Introducción a Vertex AI

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Vertex AI es una plataforma de aprendizaje automático (AA) que te permite entrenar e implementar modelos de AA y aplicaciones de IA. Vertex AI combina la ingeniería de datos, la ciencia de datos y los flujos de trabajo de ingeniería de AA, lo que permite que tus equipos colaboren con un conjunto de herramientas común.

Vertex AI proporciona varias opciones para el entrenamiento del modelo:

  • AutoML te permite entrenar datos tabulares, de imágenes, de texto o de video sin escribir código ni preparar divisiones de datos.

  • El entrenamiento personalizado te brinda control total sobre el proceso de entrenamiento, incluido el uso de tu framework de AA preferido, la escritura de tu propio código de entrenamiento y la elección de opciones de ajuste de hiperparámetros.

Una vez que implementes tus modelos, usa las herramientas de extremo a extremo de MLOps para automatizar y escalar proyectos a lo largo del ciclo de vida del AA. Estas herramientas de MLOps se ejecutan en una infraestructura completamente administrada que puedes personalizar según tus necesidades de presupuesto y rendimiento.

Puedes usar el SDK de Vertex AI para Python a fin de ejecutar todo el flujo de trabajo de aprendizaje automático en Vertex AI Workbench, un entorno de desarrollo basado en notebooks de Jupyter. Otras interfaces disponibles incluyen la consola de Google Cloud, la herramienta de línea de comandos de gcloud, las bibliotecas cliente y Terraform (compatibilidad limitada).

Vertex AI y el flujo de trabajo del aprendizaje automático (AA)

En esta sección, se proporciona una descripción general del flujo de trabajo de aprendizaje automático y cómo puedes usar Vertex AI para compilar e implementar tus modelos.

diagrama de flujo de trabajo del AA

  1. Preparación de datos: Después de extraer y limpiar tu conjunto de datos, realiza un análisis exploratorio de datos (EDA) para comprender las características y el esquema de datos que espera el AA modelo. Aplicar transformaciones de datos e ingeniería de atributos al modelo, y dividir los datos en conjuntos de entrenamiento, validación y prueba.

    • Explora y visualiza datos con los notebooks de Vertex AI Workbench. Vertex AI Workbench se integra con Cloud Storage y BigQuery para ayudarte a acceder a tus datos y procesarlos más rápido.

    • Para conjuntos de datos grandes, usa Dataproc sin servidores de Spark desde un notebook de Vertex AI Workbench para ejecutar cargas de trabajo de Spark sin tener que administrar tus propios clústeres de Dataproc.

  2. Entrenamiento de modelos: elige un método de entrenamiento para entrenar un modelo y ajustarlo para el rendimiento.

    • Para entrenar un modelo sin escribir código, consulta la descripción general de AutoML. AutoML admite datos tabulares, de imagen, de texto y de video.

    • Para escribir tu propio código de entrenamiento y entrenar modelos personalizados mediante el marco de trabajo de AA que prefieras, consulta la descripción general del entrenamiento personalizado.

    • Optimiza los hiperparámetros para modelos con entrenamiento personalizado mediante trabajos de ajuste personalizados.

    • Vertex AI Vizier ajusta los hiperparámetros por ti en modelos complejos de aprendizaje automático (AA).

    • Usa Experimentos de IA de Vertex para entrenar tu modelo con diferentes técnicas de AA y comparar los resultados.

    • Registra tus modelos entrenados en Vertex AI Model Registry para el control de versiones y la transferencia a la producción. Vertex AI Model Registry se integra en las funciones de validación y de implementación como la evaluación de modelos y los extremos.

  3. Iteración y evaluación de modelos: evalúa tu modelo entrenado, realiza ajustes en los datos según las métricas de evaluación e itera en tu modelo.

    • Usa las métricas de evaluación del modelo, como precisión y recuperación, para evaluar y comparar el rendimiento de tus modelos. Crea evaluaciones a través de Vertex AI Model Registry o incluye evaluaciones en tu flujo de trabajo de Vertex AI Pipelines.
  4. Entrega del modelo: Implementa tu modelo en la producción y obtén predicciones.

    • Implementa tu modelo personalizado con contenedores compilados previamente o personalizados para obtener predicciones en línea en tiempo real (a veces llamado predicción HTTP).

    • Obtén predicciones por lotes asíncronas que no requieren implementación en extremos.

    • El entorno de ejecución optimizado de TensorFlow te permite entregar modelos de TensorFlow a un costo menor y con una latencia menor que los contenedores precompilados de TensorFlow Serving basados en código abierto.

    • Para los casos de entrega en línea con modelos tabulares, usa Vertex AI Feature Store a fin de entregar funciones desde un repositorio central y supervisar el estado de las funciones.

    • Vertex Explainable AI te ayuda a comprender cómo cada atributo contribuye a la predicción de modelos (atribución de atributos) y a encontrar datos mal etiquetados del conjunto de datos de entrenamiento (explicación basada en ejemplo).

    • Implementa y obtén predicciones en línea para modelos entrenados con BigQuery ML.

  5. Supervisión de modelos: Supervisa el rendimiento del modelo implementado. Usa los datos de predicción entrantes para volver a entrenar el modelo a fin de mejorar el rendimiento.

    • Vertex AI Model Monitoring supervisa los modelos para detectar sesgos de entrenamiento-entrega y desvío de predicción, y te envía alertas cuando los datos de predicción entrantes se desvían demasiado del modelo de referencia de entrenamiento.

¿Qué sigue?