Vertex AI 소개

Vertex AI는 통합 API, 클라이언트 라이브러리, 사용자 인터페이스에 AutoML 및 AI Platform을 함께 제공합니다. AutoML을 사용하면 코드를 작성하지 않고도 이미지, 테이블 형식, 텍스트, 동영상 데이터 세트에서 모델을 학습시킬 수 있으며 AI Platform에서 학습을 통해 커스텀 학습 코드를 실행할 수 있습니다. Vertex AI를 사용하면 AutoML 학습과 커스텀 학습을 사용할 수 있습니다. 어떤 학습 옵션을 선택하든 Vertex AI로 모델을 저장하고, 모델을 배포하고, 예측을 요청할 수 있습니다.

ML 워크플로에서 Vertex AI가 포함되는 위치

Vertex AI를 사용하여 ML 워크플로에서 다음 단계를 관리할 수 있습니다.

  • 데이터 세트를 만들고 데이터를 업로드합니다.

  • 데이터로 ML 모델을 학습시킵니다.

    • 모델 학습
    • 모델 정확도 평가
    • 초매개변수 조정(커스텀 학습만 해당)
  • Vertex AI에 모델을 업로드하고 저장합니다.

  • 예측을 제공할 수 있도록 학습된 모델을 엔드포인트에 배포합니다.

  • 엔드포인트에 예측 요청을 보냅니다.

  • 엔드포인트에서 예측 트래픽 분할을 지정합니다.

  • 모델 및 엔드포인트를 관리합니다.

Vertex AI 구성요소

이 섹션에서는 Vertex AI를 구성하는 부분과 각 부분의 주요 목적에 대해 설명합니다.

학습

AutoML을 사용하여 Vertex AI에서 모델을 학습시키거나 AI Platform Training에서 제공하는 다양한 맞춤설정 옵션이 필요하면 커스텀 학습을 사용할 수 있습니다.

커스텀 학습에서는 다양한 머신 유형을 선택하여 학습 작업 성능을 향상시키고, 분산 학습을 사용 설정하고, 초매개변수 조정을 사용하고, GPU로 작업 속도를 높일 수 있습니다.

예측 모델 배포

Vertex AI에 모델을 배포하고 Vertex AI에서 예측을 제공하는 엔드포인트를 가져올 수 있습니다.

모델이 Vertex AI에서 학습되었는지 여부에 관계없이 Vertex AI에 모델을 배포할 수 있습니다.

데이터 라벨링

데이터 라벨링 작업을 사용하면 커스텀 머신러닝 모델을 학습시키는 데 사용할 데이터 세트에 대해 수동 라벨링을 요청할 수 있습니다. 동영상, 이미지 또는 텍스트 데이터에 대한 라벨링 요청을 제출할 수 있습니다.

라벨링 요청을 제출하려면 라벨이 지정된 데이터에 대한 대표 샘플을 제공하고, 데이터 세트에 사용할 수 있는 모든 라벨을 지정하고, 이러한 라벨을 적용하는 방법에 대한 안내를 제공합니다. 수동 라벨 지정자가 이 안내에 따라 라벨 지정 작업을 완료하면 머신러닝 모델을 학습시키는 데 사용할 수 있는 주석이 달린 데이터세트를 얻을 수 있습니다.

Feature Store

Feature Store는 조직 내에서 ML 특성 값을 수집, 제공, 공유할 수 있는 완전 관리형 저장소입니다. Feature Store는 기본 인프라를 모두 관리합니다. 예를 들어 스토리지 및 컴퓨팅 리소스를 제공하며 필요에 따라 쉽게 확장할 수 있습니다.

Vertex AI와 상호작용하는 도구

이 섹션에서는 Vertex AI와 상호작용하는 데 사용하는 도구에 대해 설명합니다.

Google Cloud Console

클라우드에 모델을 배포하고 Cloud Console에서 데이터 세트, 모델, 엔드포인트, 작업을 관리할 수 있습니다. 이 옵션은 머신러닝 리소스로 작업하기 위한 사용자 인터페이스를 제공합니다. Vertex AI 리소스는 Google Cloud에 속하므로 Cloud Logging 및 Cloud Monitoring과 같은 유용한 도구에 연결됩니다. Cloud Console 사용을 시작하기에 가장 좋은 위치는 Vertex AI 섹션의 대시보드 페이지를 참조하세요.

대시보드 페이지로 이동

Cloud 클라이언트 라이브러리

Vertex AI는 Vertex AI API를 호출하는 데 도움이 되는 언어의 클라이언트 라이브러리를 제공합니다. 클라이언트 라이브러리는 지원되는 각 언어의 고유한 규칙과 스타일을 사용하여 최적화된 개발자 경험을 제공합니다. 지원되는 언어와 언어 설치 방법에 대한 자세한 내용은 클라이언트 라이브러리 설치를 참조하세요.

또는 Google API 클라이언트 라이브러리를 사용하여 Dart와 같이 다른 언어로 Vertex AI API에 액세스할 수 있습니다. Google API 클라이언트 라이브러리를 사용할 때는 API에서 사용하는 리소스와 객체의 표현을 빌드합니다. 이 방법은 HTTP 요청으로 직접 작업하는 것보다 쉽고 코드도 더 적게 필요합니다.

REST API

Vertex AI REST API는 작업, 모델, 엔드포인트를 관리하고 Google Cloud에서 호스팅된 모델로 예측을 수행하는 데 필요한 RESTful 서비스를 제공합니다.

Notebooks

Notebooks를 사용하면 JupyterLab과 함께 사전 패키징된 가상 머신(VM) 인스턴스를 만들고 관리할 수 있습니다.

Notebooks 인스턴스에는 딥 러닝 패키지 모음(TensorFlow 및 PyTorch 프레임워크 지원 기능 포함)이 사전 설치되어 있습니다. 요구사항에 잘 맞게 CPU 전용 또는 GPU 지원 인스턴스를 구성할 수 있습니다.

Notebooks 인스턴스는 Google Cloud 인증 및 승인을 통해 보호되며 Notebooks 인스턴스 URL을 통해 사용 가능합니다. 또한 Notebooks 인스턴스는 GitHub와 통합되므로 노트북을 GitHub 저장소와 손쉽게 동기화할 수 있습니다.

자세한 내용은 Vertex AI에서 Notebooks 사용을 참조하세요.

딥 러닝 VM 이미지

Deep Learning VM Image는 데이터 과학 및 머신러닝 태스크에 최적화된 가상 머신 이미지 세트입니다. 모든 이미지에는 주요 ML 프레임워크와 도구가 사전 설치되어 있습니다. GPU가 있는 인스턴스에서 바로 사용하여 데이터 처리 작업을 가속화할 수 있습니다.

Deep Learning VM 이미지는 다양한 프레임워크 및 프로세서 조합을 지원하는 데 사용할 수 있습니다. 현재 TensorFlow Enterprise, TensorFlow, PyTorch, 일반 고성능 컴퓨팅을 지원하는 이미지를 사용할 수 있으며, CPU 전용 및 GPU 사용 설정된 워크플로에 대한 버전이 모두 지원됩니다.

사용 가능한 프레임워크 목록을 보려면 이미지 선택을 참조하세요.

자세한 내용은 Vertex AI에서 Deep Learning VM Image 및 Deep Learning Containers 사용을 참조하세요.

Deep Learning Containers

Deep Learning Containers는 주요 데이터 과학 프레임워크, 라이브러리, 도구가 사전 설치된 Docker 컨테이너 세트입니다. 이러한 컨테이너는 워크플로의 프로토타입을 신속하게 제작하고 구현할 수 있도록 성능이 최적화된 일관성 높은 환경을 제공합니다.

자세한 내용은 Vertex AI에서 Deep Learning VM Image 및 Deep Learning Containers 사용을 참조하세요.

다음 단계