Introducción a Vertex AI

Vertex AI reúne AutoML y AI Platform en una API unificada, una biblioteca cliente y una interfaz de usuario. AutoML te permite entrenar modelos en conjuntos de datos de imagen, texto, video y tabular sin escribir un código, mientras que el entrenamiento en AI Platform te permite ejecutar un código de entrenamiento personalizado. Con Vertex AI, las opciones del entrenamiento de AutoML y el entrenamiento personalizado están disponibles. Con la opción que elijas para el entrenamiento, puedes guardar modelos, implementar modelos y solicitar predicciones con Vertex AI.

Relación entre Vertex AI y el flujo de trabajo del AA

Puedes usar Vertex AI para administrar las siguientes etapas del flujo de trabajo del AA:

  • Crea un conjunto de datos y sube datos.

  • Entrena un modelo de AA en tus datos:

    • Entrena el modelo
    • Evalúa la exactitud del modelo
    • Ajusta los hiperparámetros (solo entrenamiento personalizado)
  • Sube y almacena tu modelo en Vertex AI.

  • Implementa tu modelo entrenado en un extremo para entregar predicciones.

  • Envía solicitudes de predicción a tu extremo.

  • Especifica una división del tráfico de predicción en tu extremo.

  • Administra tus modelos y extremos.

Componentes de Vertex AI

En esta sección, se describen las piezas que componen Vertex AI y el propósito principal de cada pieza.

Capacitación

Puedes entrenar modelos en Vertex AI con AutoML o usar el entrenamiento personalizado si necesitas la variedad más amplia de opciones de personalización disponibles en AI Platform Training.

En el entrenamiento personalizado, puedes seleccionar muchos tipos de máquinas diferentes para potenciar tus trabajos de entrenamiento, habilitar el entrenamiento distribuido, usar el ajuste de hiperparámetros y acelerar con GPU.

Implementa modelos para realizar predicciones

Puedes implementar modelos en Vertex AI y obtener un extremo para entregar predicciones en Vertex AI.

Puedes implementar modelos en Vertex AI, ya sea que el modelo se entrenó o no en Vertex AI.

Etiquetado de datos

Los trabajos de etiquetado de datos te permiten solicitar el etiquetado manual de un conjunto de datos que tengas planeado usar para entrenar un modelo de aprendizaje automático personalizado. Puedes enviar una solicitud para etiquetar tus datos de video, imágenes o texto.

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

Feature Store

Feature Store es un repositorio completamente administrado en el que puedes transferir, entregar y compartir valores de atributos de AA dentro de tu organización. Feature Store administra toda la infraestructura subyacente por ti. Por ejemplo, te proporciona recursos de almacenamiento y procesamiento, y puedes escalar con facilidad según sea necesario.

Herramientas para interactuar con Vertex AI

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

Google Cloud Console

Puedes implementar modelos en la nube y administrar tus conjuntos de datos, modelos, extremos y trabajos en Cloud Console. Esta opción te brinda una interfaz de usuario para trabajar con los recursos de aprendizaje automático. Como parte de Google Cloud, los recursos de Vertex AI están conectados a herramientas útiles, como Cloud Logging y Cloud Monitoring. El mejor lugar para comenzar a usar Cloud Console es la página Panel de la sección Vertex AI:

Ir a la página Panel

Bibliotecas cliente de Cloud

Vertex AI proporciona bibliotecas cliente para algunos lenguajes a fin de ayudarte a realizar llamadas a la API de Vertex AI. Las bibliotecas cliente proporcionan una experiencia optimizada para los desarrolladores mediante el uso de las convenciones y estilos naturales de cada lenguaje compatible. Para obtener más información acerca de los lenguajes admitidos y cómo instalarlos, consulta Instala las bibliotecas cliente.

Como alternativa, puedes usar las bibliotecas cliente de la API de Google para acceder a la API de Vertex AI mediante otros lenguajes, como Dart. Cuando usas las bibliotecas cliente de la API de Google, puedes crear representaciones de los recursos y objetos que usa la API. Esto es más fácil y requiere menos código que trabajar directamente con las solicitudes HTTP.

API de REST

La API de REST de Vertex AI proporciona servicios de RESTful para administrar trabajos, modelos y extremos, y realizar predicciones con modelos alojados en Google Cloud.

Notebooks

Mediante el uso de Notebooks, puedes crear y administrar instancias de máquinas virtuales (VM) que vienen empaquetadas con JupyterLab.

Las instancias de Notebooks tienen un conjunto preinstalado de paquetes de aprendizaje profundo, incluida la asistencia para los marcos de trabajo de TensorFlow y PyTorch. Puedes configurar instancias solo para CPU o instancias habilitadas para GPU, según tus necesidades.

Las instancias de Notebooks están protegidas por la autenticación y la autorización de Google Cloud, y están disponibles mediante una URL de instancia de Notebooks. Estas instancias también se integran a GitHub, de modo que puedas sincronizar el Notebook con un repositorio de GitHub sin dificultades.

Para obtener más información, consulta Usa Notebooks con la IA de Vertex.

Imágenes de VM para el aprendizaje profundo

Deep Learning VM Image son un conjunto de imágenes de máquina virtual optimizadas para las tareas de ciencia de datos y aprendizaje automático. Todas las imágenes vienen con varias herramientas y frameworks del AA clave preinstalados. Las puedes usar de inmediato en instancias con GPU para acelerar las tareas de procesamiento de datos.

Las imágenes de Deep Learning VM están disponibles para admitir muchas combinaciones de frameworks y procesadores. Por el momento, existen imágenes que son compatibles con TensorFlow Enterprise, TensorFlow, PyTorch y computación genérica de alto rendimiento, con versiones de flujos de trabajo solo usen CPU y que estén habilitados para el uso de GPU.

Para ver una lista de los frameworks disponibles, consulta Elige una imagen.

Para obtener más información, consulta Usa Deep Learning VM Images y Contenedores de aprendizaje profundo con Vertex AI.

Contenedores de aprendizaje profundo

Los contenedores de aprendizaje profundo son un conjunto de contenedores de Docker que tienen preinstalados herramientas, bibliotecas y frameworks clave de ciencia de datos. Estos contenedores te brindan entornos coherentes y optimizados para el rendimiento que pueden ayudarte a crear prototios e implementar rápidamente flujos de trabajo.

Para obtener más información, consulta Usa Deep Learning VM Images y Contenedores de aprendizaje profundo con Vertex AI.

¿Qué sigue?