Introdução à Vertex AI

A Vertex AI une o AutoML e o AI Platform em uma API, uma biblioteca de cliente e uma interface de usuário unificada. O AutoML permite treinar modelos em conjuntos de dados de imagens, tabelas, texto e vídeo sem escrever código, enquanto o treinamento no AI Platform permite executar códigos de treinamento personalizados. Com a Vertex AI, o treinamento do AutoML e o treinamento personalizado estão disponíveis. Independentemente da opção escolhida para treinamento, é possível salvar modelos, implantar modelos e solicitar previsões com o Vertex IA.

Como o Vertex AI se encaixa no fluxo de trabalho de ML

É possível usar a Vertex AI para gerenciar os estágios a seguir no fluxo de trabalho de ML:

  • Crie um conjunto de dados e faça o upload de dados.

  • Treinar um modelo de ML com seus dados

    • Treinar o modelo
    • Avaliar a acurácia do modelo
    • Ajustar hiperparâmetros (somente treinamento personalizado)
  • Fazer upload e armazenar o modelo no Vertex AI.

  • Implantar seu modelo treinado em um endpoint para exibir previsões.

  • Enviar solicitações de previsão para o endpoint.

  • Especificar uma divisão de tráfego de previsão no endpoint.

  • Gerencie modelos e endpoints.

Componentes do Vertex AI

Nesta seção, você verá as peças que compõem a Vertex AI e o objetivo principal de cada uma delas.

Treinamento de modelo

É possível treinar modelos no Vertex AI usando o AutoML ou, se você precisar de uma variedade maior de opções de personalização disponíveis no AI Platform Training, use o treinamento personalizado.

No treinamento personalizado, é possível selecionar vários tipos de máquina diferentes para capacitar os jobs de treinamento, possibilitar o treinamento distribuído, usar o ajuste de hiperparâmetros e acelerar as GPUs.

Implantação de modelos para previsão

É possível implantar modelos no Vertex AI e receber um endpoint para exibir previsões no Vertex AI, independentemente de o modelo ter sido treinado no Vertex AI.

Rotulação de dados do Vertex AI

Os jobs de rotulagem de dados permitem solicitar a rotulagem humana de um conjunto de dados que você planeja usar para treinar um modelo de machine learning personalizado. É possível enviar uma solicitação para rotular dados de vídeo, imagem ou texto.

Para enviar uma solicitação de rotulagem, forneça uma amostra representativa de dados rotulados, especifique todos os possíveis rótulos para o conjunto de dados, e forneça algumas instruções sobre como aplicar esses rótulos. Os rotuladores humanos seguem suas instruções e, quando a solicitação de rotulagem é concluída, você recebe seu conjunto de dados anotado. Ele pode ser usado para treinar um modelo de machine learning.

Feature Store da Vertex AI

A Feature Store do Vertex AI é um repositório totalmente gerenciado em que é possível ingerir, exibir e compartilhar valores de recursos de ML na sua organização. O Vertex AI Feature Store gerencia toda a infraestrutura de base. Por exemplo, ele fornece recursos de armazenamento e computação para você e pode escalonar facilmente conforme necessário.

Vertex AI Workbench

O Vertex AI Workbench é um ambiente de desenvolvimento baseado em notebook do Jupyter para todo o fluxo de trabalho da ciência de dados. O Vertex AI Workbench permite acessar dados, processar dados em um cluster do Dataproc, treinar um modelo, compartilhar seus resultados e muito mais, tudo isso sem sair da interface do JupyterLab.

Ferramentas para interagir com a Vertex AI

Nesta seção, descrevemos as ferramentas usadas para interagir com o Vertex AI.

O Console do Google Cloud

É possível implantar modelos na nuvem e gerenciar conjuntos de dados, modelos, endpoints e jobs no Console do Cloud. Esta opção apresenta uma interface de usuário para trabalhar com recursos de machine learning. Como parte do Google Cloud, os recursos da Vertex AI estão conectados a ferramentas úteis, como Cloud Logging e Cloud Monitoring. O melhor lugar para começar a usar o Console do Cloud é a página Painel da seção da Vertex AI:

Ir para o Painel

Bibliotecas de cliente do Cloud

A Vertex AI fornece bibliotecas de cliente para algumas linguagens para ajudar você a fazer chamadas para a API AI Platform. As bibliotecas de cliente oferecem uma experiência de desenvolvedor otimizada usando as convenções e os estilos naturais de cada linguagem compatível. Para mais informações sobre as linguagens compatíveis e como instalá-las, consulte Como instalar as bibliotecas de cliente.

Como alternativa, é possível usar as bibliotecas de cliente da API do Google para acessar a API Vertex AI usando outras linguagens, como o Dart. Ao usar as bibliotecas de cliente da API do Google, você cria representações dos recursos e objetos usados pela API. Isso é mais fácil e requer menos código do que trabalhar diretamente com solicitações HTTP.

API REST

A API REST da Vertex AI fornece serviços RESTful para gerenciar jobs, modelos e endpoints, e para fazer previsões com modelos hospedados no Google Cloud.

Deep Learning VM Images

O Deep Learning VM Images é um conjunto de imagens de máquina virtual otimizadas para tarefas de ciência de dados e machine learning. Todas essas imagens vêm com os principais frameworks e ferramentas de ML pré-instalados. É possível usá-los imediatamente em instâncias com GPUs para acelerar as tarefas de processamento de dados.

As imagens de VM de aprendizado profundo podem aceitar muitas combinações de framework e processador. Atualmente, há imagens compatíveis com o TensorFlow Enterprise, o TensorFlow, o PyTorch e a computação de alto desempenho genérica, com versões para fluxos de trabalho somente de CPU e ativados para GPU.

Para ver uma lista de frameworks disponíveis, consulte Como escolher uma imagem.

Para mais informações, consulte Como usar imagens de VM de aprendizado profundo e contêineres de aprendizado profundo com o Vertex AI.

Deep Learning Containers

Os contêineres de aprendizado profundo são um conjunto de contêineres do Docker com os principais frameworks, bibliotecas e ferramentas de ciência de dados pré-instalados. Esses contêineres oferecem ambientes consistentes e otimizados para desempenho que ajudam a prototipar e implementar fluxos de trabalho rapidamente.

Para mais informações, consulte Como usar imagens de VM de aprendizado profundo e contêineres de aprendizado profundo com o Vertex AI.

A seguir