Compare a preparação personalizada do Vertex AI e o Ray no Vertex AI
O Vertex AI oferece duas opções para a preparação personalizada: Vertex AI custom training e Ray on Vertex AI. Esta página fornece contexto para ajudar a escolher entre estas duas opções.
| Vertex AI Training | Ray no Vertex AI | |
|---|---|---|
| Foco | Preparação de modelos personalizados de utilização geral. | Escalabilidade de aplicações de IA e Python, incluindo preparação de modelos, aplicações distribuídas e publicação de modelos. |
| Estrutura subjacente | Suporta várias frameworks de ML: por exemplo, TensorFlow, PyTorch e scikit-learn. | Tira partido do framework Ray de código aberto. Suporta várias frameworks: TensorFlow, PyTorch, scikit-learn e Spark on Ray com RayDP). |
| Flexibilidade | Elevada flexibilidade em termos de código e ambiente. | Elevada flexibilidade para criar aplicações distribuídas; pode usar o código Ray existente com alterações mínimas. |
| Escalabilidade | Suporta a formação distribuída em vários computadores. Oferece recursos de computação escaláveis (CPUs, GPUs e TPUs). | Concebido para uma elevada escalabilidade através das capacidades de computação distribuída do Ray (até 2000 nós). Suporta o ajuste de escala manual e automático. |
| Integração | Integrado com outros serviços do Vertex AI (conjuntos de dados, experiências do Vertex AI e muito mais). | Integra-se com outros Google Cloud serviços, como o Vertex AI Inference e o BigQuery. |
| Facilidade de utilização | Mais fácil de usar para paradigmas de preparação distribuída padrão. | Requer familiaridade com os conceitos da estrutura Ray. |
| Ambiente | Ambiente gerido para executar código de preparação personalizado através de contentores pré-criados ou personalizados. | Ambiente gerido para executar aplicações distribuídas através da framework Ray; simplifica a gestão do cluster do Ray no Vertex AI. |
| Ajuste de hiperparâmetros | Inclui capacidades de aperfeiçoamento de hiperparâmetros. | Simplifica o ajuste de hiperparâmetros com ferramentas para uma otimização eficiente e gestão de experiências. |
| Pipelines de preparação | Suporta fluxos de trabalho de ML complexos com vários passos. | Não aplicável. |
Principais diferenças entre a preparação personalizada do Vertex AI e o Ray no Vertex AI
A preparação personalizada da Vertex AI é um serviço mais abrangente que gere vários métodos de preparação, enquanto o Ray na Vertex AI usa especificamente a framework de computação distribuída do Ray.
| Vertex AI Training | Ray no Vertex AI | |
|---|---|---|
| Foco | Focado principalmente na preparação e programação de modelos. Gerir vários métodos de formação. | Concebido para aplicações Python distribuídas de uso geral, incluindo o processamento de dados, a publicação de modelos e a preparação de escalonamento. |
| Estrutura subjacente | Estão associados às capacidades distribuídas de frameworks de ML específicas (por exemplo, TensorFlow e PyTorch). | Usa o Ray como framework de computação distribuída central. Processa a distribuição de tarefas independentemente da estrutura de ML subjacente usada nas tarefas do Ray. |
| Configuração de recursos | Configure recursos para tarefas de preparação individuais. | Faça a gestão de clusters do Ray em clusters da Vertex AI; o Ray processa a distribuição de tarefas no cluster. |
| Configuração da distribuição | Configure o número e os tipos de réplicas para uma tarefa de preparação específica. | Configure o tamanho e a composição do cluster do Ray na Vertex AI. O agendador do Ray distribui dinamicamente tarefas e atores pelos nós disponíveis. |
| Âmbito da distribuição | Geralmente, focam-se numa única tarefa de preparação potencialmente de longa duração. | Oferece um ambiente de computação distribuída mais persistente e de uso geral, onde pode executar várias tarefas e aplicações distribuídas ao longo do ciclo de vida do cluster Ray. |
Resumo
Se precisar de usar a capacidade da computação distribuída com a framework Ray no Google Cloud ambiente, o Ray no Vertex AI é o serviço a usar. O Ray na Vertex AI pode ser considerado uma ferramenta específica no ecossistema mais amplo da Vertex AI, particularmente útil para cargas de trabalho altamente escaláveis e distribuídas.
Se precisar de uma plataforma gerida mais geral para várias abordagens de preparação de modelos, incluindo opções automáticas, execução de código personalizado e aperfeiçoamento de hiperparâmetros, os serviços de preparação personalizados do Vertex AI mais amplos são úteis.