructura de desarrollo. La visión principal de GEMS es proporcionar un código de sistema de módem de alta calidad con alta reusabilidad en muchos dispositivos de Google que contienen módems. Para lograr esta visión amplia, GEMS proporciona un entorno integral para los desarrolladores, que consta de los principales componentes básicos que se describen a continuación.

• gradiente

  • Es el vector de las derivadas parciales con respecto a todas las variables independientes. En el aprendizaje automático, el gradiente es el vector de las derivadas parciales de la función del modelo. El gradiente apunta en la dirección del aumento más empinado.

• gráfico

  • En el contexto de Vertex AI, un gráfico hace referencia a una estructura de datos que representa las relaciones entre las entidades y sus atributos. Se usa para modelar y analizar datos complejos, como grafos de conocimiento, redes sociales y procesos empresariales. Para obtener más información, consulta Introducción a Vertex ML Metadata.

• verdad fundamental (GT)

  • La verdad fundamental es un término que se usa en varios campos para referirse a la verdad absoluta de algún problema de decisión o medición, en contraposición a la estimación de algún sistema. En el aprendizaje automático, el término “verdad fundamental” se refiere al conjunto de entrenamiento para las técnicas de aprendizaje supervisado.

• alucinación

  • Una alucinación en la IA generativa es una respuesta segura de una IA que no se puede fundamentar en sus datos de entrenamiento. Es posible que sea imprecisa. En el contexto de la generación de texto, son falsedades aleatorias que suenan creíbles dentro del contenido de texto generado.

• heurística

  • Una solución simple y de rápida implementación para un problema. Por ejemplo, "Con una heurística, conseguimos un 86% de exactitud. Cuando cambiamos a una red neuronal profunda, la exactitud llego al 98%".

• capa oculta

  • Es una capa en una red neuronal entre la capa de entrada (los atributos) y la capa de salida (la predicción). Cada capa oculta consta de una o más neuronas. Una red neuronal profunda contiene más de una capa oculta.

• histogram

  • Una presentación gráfica de la variación en un conjunto de datos mediante barras. En un histograma, se visualizan los patrones que son difíciles de detectar en una tabla simple de números.

• hiperparámetro

  • Un hiperparámetro hace referencia a una variable que rige el proceso de entrenamiento de un modelo de aprendizaje automático. Estas variables pueden incluir tasas de aprendizaje, valores de momento en el optimizador y la cantidad de unidades en la última capa oculta de un modelo. El ajuste de hiperparámetros en Vertex AI implica ejecutar varias pruebas de una aplicación de entrenamiento con diferentes valores para los hiperparámetros elegidos, establecidos dentro de límites especificados. El objetivo es optimizar la configuración de los hiperparámetros para maximizar la exactitud predictiva del modelo. Para obtener más información, consulta la descripción general del ajuste de hiperparámetros.

• Imagen

  • Imagen es un servicio de IA generativa de texto a imagen disponible a través de la plataforma de Vertex AI. Permite a los usuarios generar imágenes nuevas, editar imágenes, definir mejor el estilo o los modelos de temas, subtitular imágenes o obtener respuestas a preguntas sobre el contenido de las imágenes. Para obtener más información, consulta la descripción general de Imagen en Vertex AI.

• reconocimiento de imágenes

  • El reconocimiento de imágenes es el proceso de clasificar objetos, patrones o conceptos en una imagen. También se conoce como clasificación de imágenes. El reconocimiento de imágenes es un subcampo del aprendizaje automático y la visión por computadora.

• index

  • Es una colección de vectores implementados juntos para la búsqueda de similitud. Los vectores pueden agregarse a un índice o quitarse de este. Las consultas de búsqueda de similitud se emiten a un índice específico y buscarán en los vectores de ese índice.

• inferencia

  • En el contexto de la plataforma de Vertex AI, la inferencia se refiere al proceso de ejecutar datos a través de un modelo de aprendizaje automático para calcular un resultado, como una sola puntuación numérica. Este proceso también se conoce como “poner en funcionamiento un modelo de aprendizaje automático” o “poner en producción un modelo de aprendizaje automático”. La inferencia es un paso importante en el flujo de trabajo de aprendizaje automático, ya que permite usar los modelos para hacer predicciones sobre datos nuevos. En Vertex AI, la inferencia se puede realizar de varias maneras, incluidas la predicción por lotes y la en línea. La predicción por lotes implica ejecutar un grupo de solicitudes de predicción y generar los resultados en un solo archivo, mientras que la predicción en línea permite realizar predicciones en tiempo real en datos individuales.

• recuperación de información (IR)

  • La recuperación de información (IR) es un componente clave de Vertex AI Search. Es el proceso de encontrar y recuperar información relevante de una gran colección de datos. En el contexto de Vertex AI, la IR se usa para recuperar documentos de un corpus en función de la consulta de un usuario. Vertex AI ofrece un paquete de APIs para ayudarte a compilar tus propias aplicaciones de generación aumentada de recuperación (RAG) o a compilar tu propio motor de búsqueda. Para obtener más información, consulta Cómo usar Vertex AI Search como backend de recuperación con el motor de RAG.

• tasa de aprendizaje (tamaño del paso)

  • La tasa de aprendizaje es un hiperparámetro que se usa para ajustar el proceso de optimización de un modelo de aprendizaje automático. Determina el tamaño del paso en el que el modelo actualiza sus pesos durante el entrenamiento. Una tasa de aprendizaje más alta puede generar una convergencia más rápida, pero puede provocar inestabilidad o sobreajuste. Por el contrario, una tasa de aprendizaje más baja puede generar una convergencia más lenta, pero puede ayudar a evitar el sobreajuste. Para obtener más información, consulta Descripción general del ajuste de hiperparámetros.

• pérdida (costo)

  • Durante el entrenamiento de un modelo supervisado, es una medida de qué tan lejos está la predicción de un modelo de su etiqueta. Una función de pérdida calcula la pérdida.

• Machine Learning Metadata

  • ML Metadata (MLMD) es una biblioteca para registrar y recuperar metadatos asociados con flujos de trabajo de desarrolladores de AA y científicos de datos. MLMD es una parte integral de TensorFlow Extended (TFX), pero está diseñada para que pueda usarse de forma independiente. Como parte de la plataforma TFX más amplia, la mayoría de los usuarios solo interactúa con MLMD cuando examina los resultados de los componentes de la canalización, por ejemplo, en notebooks o en TensorBoard.

• conjunto de datos administrado

  • Un objeto de conjunto de datos creado y alojado por Vertex AI.

• Recursos de metadatos

  • Vertex ML Metadata expone un modelo de datos similar a un grafo para representar metadatos que se producen y consumen de los flujos de trabajo del AA. Los conceptos principales son los artefactos, las ejecuciones, los eventos y los contextos.

• MetadataSchema

  • Un MetadataSchema describe el esquema para tipos específicos de artefactos, ejecuciones o contextos. Los MetadataSchemas se usan para validar los pares clave-valor durante la creación de los recursos de metadatos correspondientes. La validación del esquema solo se realiza en los campos que coinciden entre el recurso y el MetadataSchema. Los esquemas de tipo se representan con objetos de esquema de OpenAPI, que deben describirse mediante YAML.

• MetadataStore

  • Un MetadataStore es el contenedor de nivel superior para los recursos de metadatos. MetadataStore está regionalizado y se asocia con un proyecto específico de Google Cloud. Por lo general, una organización usa un MetadataStore compartido para los recursos de metadatos dentro de cada proyecto.

• Canalizaciones de AA

  • Las canalizaciones del AA son flujos de trabajo del AA portátiles y escalables que se basan en contenedores.

• model

  • Cualquier modelo previamente entrenado o no. En general, cualquier construcción matemática que procese datos de entrada y muestre resultados. Dicho de otra manera, un modelo es el conjunto de parámetros y estructura necesarios para que un sistema realice predicciones.

• síntesis de modelos (síntesis del conocimiento, modelos de profesor-estudiante)

  • La destilación de modelos es una técnica que permite que un modelo de estudiante más pequeño aprenda de un modelo de profesor más grande. El modelo del estudiante se entrena para imitar el resultado del modelo del profesor y, luego, se puede usar para generar datos nuevos o hacer predicciones. La destilación de modelos suele usarse para que los modelos grandes sean más eficientes o más accesibles para dispositivos con recursos limitados. También se puede usar para mejorar la generalización de los modelos, ya que reduce el sobreajuste.

• nombre del recurso de modelo

  • El nombre de recurso de un model de la siguiente manera: projects/<PROJECT_ID>/locations/<LOCATION_ID>/models/<MODEL_ID>. Puedes encontrar el ID del modelo en la consola de Cloud, en la página “Registro de modelos”.

• Sistema de archivos de red (NFS)

  • Un sistema cliente-servidor que permite a los usuarios acceder a archivos a través de una red y tratarlos como si residieran en un directorio de archivos local.

• almacén sin conexión

  • El almacenamiento sin conexión es una instalación de almacenamiento que almacena datos de atributos históricos y recientes, que por lo general se usan para entrenar modelos de AA. Un almacén sin conexión también contiene los valores de atributos más recientes, que puedes entregar para predicciones en línea.

• almacén en línea

  • En la administración de atributos, un almacén en línea es un centro de almacenamiento de los valores de atributos más recientes que se entregarán para predicciones en línea.

• almacén en línea

  • En la administración de atributos, un almacén en línea es un centro de almacenamiento de los valores de atributos más recientes que se entregarán para predicciones en línea.

• parámetro

  • Los parámetros son valores de entrada con clave que configuran una ejecución, regulan su comportamiento y afectan sus resultados. Algunos ejemplos son la tasa de aprendizaje, la tasa de abandono y la cantidad de pasos de entrenamiento.

• pipeline

  • Las canalizaciones del AA son flujos de trabajo del AA portátiles y escalables que se basan en contenedores. Para obtener más información, consulta Introducción a Vertex AI Pipelines.

• componente de canalización

  • Un conjunto de código autónomo que realiza un paso en el flujo de trabajo de una canalización, como el procesamiento previo de los datos, la transformación de datos y el entrenamiento de un modelo.

• trabajo de canalización

  • Un trabajo o una ejecución de canalización corresponden al recurso PipelineJob en la API de Vertex AI. Es una instancia de ejecución de la definición de tu canalización de AA, que se define como un conjunto de tareas de AA interconectadas por dependencias de entrada y salida.

• ejecución de canalización

  • Uno o más PipelineJobs de Vertex se pueden asociar con un experimento en el que cada PipelineJob se represente como una sola ejecución. En este contexto, los parámetros de la ejecución se infieren mediante los parámetros del PipelineJob. Las métricas se infieren a partir de los artefactos system.Metric que produce ese PipelineJob. Los artefactos de la ejecución se infieren de los artefactos que produce ese PipelineJob.

• plantilla de canalización

  • Una definición de flujo de trabajo del AA que un solo usuario o varios pueden volver a usar para crear varias ejecuciones de canalizaciones.

• clase positiva

  • "Clase positiva" se refiere al resultado o la categoría que un modelo se entrena para predecir. Por ejemplo, si un modelo predice si un cliente comprará una chaqueta, la clase positiva sería "el cliente compra una chaqueta". De manera similar, en un modelo que predice el registro de un cliente para un depósito a plazo, la clase positiva sería "el cliente se registró". Lo opuesto es la "clase negativa".

• Acceso privado a Google (PGA)

  • El Acceso privado a Google permite que las instancias de VM con direcciones IP internas (privadas) únicamente (sin direcciones IP externas) alcancen las direcciones IP públicas de los servicios y las APIs de Google. Para obtener más información, consulta Configura el Acceso privado a Google.

• Acceso privado a servicios

  • El acceso privado a servicios es una conexión privada entre tu red de nube privada virtual (VPC) y las redes que pertenecen a Google o a proveedores de servicios externos. Permite que las instancias de máquinas virtuales (VM) de tu red de VPC se comuniquen con estos servicios a través de direcciones IP internas, lo que evita la exposición a la Internet pública. Para obtener más información, consulta Acceso a servicios privados.

• Private Service Connect

  • Private Service Connect es una tecnología que permite a los clientes de Compute Engine asignar IPs privadas en su red a otra red de VPC o a las APIs de Google. Para obtener más información, consulta Private Service Connect.

• Interfaz de Private Service Connect (PSC-I)

  • La interfaz de Private Service Connect proporciona una forma para que los productores inicien conexiones a cualquier recurso de red en la VPC del consumidor de forma privada.

• cuantización

  • La cuantización es una técnica de optimización de modelos que se usa para reducir la precisión de los números que se usan para representar los parámetros de un modelo. Esto puede generar modelos más pequeños, un menor consumo de energía y una latencia de inferencia reducida.

• Bosque aleatorio

  • El bosque aleatorio es un algoritmo de aprendizaje automático que se usa para la clasificación y la regresión. No es un modelo de IA generativa en sí, pero es un componente que se puede usar en un sistema de IA generativa más grande. Un bosque aleatorio consta de varios árboles de decisión, y su predicción es una agregación de las predicciones de estos árboles individuales. Por ejemplo, en una tarea de clasificación, cada árbol “vota” por una clase y la predicción final es la clase con más votos. Para obtener más información, consulta Bosque de decisión.

• Clúster de Ray en Vertex AI

  • Un clúster de Ray en Vertex AI es un clúster administrado de nodos de procesamiento que se puede usar para ejecutar aplicaciones de aprendizaje automático (AA) y Python distribuidas. Proporciona la infraestructura para realizar procesamiento distribuido y procesamiento paralelo en tu flujo de trabajo de AA. Los clústeres de Ray están integrados en Vertex AI para garantizar la disponibilidad de capacidad para las cargas de trabajo de AA críticas o durante las temporadas de mayor demanda. A diferencia de los trabajos personalizados, en los que el servicio de entrenamiento libera el recurso después de que se completa el trabajo, los clústeres de Ray permanecen disponibles hasta que se borran. Para obtener más información, consulta la descripción general de Ray en Vertex AI.

• Ray on Vertex AI (RoV)

  • Ray en Vertex AI está diseñado para que puedas usar el mismo código de Ray de código abierto para escribir programas y desarrollar aplicaciones en Vertex AI con cambios mínimos. Para obtener más información, consulta la descripción general de Ray en Vertex AI.

• SDK de Ray en Vertex AI para Python

  • El SDK de Ray en Vertex AI para Python es una versión del SDK de Vertex AI para Python que incluye la funcionalidad del cliente de Ray, el conector Ray BigQuery, la administración de clústeres de Ray en Vertex AI y las predicciones en Vertex AI. Para obtener más información, consulta Introducción al SDK de Vertex AI para Python.

• recall

  • Es el porcentaje de vecinos más cercanos que muestra el índice. Por ejemplo, si una consulta de vecino más cercano para 20 vecinos más cercanos mostró 19 de los vecinos más cercanos de “verdad fundamental”, la recuperación será 19/20*100 = 95%.

• regularización

  • La regularización es una técnica que se usa para evitar el sobreajuste en los modelos de aprendizaje automático. El sobreajuste ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, lo que genera un rendimiento deficiente en los datos no vistos. Un tipo específico de regularización que se menciona es la detención anticipada, en la que se detiene el entrenamiento antes de que la pérdida en un conjunto de datos de validación comience a aumentar, lo que indica una disminución en el rendimiento de la generalización. Para obtener más información, consulta Sobreajuste: regularización L2.

• restricciones

  • La funcionalidad para “restringir” búsquedas a un subconjunto del índice mediante reglas booleanas. La restricción también se conoce como “filtrado”. Con Vector Search, puedes usar el filtrado numérico y el filtrado de atributos de texto.

• cuenta de servicio

  • En Google Cloud, una cuenta de servicio es un tipo especial de cuenta que usa una aplicación o una instancia de máquina virtual (VM), no una persona. Las aplicaciones usan cuentas de servicio para realizar llamadas autorizadas a la API.

• service agemt

  • Un agente de servicio hace referencia a una cuenta de servicio administrada por Google. Se usa cuando un servicio requiere acceso a recursos creados por otro servicio. Por ejemplo, cuando los servicios de Dataflow o Dataproc necesitan crear instancias durante el tiempo de ejecución o cuando una Cloud Function quiere usar el servicio de administración de claves (KMS) para protegerla. Google Cloud crea agentes de servicio automáticamente cuando un servicio los requiere. Por lo general, se usan para administrar el acceso a los recursos y realizar varias tareas en nombre del servicio. Para obtener más información, consulta Agentes de servicio.

• métricas resumidas

  • Las métricas resumidas son un solo valor para cada clave de métrica en una ejecución de experimento. Por ejemplo, la precisión de la prueba de un experimento es la exactitud calculada en un conjunto de datos de prueba al final del entrenamiento, que puede capturarse como una métrica resumida de valor único.

• TensorBoard

  • TensorBoard es un conjunto de aplicaciones web para visualizar y comprender las ejecuciones y modelos de TensorFlow. Para obtener más información, consulta TensorBoard.

• Instancia de TensorBoard

  • Una instancia de TensorBoard es un recurso regionalizado que almacena los experimentos de Vertex AI TensorBoard asociados a un proyecto. Puedes crear varias instancias de Vertex TensorBoard en un proyecto si, por ejemplo, deseas usar varias instancias habilitadas con CMEK. Esto es lo mismo que el recurso TensorBoard en la API.

• Nombre del recurso de TensorBoard

  • Un nombre de recurso de TensorBoard se usa para identificar por completo una instancia de Vertex AI TensorBoard. El formato es el siguiente: projects/PROJECT_ID_OR_NUMBER/locations/REGION/tensorboards/TENSORBOARD_INSTANCE_ID.

• TensorFlow Extended (TFX)

  • TensorFlow Extended (TFX) es una plataforma de extremo a extremo para implementar canalizaciones de aprendizaje automático de producción basada en la plataforma de TensorFlow.

• compensación de tiempo

  • La compensación horaria está relacionada con el comienzo de un video.

• segmento de tiempo

  • Un segmento de tiempo se identifica mediante compensaciones horarias iniciales y finales.

• métricas de series temporales

  • Las métricas de series temporales son valores de métricas longitudinales, en los que cada valor representa un paso en la parte de la rutina de entrenamiento de una ejecución. Las métricas de series temporales se almacenan en Vertex AI TensorBoard. Vertex AI Experiments almacena una referencia al recurso de Vertex TensorBoard.

• token

  • Un token en un modelo de lenguaje es la unidad atómica con la que el modelo entrena para realizar predicciones, es decir, palabras, morfemas y caracteres. En dominios fuera de los modelos de lenguaje, los tokens pueden representar otros tipos de unidades atómicas. Por ejemplo, en la visión artificial, un token puede ser un subconjunto de una imagen. Para obtener más información, consulta Cómo enumerar y contar tokens.

• conjunto de entrenamiento

  • En Vertex AI, el conjunto de entrenamiento es la parte más grande de tus datos (por lo general, el 80%) que se usa para entrenar un modelo de aprendizaje automático. El modelo aprende los patrones y las relaciones dentro de estos datos para hacer predicciones. El conjunto de entrenamiento es distinto de los conjuntos de validación y prueba, que se usan para evaluar el rendimiento del modelo durante y después del entrenamiento.

• trayectoria

  • Una "trayectoria" se refiere a una secuencia de pasos o acciones que realiza un agente o modelo. A menudo, se usa en la evaluación de modelos generativos, en la que se evalúa la capacidad del modelo para generar texto, código y otro contenido. Existen varios tipos de métricas de trayectoria que se pueden usar para evaluar modelos generativos, como la concordancia exacta de la trayectoria, la concordancia en orden de la trayectoria, la concordancia de cualquier orden de la trayectoria y la precisión de la trayectoria. Estas métricas miden la similitud entre el resultado del modelo y un conjunto de resultados de referencia generados por humanos.

• Transformador

  • Un "transformador" es una arquitectura de red neuronal que subyace a la mayoría de los modelos generativos de vanguardia. Se usa en varias aplicaciones de modelos de lenguaje, incluida la traducción. Los transformadores consisten en un codificador y un decodificador. El codificador convierte el texto de entrada en una representación intermedia, y el decodificador lo convierte en un resultado útil. Utilizan un mecanismo de autoatención para recopilar contexto de las palabras que rodean la palabra que se está procesando. Si bien el entrenamiento de un transformador requiere recursos significativos, es más eficiente ajustar un transformador previamente entrenado para aplicaciones específicas.

• verdadero positivo

  • Un "verdadero positivo" se refiere a una predicción en la que el modelo identifica correctamente una clase positiva. Por ejemplo, si un modelo se entrena para identificar a los clientes que comprarán una chaqueta, un verdadero positivo sería predecir correctamente que un cliente hará esa compra.

• artefactos no administrados

  • Un artefacto que existe fuera del contexto de Vertex AI.

• vector

  • Un vector hace referencia a una representación numérica de texto, imágenes o videos que captura las relaciones entre las entradas. Los modelos de aprendizaje automático son adecuados para crear incorporaciones mediante la identificación de patrones en grandes conjuntos de datos. Las aplicaciones pueden usar incorporaciones para procesar y producir lenguaje, y reconocer significados complejos y relaciones semánticas específicas en el contenido. Para obtener más información, consulta la descripción general de las APIs de incorporaciones.

• Tipo de datos de Vertex AI

  • Los tipos de datos de Vertex AI son “image”, “text”, “tabular” y “video”.

• Vertex AI Experiments

  • Vertex AI Experiments permite a los usuarios hacer un seguimiento de lo siguiente: 1. Pasos de una ejecución de experimento (por ejemplo, procesamiento previo y entrenamiento) 2. Entradas (por ejemplo, algoritmo, parámetros y conjuntos de datos) 3. Los resultados de esos pasos (por ejemplo, modelos, puntos de control y métricas)

• Registro de modelos de Vertex AI

  • Vertex AI Model Registry es un repositorio central en el que puedes administrar el ciclo de vida de tus modelos de AA. En Vertex AI Model Registry, tienes una descripción general de tus modelos para que puedas organizar mejor, hacer un seguimiento y entrenar versiones nuevas. Cuando tengas una versión del modelo que desees implementar, puedes asignarla a un extremo directamente desde el registro o, si usas alias, implementar modelos en un extremo. Para obtener más información, consulta Introducción a Vertex AI Model Registry.

• SDK de Vertex AI para Python

  • El SDK de Vertex AI para Python proporciona una funcionalidad similar a la biblioteca cliente de Python de Vertex AI, excepto que el SDK es de mayor nivel y menos detallado.

• Experimento de Vertex AI TensorBoard

  • Los datos asociados con un experimento se pueden ver en la aplicación web de TensorBoard (escalares, histogramas, distribuciones, etc.). Los escalares de serie temporal se pueden ver en la consola de Google Cloud. Para obtener más información, consulta Compara y analiza ejecuciones.

• segmento de video

  • Un segmento de video se identifica mediante la compensación de tiempo inicial y final de un video.

• Nube privada virtual (VPC)

  • La nube privada virtual es un grupo configurable de recursos de procesamiento compartidos según demanda que se asigna en un entorno de nube pública y proporciona un nivel de aislamiento entre las diferentes organizaciones que usan esos recursos.