-
Annotationssatz
- Ein Annotationssatz enthält die Labels, die den hochgeladenen Quelldateien in einem Dataset zugeordnet sind. Ein Annotationssatz ist sowohl mit einem Datentyp als auch mit einem Ziel verknüpft (z. B. Video/Klassifizierung).
-
API-Endpunkte
- API-Endpunkte sind ein Dienstkonfigurationsaspekt, mit dem die Netzwerkadressen, auch Dienstendpunkte, angegeben werden (z. B. aiplatform.googleapis.com).
-
Standardanmeldedaten für Anwendungen (Application Default Credentials,
ADC) - Mit Standardanmeldedaten für Anwendungen können Sie ganz einfach Autorisierungsanmeldedaten für den Aufruf von Google APIs abrufen. Sie eignen sich am besten für Fälle, in denen der Aufruf unabhängig vom Nutzer dieselbe Identität und Autorisierungsstufe für die Anwendung haben muss. Dies ist die empfohlene Methode, um Aufrufe von Google Cloud APIs zu autorisieren, insbesondere wenn Sie eine Anwendung erstellen, die auf virtuellen Maschinen der Google App Engine (GAE) oder der Compute Engine bereitgestellt wird. Weitere Informationen finden Sie unter Funktionsweise von Standardanmeldedaten für Anwendungen.
-
Annäherung an den nächsten Nachbarn (ANN)
- Der ANN-Dienst (Approximate Nearest Neighbor) ist eine hochskalierbare Lösung mit niedriger Latenz, mit der ähnliche Vektoren (oder genauer gesagt „Einbettungen“) für einen großen Korpus gefunden werden können. Weitere Informationen finden Sie unter Vektorsuche für semantisches Matching verwenden.
-
artifact
- Ein Artefakt ist eine einzelne Entität oder ein Datenelement, das von einem ML-Workflow erzeugt und genutzt wird. Beispiele für Artefakte sind Datasets, Modelle, Eingabedateien und Trainingslogs.
-
Artifact Registry
- Artifact Registry ist ein universeller Artefaktverwaltungsdienst. Dies ist der empfohlene Dienst zum Verwalten von Containern und anderen Artefakten in Google Cloud. Weitere Informationen finden Sie unter Artifact Registry.
-
Künstliche Intelligenz (KI)
- Künstliche Intelligenz (KI) ist die Erforschung und Entwicklung von Maschinen, die „intelligent“ erscheinen, d. h. die menschliche oder intellektuelle Funktionen wie mechanische Bewegung, Vernunft oder Problemlösung nachahmen. Eines der beliebtesten Teilgebiete der KI ist maschinelles Lernen, bei dem ein statistischer und datengestützter Ansatz zur Erstellung von KI verwendet wird. Einige Personen verwenden diese beiden Begriffe jedoch synonym.
-
authentication
- Der Prozess der Überprüfung der Identität eines Clients (z. B. eines Nutzers oder eines anderen Prozesses), um auf ein gesichertes System zuzugreifen. Ein Client, der seine Identität nachgewiesen hat, wird als authentifiziert bezeichnet. Weitere Informationen finden Sie unter Authentifizierungsmethoden bei Google.
-
Automatic Side-by-Side (AutoSxS)
- Automatic Side-by-Side (AutoSxS) ist ein modellgestütztes Bewertungstool, mit dem zwei Large Language Models (LLMs) nebeneinander verglichen werden. Mit AutoSxS kann die Leistung von generativen KI-Modellen in der Vertex AI Model Registry oder vorab generierten Vorhersagen bewertet werden. AutoSxS verwendet einen Autorater, um zu entscheiden, welches Modell die bessere Antwort auf einen Prompt liefert. AutoSxS ist auf Anfrage verfügbar und bewertet Sprachmodelle mit einer Leistung, die mit der von menschlichen Beurteilern vergleichbar ist.
-
AutoML
- Algorithmen für maschinelles Lernen, die durch Black-Box-Optimierung „lernen, zu lernen“. Weitere Informationen finden Sie im Glossar zu KI.
-
autorater
- Ein Autorater ist ein Sprachmodell, das die Qualität der Modellantworten anhand eines ursprünglichen Inferenz-Prompts bewertet. Er wird in der AutoSxS-Pipeline verwendet, um die Vorhersagen von zwei Modellen zu vergleichen und festzustellen, welches Modell die beste Leistung erzielt hat. Weitere Informationen finden Sie unter Der automatische Rater.
-
baseline
- Ein Modell, das als Referenzpunkt verwendet wird, um die Leistung eines anderen Modells (in der Regel eines komplexeren) zu vergleichen. Ein logistisches Regressionsmodell kann beispielsweise als gute Baseline für ein Deep-Learning-Modell dienen. Für ein bestimmtes Problem hilft die Baseline den Modellentwicklern, die minimale erwartete Leistung zu quantifizieren, die ein neues Modell erreichen muss, damit es nützlich ist. Weitere Informationen finden Sie unter Baseline- und Ziel-Datasets.
-
batch
- Die Beispiele, die in einer Trainingsiteration verwendet werden. Die Batchgröße bestimmt die Anzahl der Beispiele in einem Batch.
-
Batchgröße
- Die Anzahl der Beispiele in einem Batch. Die Batchgröße von SGD beträgt beispielsweise 1, während die Batchgröße eines Mini-Batches in der Regel zwischen 10 und 1.000 liegt. Die Batchgröße ist beim Training und bei der Inferenz in der Regel festgelegt. In TensorFlow sind jedoch dynamische Batchgrößen zulässig.
-
Batchvorhersage
- Die Batchvorhersage gibt für eine Gruppe von Vorhersageanfragen und -ausgaben die Ergebnisse in einer einzelnen Datei aus. Weitere Informationen finden Sie unter Batchvorhersagen abrufen.
-
Voreingenommenheit
- 1. Stereotypisierung, Vorurteile oder Bevorzugung bestimmter Dinge, Personen oder Gruppen gegenüber anderen. Diese Verzerrungen können sich auf die Erhebung und Interpretation von Daten, das Design eines Systems und die Interaktion der Nutzer mit einem System auswirken. 2. Systematischer Fehler, der durch Stichprobenerhebung oder Berichterstellung verursacht wird.
-
bidiretional
- Ein Begriff, der ein System beschreibt, das den Text vor und nach einem Zieltextabschnitt auswertet. Ein einseitiges System hingegen bewertet nur den Text, der einem Zieltextabschnitt vorausgeht.
-
Bidirectional Encoder Representations from Transformers (BERT)
- BERT ist eine Methode zur Sprachdarstellung vor dem Training. Das bedeutet, dass wir ein allgemeines Modell für das „Verstehen natürlicher Sprache“ mit einem großen Textkorpus (z. B. Wikipedia) trainieren und dann dieses Modell für wichtige nachfolgende NLP-Aufgaben (z. B. Fragebeantwortung) verwenden. BERT übertrifft bisherige Methoden, da es das erste unüberwachte, tiefe bidirektionale System für das Vortraining von NLP ist.
-
Bilingual Evaluation Understudy (BLEU)
- Ein gängiges Maß zur Bewertung der Qualität eines Algorithmus für die maschinelle Übersetzung, bei dem die Ausgabe mit einer oder mehreren menschlichen Übersetzungen verglichen wird.
-
Begrenzungsrahmen
- Ein Begrenzungsrahmen für ein Objekt im Videoframe kann auf zwei Arten angegeben werden (i) Mithilfe von zwei Eckpunkten, die aus einer Reihe von x- und y-Koordinaten bestehen, wenn sie diagonale gegenüberliegende Punkte des Rechtecks sind. Beispiel: x_relative_min, y_relative_min,,,x_relative_max,y_relative_max,, (ii) Mithilfe aller vier Eckpunkte. Weitere Informationen finden Sie unter Videodaten vorbereiten.
-
Bucket
- Ordner der obersten Ebene für Cloud Storage. Bucket-Namen müssen für alle Cloud Storage-Nutzer eindeutig sein. Buckets enthalten Dateien. Weitere Informationen finden Sie unter Produktübersicht von Cloud Storage.
-
chat
- Der Inhalt eines Dialogs mit einem ML-System, in der Regel einem Large Language Model. Die vorherige Interaktion in einem Chat (was Sie eingegeben haben und wie das Large Language Model geantwortet hat) wird zum Kontext für nachfolgende Teile des Chats. Ein Chatbot ist eine Anwendung eines Large Language Models.
-
Kontrollpunkt
- Daten, die den Status der Parameter eines Modells entweder während des Trainings oder nach Abschluss des Trainings erfassen. Sie können beispielsweise während des Trainings Folgendes tun: 1. Training wird beendet, möglicherweise absichtlich oder aufgrund bestimmter Fehler. 2. Erfassen Sie den Prüfpunkt. 3. Laden Sie den Checkpoint später wieder, möglicherweise auf einer anderen Hardware. 4. Starten Sie das Training neu. In Gemini bezieht sich ein Checkpoint auf eine bestimmte Version eines Gemini-Modells, das auf einem bestimmten Datensatz trainiert wurde.
-
Klassifizierungsmodell
- Ein Modell, dessen Vorhersage eine Klasse ist. Beispiele für Klassifizierungsmodelle: Ein Modell, das die Sprache eines Eingabesatzes vorhersagt (Französisch? Spanisch? Italienisch?). Ein Modell, das Baumarten vorhersagt (Ahorn? Eiche? Baobab?). Ein Modell, das die positive oder negative Klasse für eine bestimmte Erkrankung vorhersagt.
-
Klassifizierungsmesswerte
- Unterstützte Klassifizierungsmesswerte im Vertex AI SDK für Python sind Wahrheitsmatrix und ROC-Kurve.
-
Cloud TPU
- Ein spezieller Hardwarebeschleuniger, der Arbeitslasten für maschinelles Lernen in Google Cloud beschleunigt.
-
Container-Image
- Ein Container-Image ist ein Paket, das den ausführbaren Code der Komponente und eine Definition der Umgebung enthält, in der der Code ausgeführt wird. Weitere Informationen finden Sie unter Benutzerdefiniertes Training.
-
context
- Mit einem Kontext werden Artefakte und Ausführungen in einer einzigen, abfragbaren und typisierten Kategorie zusammengefasst. Kontexte können zur Darstellung von Metadaten verwendet werden. Ein Beispiel für einen Kontext wäre die Ausführung einer Pipeline für maschinelles Lernen.
-
Kontext-Cache
- Ein Kontext-Cache in Vertex AI ist eine große Datenmenge, die in mehreren Anfragen an ein Gemini-Modell verwendet werden kann. Die im Cache gespeicherten Inhalte werden in der Region gespeichert, in der die Anfrage zum Erstellen des Caches erfolgt. Es kann sich um beliebige MIME-Typen handeln, die von multimodalen Gemini-Modellen unterstützt werden, z. B. Text, Audio oder Video. Weitere Informationen finden Sie unter Kontext-Caching – Übersicht.
-
context window
- Die Anzahl der Tokens, die ein Modell in einem bestimmten Prompt verarbeiten kann. Je größer das Kontextfenster ist, desto mehr Informationen kann das Modell verwenden, um kohärente und konsistente Antworten auf den Prompt zu geben.
-
Vom Kunden verwaltete Verschlüsselungsschlüssel (Customer Managed Encryption Keys, CMEK)
- Vom Kunden verwaltete Verschlüsselungsschlüssel (Customer-Managed Encryption Keys, CMEK) sind Integrationen, mit denen Kunden Daten in vorhandenen Google-Diensten mit einem Schlüssel verschlüsseln können, den sie in Cloud KMS (alias Storky) verwalten. Der Schlüssel in Cloud KMS ist der Schlüsselverschlüsselungsschlüssel, der seine Daten schützt. Weitere Informationen finden Sie unter Vom Kunden verwaltete Verschlüsselungsschlüssel (CMEK).
-
CustomJob
- Ein CustomJob ist eine von drei Vertex AI-Ressourcen, die Nutzer zum Trainieren benutzerdefinierter Modelle in Vertex AI erstellen können. Benutzerdefinierte Trainingsjobs stellen den grundlegenden Weg dar, um benutzerdefinierten Trainingscode für maschinelles Lernen (ML) in Vertex AI auszuführen. Weitere Informationen finden Sie unter Benutzerdefinierte Trainingsjobs erstellen.
-
Dask
- Dask ist eine verteilte Computing-Plattform, die häufig mit TensorFlow, PyTorch und anderen ML-Frameworks verwendet wird, um verteilte Trainingsjobs zu verwalten. Weitere Informationen finden Sie in Wikipedia.
-
Datenanalyse
- Daten durch Stichproben, Messungen und Visualisierungen besser verstehen Die Datenanalyse kann besonders nützlich sein, wenn ein Datensatz zum ersten Mal empfangen wird, bevor das erste Modell erstellt wird. Außerdem ist es wichtig, um Tests zu verstehen und Probleme mit dem System zu beheben.
-
Datenergänzung
- Die Bandbreite und Anzahl der Trainingsbeispiele wird künstlich erhöht, indem vorhandene Beispiele umgewandelt werden, um zusätzliche Beispiele zu erstellen. Angenommen, Bilder sind eine Ihrer Funktionen, Ihr Dataset enthält aber nicht genügend Bildbeispiele, damit das Modell nützliche Verknüpfungen lernen kann. Idealerweise fügen Sie Ihrem Dataset genügend mit Labels versehene Bilder hinzu, damit Ihr Modell richtig trainiert werden kann. Ist das nicht möglich, können Sie mithilfe der Datenaugmentation jedes Bild drehen, strecken und spiegeln, um viele Varianten des Originalbilds zu erstellen. So erhalten Sie möglicherweise genügend beschriftete Daten, um ein hervorragendes Training zu ermöglichen.
-
DataFrame
- Ein beliebter Pandas-Datentyp zur Darstellung von Datensätzen im Arbeitsspeicher. Ein DataFrame ist analog zu einer Tabelle oder einer Tabellenkalkulation. Jede Spalte eines DataFrames hat einen Namen (eine Überschrift) und jede Zeile wird durch eine eindeutige Nummer identifiziert.Jede Spalte in einem DataFrame ist wie ein 2D-Array strukturiert, mit der Ausnahme, dass jeder Spalte ein eigener Datentyp zugewiesen werden kann.
-
Dataset (Datensatz)
- Ein Dataset ist allgemein als eine Sammlung strukturierter oder unstrukturierter Datensätze definiert. Eine Sammlung von Rohdaten, die in der Regel (aber nicht ausschließlich) in einem der folgenden Formate organisiert ist: Tabelle oder Datei im CSV-Format (Comma Separated Values, kommagetrennte Werte). Weitere Informationen finden Sie unter Dataset erstellen.
-
Decoder
- Im Allgemeinen jedes ML-System, das von einer verarbeiteten, dichten oder internen Darstellung in eine eher rohe, spärliche oder externe Darstellung konvertiert. Decoder sind oft Teil eines größeren Modells, in dem sie häufig mit einem Encoder kombiniert werden. Bei Sequenz-zu-Sequenz-Aufgaben beginnt ein Decoder mit dem vom Encoder generierten internen Status, um die nächste Sequenz vorherzusagen.
-
Deep Neural Network (DNN)
- Ein neuronales Netzwerk mit mehreren verborgenen Schichten, das in der Regel mit Deep-Learning-Techniken programmiert wird.
-
depth
- Die Summe der folgenden Elemente in einem neuronalen Netzwerk: 1. Anzahl der verborgenen Schichten, 2. Anzahl der Ausgabeschichten (in der Regel eine) und 3. Anzahl der Einbettungsschichten. Ein neuronales Netzwerk mit fünf verborgenen Schichten und einer Ausgabeschicht hat beispielsweise eine Tiefe von 6. Die Eingabeebene hat keine Auswirkungen auf die Tiefe.
-
DevOps
- DevOps ist eine Suite von Google Cloud-Produkten, z. B. Artifact Registry und Cloud Deploy.
-
vorzeitiges Beenden
- Eine Methode zur Regularisierung, bei der das Training beendet wird, bevor der Trainingsverlust vollständig abnimmt. Beim vorzeitigen Beenden wird das Training des Modells absichtlich beendet, wenn der Verlust in einem Validierungsdatensatz zunimmt, d. h. wenn sich die Generalisierungsleistung verschlechtert.
-
Einbettung
- Numerische Darstellungen von Wörtern oder Textabschnitten. Diese Zahlen erfassen die semantische Bedeutung und den Kontext des Texts. Ähnliche oder verwandte Wörter oder Text haben in der Regel ähnliche Einbettungen. Das bedeutet, dass sie im hochdimensionalen Vektorbereich näher beieinander liegen.
-
Embedding Space (Latent Space)
- Bei der generativen KI bezieht sich der Einbettungsraum auf eine numerische Darstellung von Text, Bildern oder Videos, die Beziehungen zwischen Eingaben erfasst. Modelle für maschinelles Lernen, insbesondere Modelle für generative KI, sind gut darin, diese Einbettungen zu erstellen, indem sie Muster in großen Datensätzen erkennen. Anwendungen können Einbettungen verwenden, um Sprache zu verarbeiten und zu generieren, wobei komplexe Bedeutungen und semantische Beziehungen erkannt werden, die für die Inhalte spezifisch sind.
-
Embedding-Vektor
- Eine dichte, oft niedrigdimensionale Vektordarstellung eines Elements. Wenn also zwei Elemente semantisch ähnlich sind, befinden sich ihre jeweiligen Einbettungen im Einbettungsvektorbereich nahe beieinander.
-
Encoder
- Im Allgemeinen jedes ML-System, das von einer Roh-, spärlichen oder externen Darstellung in eine stärker verarbeitete, dichtere oder internere Darstellung konvertiert. Encoder sind oft Teil eines größeren Modells, in dem sie häufig mit einem Decoder kombiniert werden. Einige Transformatoren kombinieren Encoder mit Decodern, andere verwenden nur den Encoder oder nur den Decoder. Bei einigen Systemen wird die Ausgabe des Encoders als Eingabe für ein Klassifizierungs- oder Regressionsnetzwerk verwendet. Bei Sequenz-zu-Sequenz-Aufgaben nimmt ein Encoder eine Eingabesequenz und gibt einen internen Status (einen Vektor) zurück. Der Decoder verwendet dann diesen internen Status, um die nächste Sequenz vorherzusagen.
-
Ensemble
- Eine Sammlung unabhängig trainierter Modelle, deren Vorhersagen gemittelt oder aggregiert werden. In vielen Fällen liefert ein Ensemble bessere Vorhersagen als ein einzelnes Modell. Ein Random Forest ist beispielsweise ein Ensemble, das aus mehreren Entscheidungsbäumen besteht. Hinweis: Nicht alle Entscheidungsbäume sind Ensembles.
-
Umgebung
- Im Reinforcement Learning die Welt, die den Agenten enthält und es ihm ermöglicht, den Zustand dieser Welt zu beobachten. Die dargestellte Welt kann beispielsweise ein Spiel wie Schach oder eine physische Welt wie ein Labyrinth sein. Wenn der Agent eine Aktion auf die Umgebung anwendet, wechselt die Umgebung zwischen den Status.
-
evaluation (eval)
- Eine Bewertung (Eval, kurz für „Evaluation“) ist eine Art von Test, bei dem protokollierte oder synthetische Suchanfragen über zwei Suchstacks gesendet werden: einen experimentellen Stack mit Ihrer Änderung und einen Basisstack ohne Ihre Änderung. Bewertungen liefern Unterschiede und Messwerte, mit denen Sie die Auswirkungen, Qualität und andere Effekte Ihrer Änderung auf die Suchergebnisse und andere Teile der Google-Nutzererfahrung bewerten können. Bewertungen werden bei der Optimierung oder Iteration Ihrer Änderung verwendet. Sie werden auch verwendet, wenn eine Änderung am Traffic von echten Nutzern eingeführt wird.
-
Ereignis
- Ein Ereignis beschreibt die Beziehung zwischen Artefakten und Ausführungen. Jedes Artefakt kann von einer Ausführung erstellt und von anderen Ausführungen genutzt werden. Anhand von Ereignissen können Sie die Herkunft von Artefakten in ihren ML-Workflows ermitteln, indem Artefakte und Ausführungen verkettet werden.
-
Ausführung
- Eine Ausführung ist ein Datensatz eines einzelnen Workflows für maschinelles Lernen, der normalerweise mit seinen Laufzeitparametern annotiert ist. Beispiele für Ausführungen sind Datenaufnahme, Datenvalidierung, Modelltraining, Modellbewertung und Modellbereitstellung.
-
Test
- Ein Test ist ein Kontext, der eine Reihe von n Testausführungen zusätzlich zu Pipeline-Ausführungen enthalten kann, in denen ein Nutzer als Gruppe verschiedene Konfigurationen wie Eingabeartefakte oder Hyperparameter untersuchen kann.
-
Testausführung
- Eine Testausführung kann benutzerdefinierte Messwerte, Parameter, Ausführungen, Artefakte und Vertex-Ressourcen enthalten (z. B. PipelineJob).
-
Explorative Datenanalyse
- In der Statistik ist die explorative Datenanalyse (EDA) ein Ansatz zur Analyse von Datasets, um ihre Hauptmerkmale zusammenzufassen, oft mit visuellen Methoden. Optional kann ein statistisches Modell verwendet werden. EDA dient aber hauptsächlich dazu, zu sehen, was uns die Daten über die formalen Modellierungs- oder Hypothesentestaufgaben hinaus sagen können.
-
F1-Wert
- Der F1-Wert ist ein Messwert, mit dem die Genauigkeit der Ausgabe eines Modells bewertet wird. Er eignet sich besonders gut zur Beurteilung der Leistung von Modellen bei Aufgaben, bei denen sowohl Precision als auch Recall wichtig sind, z. B. bei der Informationsextraktion. Bei Modellen für generative KI kann der F1-Wert verwendet werden, um die Vorhersagen des Modells mit Ground-Truth-Daten zu vergleichen und so die Genauigkeit des Modells zu bestimmen. Für generative Aufgaben wie Zusammenfassung und Textgenerierung sind jedoch andere Messwerte wie der Rough-L-Wert möglicherweise besser geeignet.
-
Feature
- Beim maschinellen Lernen (ML) ist ein Feature ein Merkmal oder Attribut einer Instanz oder Entität, das als Eingabe zum Trainieren eines ML-Modells oder für Vorhersagen verwendet wird.
-
Feature Engineering
- Feature Engineering ist der Prozess der Umwandlung von Rohdaten des maschinellen Lernens (ML) in Features, die zum Trainieren von ML-Modellen oder für Vorhersagen verwendet werden können.
-
Featuregruppe
- Eine Featuregruppe ist eine Ressource der Feature-Registry, die einer BigQuery-Quelltabelle oder ‑ansicht mit Featuredaten entspricht. Eine Feature-Ansicht kann Features enthalten und als logische Gruppierung von Featurespalten in der Datenquelle betrachtet werden.
-
Feature-Datensatz
- Ein Feature-Datensatz ist eine Aggregation aller Featurewerte, die die Attribute einer eindeutigen Entität zu einem bestimmten Zeitpunkt beschreiben.
-
Feature Registry
- Ein Feature Registry ist eine zentrale Schnittstelle zum Erfassen von Feature-Datenquellen, die Sie für Onlinevorhersagen bereitstellen möchten. Weitere Informationen finden Sie unter Feature Registry einrichten.
-
Bereitstellung von Features
- Das Bereitstellen von Features ist der Export oder Abruf von Featurewerten für Training oder Inferenz. In Vertex AI gibt es zwei Arten der Bereitstellung von Features: Onlinebereitstellung und Offlinebereitstellung. Bei der Onlinebereitstellung werden die neuesten Featurewerte einer Teilmenge der Feature-Datenquelle für Onlinevorhersagen abgerufen. Bei der Offline- oder Batchbereitstellung werden große Mengen von Featuredaten – einschließlich Verlaufsdaten – für die Offlineverarbeitung exportiert, z. B. für das ML-Modelltraining.
-
Feature-Zeitstempel
- Ein Feature-Zeitstempel gibt an, wann die Featurewerte in einem bestimmten Feature-Datensatz für eine Entität generiert wurden.
-
Featurewert
- Ein Featurewert entspricht dem tatsächlichen und messbaren Wert eines Features (Attributs) einer Instanz oder Entität. Eine Sammlung von Featurewerten für die eindeutige Entität stellt den Feature-Datensatz dar, der der Entität entspricht.
-
Featureansicht
- Eine Featureansicht ist eine logische Sammlung von Features, die aus einer BigQuery-Datenquelle in eine Onlinespeicher-Instanz materialisiert werden. In einer Featureansicht werden die Feature-Daten des Kunden gespeichert und regelmäßig aus der BigQuery-Quelle aktualisiert. Eine Featureansicht ist dem Featuredatenspeicher entweder direkt oder über Verknüpfungen zu Feature Registry-Ressourcen zugeordnet.
-
Grundlagenmodell (FM)
- Modelle, die mit einer breiten Datenbasis trainiert werden, sodass sie an eine Vielzahl von Downstream-Aufgaben angepasst werden können (z. B. optimiert werden).
-
Foundation Model Operations (FMOPs)
- FMOps erweitert die Funktionen von MLOps und konzentriert sich auf die effiziente Produktionsumstellung von vortrainierten (von Grund auf trainierten) oder benutzerdefinierten (optimierten) FMs.
-
Generation
- Im Kontext der generativen KI bezieht sich „Generierung“ auf den Prozess, mit dem neue Daten oder Inhalte aus vorhandenen Daten oder Informationen erstellt werden. Modelle für generative KI werden mit großen Datensätzen trainiert und können Muster und Beziehungen in den Daten lernen. Anhand dieses Wissens können sie dann neue und einzigartige Inhalte generieren, die den Trainingsdaten ähneln, aber keine exakte Kopie sind. Weitere Informationen finden Sie unter https://cloud.google.com/docs/ai-ml/generative-ai/generative-ai-or-traditional-ai.
-
SDK für Google Cloud Pipeline-Komponenten
- Das Google Cloud Pipeline Components (GCPC) SDK bietet eine Reihe vordefinierter Kubeflow Pipelines-Komponenten, die produktionsbereit, leistungsfähig und einfach zu verwenden sind. Mit Google Cloud-Pipeline-Komponenten können Sie ML-Pipelines in Vertex AI Pipelines und anderen mit Kubeflow Pipelines konformen Backends zur ML-Pipeline-Ausführung definieren und ausführen. Weitere Informationen finden Sie unter Einführung in Google Cloud-Pipeline-Komponenten.
-
Google Embedded Modem System (GEMS)
- GEMS ist ein eingebettetes Software-Framework für Modems und eine zugehörige Reihe von Entwicklungsabläufen und ‑infrastrukturen. Das Hauptziel von GEMS ist es, hochwertigen Modemsystemcode mit hoher Wiederverwendbarkeit für viele Google-Geräte mit Modems bereitzustellen. Um dieses umfassende Ziel zu erreichen, bietet GEMS eine umfassende Umgebung für Entwickler, die aus den unten dargestellten Hauptbausteinen besteht.
-
Gradient
- Der Vektor der partiellen Ableitungen in Bezug auf alle unabhängigen Variablen. Beim maschinellen Lernen ist der Gradient der Vektor der partiellen Ableitungen der Modellfunktion. Die Steigung zeigt in Richtung des steilsten Anstiegs.
-
Diagramm
- Im Kontext von Vertex AI bezieht sich ein Graph auf eine Datenstruktur, die die Beziehungen zwischen Entitäten und ihren Attributen darstellt. Sie wird verwendet, um komplexe Daten wie Wissensgraphen, soziale Netzwerke und Geschäftsprozesse zu modellieren und zu analysieren. Weitere Informationen finden Sie unter Einführung in Vertex ML-Metadaten.
-
Ground Truth (GT)
- Ground Truth ist ein Begriff, der in verschiedenen Bereichen verwendet wird, um sich auf die absolute Wahrheit einer Entscheidung oder eines Messproblems zu beziehen, im Gegensatz zur Schätzung eines Systems. Im Bereich maschinelles Lernen bezieht sich der Begriff „Ground Truth“ auf den Trainingssatz für Techniken des überwachten Lernens.
-
Halluzination
- Eine Halluzination bei generativer KI ist eine selbstbewusste Antwort einer KI, die nicht durch ihre Trainingsdaten gerechtfertigt werden kann. Die Inhalte sind sachlich falsch. Im Kontext der Textgenerierung sind das plausible, zufällige Falschinformationen im generierten Textinhalt.
-
Heuristiken
- Eine einfache und schnell implementierte Lösung für ein Problem. Beispiel: „Mit einer Heuristik haben wir eine Genauigkeit von 86% erreicht. Nach der Umstellung auf ein Deep-Learning-Netzwerk stieg die Genauigkeit auf 98 %.“
-
versteckte Schicht
- Eine Schicht in einem neuronalen Netzwerk zwischen der Eingabeschicht (den Features) und der Ausgabeschicht (der Vorhersage). Jede versteckte Schicht besteht aus einem oder mehreren Neuronen. Ein Deep-Learning-Netzwerk enthält mehr als eine verborgene Schicht.
-
histogram
- Eine grafische Darstellung der Variation in einem Satz von Daten mithilfe von Balken. Ein Histogramm visualisiert Muster, die in einer einfachen Zahlentabelle schwer zu erkennen sind.
-
Hyperparameter
- Ein Hyperparameter ist eine Variable, die den Trainingsprozess eines Modells für maschinelles Lernen steuert. Zu diesen Variablen können Lernraten, Momentum-Werte im Optimierer und die Anzahl der Einheiten in der letzten verborgenen Schicht eines Modells gehören. Bei der Hyperparameter-Abstimmung in Vertex AI werden mehrere Tests einer Trainingsanwendung mit unterschiedlichen Werten für die ausgewählten Hyperparameter innerhalb der angegebenen Limits ausgeführt. Ziel ist es, die Hyperparametereinstellungen zu optimieren, um die Vorhersagegenauigkeit des Modells zu maximieren. Weitere Informationen finden Sie unter Übersicht zur Hyperparameter-Abstimmung.
-
Bilder
- Imagen ist ein generativer KI-Dienst für die Text-zu-Bild-Generierung, der über die Vertex AI-Plattform verfügbar ist. Nutzer können damit neue Bilder erstellen, Bilder bearbeiten, Stil- oder Motivmodelle optimieren, Bilder mit Untertiteln versehen oder Antworten auf Fragen zu Bildinhalten erhalten. Weitere Informationen finden Sie in der Übersicht zu Imagen in Vertex AI.
-
Bilderkennung
- Bei der Bilderkennung werden Objekte, Muster oder Konzepte in einem Bild klassifiziert. Sie wird auch als Bildklassifizierung bezeichnet. Die Bilderkennung ist ein Teilgebiet des maschinellen Lernens und der Computer Vision.
-
index
- Eine Sammlung von Vektoren, die gemeinsam für die Ähnlichkeitssuche bereitgestellt werden. Vektoren können einem Index hinzugefügt oder aus einem Index entfernt werden. Ähnlichkeitssuchanfragen werden für einen bestimmten Index ausgegeben und suchen über die Vektoren in diesem Index.
-
Inferenz
- Im Kontext der Vertex AI-Plattform bezieht sich die Inferenz auf den Prozess, bei dem Datenpunkte einem Modell für maschinelles Lernen zugeführt werden, um eine Ausgabe zu berechnen, z. B. einen einzelnen numerischen Wert. Dieser Vorgang wird auch als „Operationalisieren eines ML-Modells“ oder „Überführen eines ML-Modells in die Produktion“ bezeichnet. Die Inferenz ist ein wichtiger Schritt im Workflow für maschinelles Lernen, da mithilfe von Modellen Vorhersagen für neue Daten getroffen werden können. In Vertex AI können Inferenzen auf verschiedene Arten durchgeführt werden, z. B. mit Batch- und Onlinevorhersagen. Bei der Batchvorhersage werden eine Gruppe von Vorhersageanfragen ausgeführt und die Ergebnisse in einer Datei ausgegeben. Bei der Onlinevorhersage sind Echtzeitvorhersagen für einzelne Datenpunkte möglich.
-
Information Retrieval (IR)
- Die Informationsgewinnung ist eine wichtige Komponente von Vertex AI Search. Dabei werden relevante Informationen aus einer großen Datenmenge gefunden und abgerufen. Im Kontext von Vertex AI werden mithilfe der IR Dokumente aus einem Korpus basierend auf der Suchanfrage eines Nutzers abgerufen. Vertex AI bietet eine Reihe von APIs, mit denen Sie Ihre eigenen Retrieval Augmented Generation (RAG)-Anwendungen oder Suchmaschinen erstellen können. Weitere Informationen finden Sie unter Vertex AI Search als Abruf-Backend mit RAG-Engine verwenden.
-
Lernrate (Schrittweite)
- Die Lernrate ist ein Hyperparameter, mit dem der Optimierungsprozess eines Modells für maschinelles Lernen angepasst wird. Sie bestimmt die Schrittgröße, mit der das Modell seine Gewichtungen während des Trainings aktualisiert. Eine höhere Lernrate kann zu einer schnelleren Konvergenz führen, aber auch zu Instabilität oder Überanpassung. Umgekehrt kann eine niedrigere Lernrate zu einer langsameren Konvergenz führen, aber Überanpassung verhindern. Weitere Informationen finden Sie in der Übersicht zur Hyperparameter-Abstimmung.
-
Verlust (Kosten)
- Während des Trainings eines überwachten Modells gibt dieser Wert an, wie weit die Vorhersage eines Modells von seinem Label entfernt ist. Mit einer Verlustfunktion wird der Verlust berechnet.
-
Machine Learning Metadata
- ML Metadata (MLMD) ist eine Bibliothek zum Aufzeichnen und Abrufen von Metadaten, die mit ML-Entwickler- und Data-Scientist-Workflows verknüpft sind. MLMD ist ein integraler Bestandteil von TensorFlow Extended (TFX), der jedoch so konzipiert ist, dass er unabhängig verwendet werden kann. Als Teil der größeren TFX-Plattform interagieren die meisten Nutzer nur mit MLMD, wenn sie die Ergebnisse von Pipelinekomponenten untersuchen, z. B. in Notebooks oder in TensorBoard.
-
Verwaltetes Dataset
- Ein Dataset-Objekt, das von Vertex AI erstellt und gehostet wird.
-
Metadaten-Ressourcen
- Vertex ML Metadata enthält ein diagrammähnliches Datenmodell zur Darstellung von Metadaten, die aus ML-Workflows erstellt und genutzt werden. Die Hauptkonzepte sind Artefakte, Ausführungen, Ereignisse und Kontexte.
-
MetadataSchema
- Ein MetadataSchema beschreibt das Schema für bestimmte Arten von Artefakten, Ausführungen oder Kontexten. MetadataSchemas werden verwendet, um die Schlüssel/Wert-Paare während der Erstellung der entsprechenden Metadata-Ressourcen zu validieren. Die Schemavalidierung wird nur für übereinstimmende Felder zwischen der Ressource und dem MetadataSchema durchgeführt. Typschemas werden mit OpenAPI-Schemaobjekten dargestellt, die mit YAML beschrieben werden sollten.
-
MetadataStore
- Ein MetadataStore ist der Container der obersten Ebene für Metadatenressourcen. MetadataStore ist regional und einem bestimmten Google Cloud-Projekt zugeordnet. In der Regel verwendet eine Organisation einen gemeinsam genutzten MetadataStore für Metadatenressourcen in jedem Projekt.
-
ML-Pipelines
- ML-Pipelines sind portable und skalierbare ML-Workflows, die auf Containern basieren.
-
model
- Alle Modelle, vortrainiert oder nicht. Im Allgemeinen jedes mathematische Konstrukt, das Eingabedaten verarbeitet und eine Ausgabe zurückgibt. Mit anderen Worten: Ein Modell ist die Kombination aus Parametern und Struktur, die ein System für Vorhersagen benötigt.
-
Modelldestillation (Wissensdestillation, Lehrer-Schüler-Modelle)
- Die Modelldestillation ist ein Verfahren, mit dem ein kleineres Schülermodell von einem größeren Lehrermodell lernen kann. Das Schülermodell wird darauf trainiert, die Ausgabe des Lehrermodells nachzuahmen. Es kann dann verwendet werden, um neue Daten zu generieren oder Vorhersagen zu treffen. Die Modelldestillation wird häufig verwendet, um große Modelle effizienter zu machen oder sie für Geräte mit begrenzten Ressourcen zugänglicher zu machen. Außerdem kann es verwendet werden, um die Generalisierung von Modellen zu verbessern, indem Überanpassungen reduziert werden.
-
Modellressourcenname
- Der Ressourcenname für eine
model
ist: projects/<PROJECT_ID>/locations/<LOCATION_ID>/models/<MODEL_ID>. Sie finden die Modell-ID in der Cloud Console auf der Seite „Modell-Registry“.
- Der Ressourcenname für eine
-
Network File System (NFS)
- Ein Client/Server-System, mit dem Nutzer über ein Netzwerk auf Dateien zugreifen und sie so behandeln können, als befänden sie sich in einem lokalen Dateiverzeichnis.
-
Offlinespeicher
- Der Offlinespeicher ist eine Speichereinrichtung, in der aktuelle Featuredaten und Feature-Verlaufsdaten gespeichert werden, die normalerweise zum Trainieren von ML-Modellen verwendet werden. Ein Offlinespeicher enthält auch die neuesten Featurewerte, die Sie für Onlinevorhersagen bereitstellen können.
-
Onlinespeicher
- Bei der Featureverwaltung ist ein Onlinespeicher eine Speichereinrichtung für die neuesten Featurewerte, die für Onlinevorhersagen bereitgestellt werden.
-
Onlinespeicher
- Bei der Featureverwaltung ist ein Onlinespeicher eine Speichereinrichtung für die neuesten Featurewerte, die für Onlinevorhersagen bereitgestellt werden.
-
parameter
- Parameter sind Schlüsseleingabewerte, die eine Ausführung konfigurieren, das Verhalten der Ausführung steuern und die Ergebnisse der Ausführung beeinflussen. Beispiele sind die Lernrate, die Abbruchrate und die Anzahl der Trainingsschritte.
-
Pipeline
- ML-Pipelines sind portable und skalierbare ML-Workflows, die auf Containern basieren. Weitere Informationen finden Sie unter Einführung in Vertex AI-Pipelines.
-
Pipeline-Komponente
- Ein eigenständiger Codesatz, der einen Schritt im Arbeitsablauf einer Pipeline ausführt, z. B. Datenvorverarbeitung, Datentransformation und Modelltraining.
-
Pipelinejob
- Ein Pipelinejob oder eine Pipelineausführung entspricht der PipelineJob-Ressource in der Vertex AI API. Es ist eine Ausführungs-Instanz Ihrer ML-Pipeline-Definition, die als Reihe von ML-Aufgaben definiert ist, die durch Eingabe-/Ausgabeabhängigkeiten miteinander verbunden sind.
-
Pipelineausführung
- Ein oder mehrere Vertex PipelineJobs können mit einem Test verknüpft werden, wobei jeder PipelineJob als einzelne Ausführung dargestellt wird. In diesem Kontext werden die Parameter der Ausführung von den Parametern des PipelineJobs abgeleitet. Die Messwerte werden aus den von diesem PipelineJob generierten system.Metric-Artefakten abgeleitet. Die Artefakte der Ausführung werden aus Artefakten abgeleitet, die von diesem PipelineJob erstellt werden.
-
Pipelinevorlage
- Eine ML-Workflow-Definition, die ein einzelner Nutzer oder mehrere Nutzer wiederverwenden können, um mehrere Pipelineausführungen zu erstellen.
-
positive Klasse
- „Positive Klasse“ bezieht sich auf das Ergebnis oder die Kategorie, die ein Modell vorhersagen soll. Wenn ein Modell beispielsweise vorhersagt, ob ein Kunde eine Jacke kauft, wäre die positive Klasse „Kunde kauft eine Jacke“. In einem Modell, das die Registrierung von Kunden für ein Termingeld vorhersagt, wäre die positive Klasse „Kunde registriert“. Das Gegenteil ist die „Negativklasse“.
-
Private Service Connect (PSC)
- Private Service Connect ist eine Technologie, mit der Compute Engine-Kunden private IP-Adressen in ihrem Netzwerk entweder einem anderen VPC-Netzwerk oder Google APIs zuordnen können.
-
Private Service Connect-Schnittstelle (PSC-I)
- Die Private Service Connect-Schnittstelle bietet Erstellern die Möglichkeit, privat Verbindungen zu beliebigen Netzwerkressourcen im Nutzer-VPC herzustellen.
-
Quantisierung
- Die Quantisierung ist eine Modelloptimierungstechnik, mit der die Genauigkeit der Zahlen reduziert wird, die zur Darstellung der Parameter eines Modells verwendet werden. Dies kann zu kleineren Modellen, einem geringeren Energieverbrauch und einer reduzierten Inferenzlatenz führen.
-
Random Forest
- Random Forest ist ein Algorithmus für maschinelles Lernen, der sowohl für die Klassifizierung als auch für die Regression verwendet wird. Es ist kein direktes generatives KI-Modell, sondern eine Komponente, die in einem größeren generativen KI-System verwendet werden kann. Ein Random Forest besteht aus mehreren Entscheidungsbäumen und seine Vorhersage ist eine Aggregation der Vorhersagen dieser einzelnen Bäume. Bei einer Klassifizierungsaufgabe „stimmt“ beispielsweise jeder Baum für eine Klasse und die endgültige Vorhersage ist die Klasse mit den meisten Stimmen. Weitere Informationen finden Sie unter Entscheidungswald.
-
Ray-Cluster in Vertex AI
- Ein Ray-Cluster in Vertex AI ist ein verwalteter Cluster von Compute-Knoten, mit dem verteilte ML- und Python-Anwendungen ausgeführt werden können. Er bietet die Infrastruktur für verteiltes Computing und parallele Verarbeitung für Ihren ML-Workflow. Ray-Cluster sind in Vertex AI integriert, um die Kapazitätsverfügbarkeit für kritische ML-Arbeitslasten oder während Spitzenzeiten zu gewährleisten. Im Gegensatz zu benutzerdefinierten Jobs, bei denen der Trainingsdienst die Ressource nach Abschluss des Jobs freigibt, bleiben Ray-Cluster bis zum Löschen verfügbar. Weitere Informationen finden Sie in der Übersicht zu Ray on Vertex AI.
-
Ray on Vertex AI (RoV)
- Ray on Vertex AI wurde so entwickelt, dass Sie denselben Open-Source-Ray-Code zum Schreiben von Programmen und Entwickeln von Anwendungen in Vertex AI mit minimalen Änderungen verwenden können. Weitere Informationen finden Sie in der Übersicht zu Ray on Vertex AI.
-
Ray on Vertex AI SDK für Python
- Das hier verwendete Ray on Vertex AI SDK für Python ist eine Version des Vertex AI SDK für Python, die die Funktionen von Ray Client, Ray BigQuery Connector, der Ray-Clusterverwaltung in Vertex AI und Vorhersagen in Vertex AI umfasst. Weitere Informationen finden Sie unter Einführung in das Vertex AI SDK für Python.
-
Recall
- Der Prozentsatz der echten nächsten Nachbarn, die vom Index zurückgegeben werden. Wenn z. B. eine Abfrage nach 20 nächsten Nachbarn 19 der „grundlegend echten“ nächsten Nachbarn zurückgibt, beträgt der Recall 19/20x100 = 95 %.
-
Regularisierung
- Die Regularisierung ist eine Methode, mit der eine Überanpassung bei Modellen für maschinelles Lernen verhindert wird. Eine Überanpassung tritt auf, wenn ein Modell die Trainingsdaten zu gut lernt, was zu einer schlechten Leistung bei unbekannten Daten führt. Eine bestimmte Art der Regularisierung, die erwähnt wird, ist das vorzeitige Beenden. Dabei wird das Training angehalten, bevor sich der Verlust in einem Validierungs-Dataset zu erhöhen beginnt, was auf einen Rückgang der Generalisierungsleistung hinweist. Weitere Informationen finden Sie unter Überanpassung: L2-Regularisierung.
-
Einschränkungen
- Funktionen zum "Einschränken" von Suchanfragen auf eine Teilmenge des Index mithilfe von booleschen Regeln. „Einschränken“ wird auch als „Filter“ bezeichnet. Mit der Vektorsuche können Sie numerische Filter und Textattributfilter verwenden.
-
Dienstkonto
- In der Google Cloud ist ein Dienstkonto ein spezieller Kontotyp, der nicht von einer Person, sondern von einer Anwendung oder einer VM-Instanz verwendet wird. Anwendungen verwenden Dienstkonten für autorisierte API-Aufrufe.
-
service agemt
- Ein Dienst-Agent bezieht sich auf ein von Google verwaltetes Dienstkonto. Sie wird verwendet, wenn ein Dienst Zugriff auf Ressourcen benötigt, die von einem anderen Dienst erstellt wurden. Das ist beispielsweise der Fall, wenn Dataflow- oder Dataproc-Dienste während der Laufzeit Instanzen erstellen müssen oder wenn eine Cloud-Funktion den Key Management Service (KMS) zum Schutz der Cloud-Funktion verwenden soll. Dienst-Agents werden von Google Cloud automatisch erstellt, wenn sie für einen Dienst erforderlich sind. Sie werden in der Regel verwendet, um den Zugriff auf Ressourcen zu verwalten und verschiedene Aufgaben im Namen des Dienstes auszuführen. Weitere Informationen finden Sie unter Dienst-Agents.
-
Zusammenfassende Messwerte
- Zusammenfassende Messwerte sind ein einzelner Wert für jeden Messwertschlüssel in einer Testausführung. Beispiel: Die Testgenauigkeit eines Tests ist die Genauigkeit, die anhand eines Test-Datasets am Ende des Trainings berechnet wird und als einzelner zusammenfassender Messwert erfasst werden kann.
-
TensorBoard
- TensorBoard ist eine Suite von Webanwendungen zum Visualisieren und Verstehen von TensorFlow-Ausführungen und ‑Modellen. Weitere Informationen finden Sie unter TensorBoard.
-
TensorBoard-Instanz
- Eine TensorBoard-Instanz ist eine regionalisierte Ressource, in der Vertex AI TensorBoard-Tests gespeichert werden, die mit einem Projekt verknüpft sind. Sie können in einem Projekt mehrere TensorBoard-Instanzen erstellen, wenn Sie beispielsweise mehrere CMEK-fähige Instanzen benötigen. Dieser Wert entspricht der TensorBoard-Ressource in der API.
-
TensorBoard-Ressourcenname
- Mit einem TensorBoard-Ressourcennamen wird eine Vertex AI TensorBoard-Instanz vollständig identifiziert. Das Format lautet: projects/PROJEKT-ID_ODER_-NUMBER/locations/REGION/tensorboards/TENSORBOARD-INSTANZ-ID.
-
TensorFlow Extended (TFX)
- TensorFlow Extended (TFX) ist eine End-to-End-Plattform zum Bereitstellen von ML-Pipelines für die Produktion basierend auf der TensorFlow-Plattform.
-
zeitlicher Versatz, Zeitstempel
- Der zeitliche Versatz bezieht sich auf den Beginn eines Videos.
-
Zeitsegment
- Ein Zeitsegment wird durch den zeitlichen Versatz am Beginn und Ende identifiziert.
-
Zeitachsenmesswerte
- Zeitachsenmesswerte sind Längengradmesswerte, wobei jeder Wert einen Schritt im Teil der Trainingsroutine einer Ausführung darstellt. Zeitachsenmesswerte werden in Vertex AI TensorBoard gespeichert. Vertex AI Experiments speichert einen Verweis auf die Vertex TensorBoard-Ressource.
-
Token
- Ein Token in einem Sprachmodell ist die atomare Einheit, die das Modell trainiert und Vorhersagen für Wörter, Morpheme und Zeichen trifft. In anderen Bereichen als Sprachmodellen können Tokens auch andere Arten von atomaren Einheiten darstellen. Beim maschinellen Sehen kann ein Token beispielsweise ein Teil eines Bildes sein. Weitere Informationen finden Sie unter Tokens auflisten und zählen.
-
Trainingsdatensatz
- In Vertex AI ist der Trainingssatz der größte Teil Ihrer Daten (in der Regel 80%), der zum Trainieren eines Modells für maschinelles Lernen verwendet wird. Das Modell lernt die Muster und Beziehungen in diesen Daten, um Vorhersagen zu treffen. Das Trainings-Dataset unterscheidet sich von den Validierungs- und Test-Datasets, mit denen die Leistung des Modells während und nach dem Training bewertet wird.
-
Kurve
- Ein „Pfad“ bezieht sich auf eine Abfolge von Schritten oder Aktionen, die von einem Kundenservicemitarbeiter oder Modell ausgeführt werden. Sie wird häufig bei der Bewertung generativer Modelle verwendet, bei denen die Fähigkeit des Modells zur Generierung von Text, Code oder anderen Inhalten bewertet wird. Es gibt verschiedene Arten von Trajektorienmesswerten, mit denen generative Modelle bewertet werden können, darunter die genaue Übereinstimmung, die sequentielle Übereinstimmung, die beliebige Übereinstimmung und die Genauigkeit der Trajektorie. Mit diesen Messwerten wird die Ähnlichkeit zwischen der Ausgabe des Modells und einer Reihe von von Menschen erstellten Referenzausgaben gemessen.
-
Transformer
- Ein „Transformer“ ist eine neuronale Netzwerkarchitektur, die den meisten modernen generativen Modellen zugrunde liegt. Sie wird in verschiedenen Sprachmodellanwendungen verwendet, einschließlich Übersetzung. Transformer bestehen aus einem Encoder und einem Decoder. Der Encoder wandelt den Eingabetext in eine Zwischendarstellung um und der Decoder wandelt diese in eine nützliche Ausgabe um. Sie nutzen einen Self-Attention-Mechanismus, um Kontext aus den Wörtern um das verarbeitete Wort herum zu erfassen. Das Training eines Transformers erfordert zwar erhebliche Ressourcen, die Feinabstimmung eines vortrainierten Transformers für bestimmte Anwendungen ist jedoch effizienter.
-
True Positive
- Ein „wahrer Positivwert“ bezieht sich auf eine Vorhersage, bei der das Modell eine positive Klasse richtig identifiziert. Wenn ein Modell beispielsweise darauf trainiert ist, Kunden zu identifizieren, die eine Jacke kaufen werden, wäre ein True Positive eine korrekte Vorhersage, dass ein Kunde einen solchen Kauf tätigt.
-
nicht verwaltete Artefakte
- Ein Artefakt außerhalb des Kontexts von Vertex AI.
-
vector
- Ein Vektor bezieht sich auf eine numerische Darstellung von Text, Bildern oder Videos, die Beziehungen zwischen Eingaben erfasst. Modelle für maschinelles Lernen eignen sich zum Erstellen von Einbettungen, da sie Muster in großen Datensätzen erkennen können. Anwendungen können Einbettungen verwenden, um Sprache zu verarbeiten und zu erzeugen, und dabei komplexe Bedeutungen und semantische Beziehungen erkennen, die für die Inhalte spezifisch sind. Weitere Informationen finden Sie in der Übersicht über Einbettungen-APIs.
-
Vertex AI-Datentyp
- Vertex AI-Datentypen sind "Bild", "Text", "Tabelle" und "Video".
-
Vertex AI Experiments
- Mit Vertex AI Experiments können Nutzer Folgendes erfassen: 1. Schritte einer Testausführung (z. B. Vorverarbeitung und Training) 2. Eingaben (z. B. Algorithmus, Parameter und Datensätze) 3. Ausgaben dieser Schritte (z. B. Modelle, Prüfpunkte und Messwerte).
-
Vertex AI Model Registry
- Vertex AI Model Registry ist ein zentrales Repository, in dem Sie den Lebenszyklus Ihrer ML-Modelle verwalten können. Vertex AI Model Registry bietet eine Übersicht über Ihre Modelle, sodass Sie neue Versionen besser organisieren, verfolgen und trainieren können. Wenn Sie eine Modellversion haben, die Sie bereitstellen möchten, können Sie sie einem Endpunkt direkt aus der Registry zuweisen oder Modelle mithilfe von Aliassen auf einem Endpunkt bereitstellen. Weitere Informationen finden Sie unter Einführung in die Vertex AI Model Registry.
-
Vertex AI SDK für Python
- Das Vertex AI SDK für Python bietet ähnliche Funktionen wie die Vertex AI Python-Clientbibliothek, mit der Ausnahme, dass das SDK auf höherer Ebene arbeitet und weniger detailliert ist.
-
Vertex AI TensorBoard-Test
- Die mit einem Test verknüpften Daten (Skalare, Histogramme, Verteilungen usw.) können in der TensorBoard-Webanwendung angezeigt werden. Zeitreihenskalare können in der Google Cloud Console aufgerufen werden. Weitere Informationen finden Sie unter Ausführungen vergleichen und analysieren.
-
Videosegment
- Ein Videosegment wird durch den zeitlichen Versatz am Beginn und Ende eines Videos identifiziert.
-
Virtual Private Cloud (VPC)
- Eine Virtual Private Cloud ist ein on-demand verfügbarer, konfigurierbarer Pool gemeinsam genutzter Computing-Ressourcen, der in einer öffentlichen Cloud-Umgebung zugewiesen wird und eine gewisse Isolation zwischen verschiedenen Organisationen bietet, die diese Ressourcen nutzen.