Visão geral da classe do SDK da Vertex AI

Cientistas de dados e desenvolvedores de machine learning (ML) usam o SDK da Vertex AI para Python para criar, treinar e implantar modelos em um fluxo de trabalho de ML personalizado. Isso inclui criar conjuntos de dados e fazer upload de dados, treinar um modelo de ML, fazer upload, armazenar o modelo, implantar o modelo, executar jobs de previsão em lote e gerenciar modelos e endpoints.

O SDK da Vertex AI também inclui classes para criar soluções de IA generativa com modelos de base de texto, código, chat e incorporação de texto. É possível usar essas classes para gerar texto, criar um bot de chat de texto ou código, ajustar um modelo de base e criar um embedding de texto. Um embedding de texto é um texto na forma de um vetor que é usado para pesquisar itens. Para mais informações, consulte Introdução às classes de modelo de linguagem no SDK da Vertex AI.

É possível usar o SDK da Vertex AI para Python em notebooks hospedados do JupyterLab na Vertex AI para escrever e executar o código. Os notebooks incluem frameworks de ML pré-instalados, como o TensorFlow e o PyTorch. Também é possível usar outros notebooks, como os do Colab, ou um ambiente de desenvolvedor de sua escolha com suporte para Python.

Para tentar usar o SDK da Vertex AI para Python agora mesmo, consulte os seguintes recursos:

O SDK da Vertex AI inclui muitas classes para ajudar você a automatizar a ingestão de dados, treinar modelos e receber previsões. Ele também inclui classes para ajudar você a monitorar, avaliar e otimizar seu fluxo de trabalho de machine learning (ML). As classes podem ser agrupadas nas seguintes categorias:

  • As classes de dados incluem classes que funcionam com dados estruturados, não estruturados e o Feature Store da Vertex AI.
  • As classes de treinamento incluem aquelas que funcionam com o treinamento do AutoML para dados estruturados e não estruturados, treinamento personalizado, treinamento de hiperparâmetros e treinamento de pipeline.
  • As classes de modelo funcionam com modelos e avaliações de modelo.
  • As classes de previsão funcionam com previsões em lote, on-line e do Vector Search.
  • As classes de rastreamento funcionam com os metadados de ML da Vertex, os experimentos da Vertex AI e o TensorBoard da Vertex AI.