Choisir une solution de notebook

Cette page décrit les différences entre les options d'environnement de notebook de Vertex AI afin que vous puissiez choisir l'option la plus adaptée à votre projet.

Vertex AI fournit deux solutions d'environnement de notebook:

Colab Enterprise : environnement de notebook géré et collaboratif avec les fonctionnalités de sécurité et de conformité de Google Cloud. Si les priorités de votre projet sont de collaborer avec d'autres et d'éviter de perdre du temps à gérer l'infrastructure, Colab Enterprise peut être la meilleure option pour vous. Consultez la section Colab Enterprise suivante.
Vertex AI Workbench : environnement basé sur un notebook Jupyter fourni par des instances de machine virtuelle (VM) dotées de fonctionnalités compatibles avec le workflow de data science. Si les priorités de votre projet sont le contrôle et la personnalisation, Vertex AI Workbench peut être la meilleure option. Consultez la section Vertex AI Workbench suivante.

Colab Enterprise

Découvrez quelques-uns des points forts de Colab Enterprise dans les sections suivantes. Pour en savoir plus, consultez la page Présentation de Colab Enterprise.

Partager et collaborer

Colab Enterprise vous permet de partager des notebooks et de collaborer avec d'autres personnes. Vous pouvez partager un notebook avec un seul utilisateur, un groupe Google ou un domaine Google Workspace. Vous contrôlez cet accès via Identity and Access Management (IAM).

Calcul géré

Colab Enterprise vous permet de travailler dans des notebooks sans avoir à gérer l'infrastructure. Colab Enterprise provisionne un environnement d'exécution lorsque vous en avez besoin. Si vous le souhaitez, vous pouvez configurer des environnements d'exécution pour des besoins spécifiques, mais Colab Enterprise les démarre pour vous et les arrête lorsque vous n'en avez plus besoin.

Intégration à la console Google Cloud

Les intégrations de Colab Enterprise aux services Google Cloud facilitent l'utilisation de notebooks qui interagissent avec ces services. Vous pouvez utiliser Colab Enterprise depuis la console Google Cloud, avec des fonctionnalités intégrées à Vertex AI et BigQuery.

Écrire du code avec l'assistance de Gemini

Vous pouvez utiliser Gemini dans Vertex AI, un produit du portefeuille Gemini pour Google Cloud, pour vous aider à écrire et à générer du code dans un notebook Vertex AI. Gemini dans Vertex AI peut générer des suggestions de complétion de code lorsque vous tapez du texte dans une cellule de code. Vous pouvez également utiliser l'outil M'aider à coder pour générer du code à partir d'une description de ce que vous voulez. Pour en savoir plus, consultez la section Écrire du code avec l'assistance de Gemini.

Vertex AI Workbench

Découvrez quelques-uns des points forts de Vertex AI Workbench dans les sections suivantes. Pour plus d'informations, consultez la Présentation de Vertex AI Workbench.

Types d'instances

Vertex AI Workbench fournit plusieurs types d'instances basés sur un notebook Jupyter pour votre workflow de data science:

Instances Vertex AI Workbench : option qui combine les intégrations orientées workflow d'une instance de notebooks gérés et la personnalisation d'une instance de notebooks gérés par l'utilisateur..
Instances de notebooks gérés Vertex AI Workbench (obsolète) : environnements gérés par Google avec des intégrations et des caractéristiques qui vous aident à configurer et à utiliser un environnement de production de bout en bout basé sur des notebooks.
Notebooks Vertex AI Workbench gérés par l'utilisateur (obsolète) : instances Deep Learning VM Image hautement personnalisables et donc idéales pour les utilisateurs qui ont besoin de beaucoup de contrôle sur leur environnement.

Toutes les options de Vertex AI Workbench fournissent les éléments suivants :

Pré-installé avec JupyterLab.
Une suite préinstallée de packages de deep learning, y compris la prise en charge des frameworks TensorFlow et PyTorch.
Compatibilité avec les accélérateurs GPU.
La possibilité de synchroniser avec un dépôt GitHub.
Authentification et autorisation Google Cloud.

Instances Vertex AI Workbench

Les instances Vertex AI Workbench peuvent être un bon choix si vous avez besoin des intégrations orientées workflow des notebooks gérés et de la personnalisation des notebooks gérés par l'utilisateur.

Ajouter des environnements Conda

Les instances Vertex AI Workbench utilisent des noyaux basés sur des environnements Conda. Vous pouvez ajouter un environnement Conda à votre instance Vertex AI Workbench. L'environnement apparaît comme un noyau dans l'interface JupyterLab de votre instance.

L'ajout d'environnements Conda vous permet d'utiliser des noyaux qui ne sont pas disponibles dans l'instance Vertex AI Workbench par défaut. Par exemple, vous pouvez ajouter des environnements Conda pour R et Apache Beam. Vous pouvez également ajouter des environnements Conda à d'anciennes versions spécifiques des frameworks disponibles, tels que TensorFlow, PyTorch ou Python.

Pour en savoir plus, consultez Ajouter un environnement Conda.

Accès aux données

Vous pouvez travailler plus efficacement en accédant à vos données sans quitter l'interface JupyterLab.

Dans le menu de navigation de JupyterLab d'une instance Vertex AI Workbench, vous pouvez utiliser l'intégration Cloud Storage pour parcourir les données et les autres fichiers auxquels vous avez accès.

Toujours depuis le menu de navigation, vous pouvez utiliser l'intégration de BigQuery pour parcourir les tables auxquelles vous avez accès, écrire des requêtes, prévisualiser les résultats et charger des données dans votre notebook.

Exécutions de notebook automatisées

Vous pouvez configurer un notebook pour qu'il s'exécute selon un calendrier récurrent. Même lorsque votre instance est arrêtée, Vertex AI Workbench va exécuter votre fichier notebook et enregistrer les résultats, que vous pouvez consulter et partager avec d'autres utilisateurs.

Arrêt automatisé pour les instances inactives

Pour vous aider à gérer les coûts, vous pouvez configurer votre instance Vertex AI Workbench de sorte qu'elle s'arrête après une période d'inactivité spécifique. Pour en savoir plus, consultez la section Arrêt en cas d'inactivité.

Conteneurs personnalisés

Vous pouvez créer une instance Vertex AI Workbench basée sur un conteneur personnalisé. Commencez avec une image de conteneur de base fournie par Google, puis modifiez-la selon vos besoins. Créez ensuite une instance basée sur votre conteneur personnalisé.

Pour en savoir plus, consultez la page Créer une instance à l'aide d'un conteneur personnalisé.

Utiliser des identifiants tiers

Vous pouvez créer et gérer des instances Vertex AI Workbench avec des identifiants tiers fournis par la fédération des identités des employés. La fédération des identités des employés utilise votre fournisseur d'identité externe (IdP) pour accorder à un groupe d'utilisateurs l'accès aux instances Vertex AI Workbench via un proxy.

Pour en savoir plus, consultez la section Créer une instance avec des identifiants tiers.

Surveillance de l'état

Pour vous assurer que votre instance Vertex AI Workbench fonctionne correctement, vous pouvez surveiller l'état de fonctionnement.

Instances de VM deep learning modifiables

Vertex AI Workbench fournit des méthodes d'API permettant de modifier la VM sous-jacente via l'API Notebooks.

Notebooks gérés par Vertex AI Workbench

Les notebooks gérés constituent généralement un bon choix si vous souhaitez utiliser un notebook pour l'exploration, l'analyse ou la modélisation de données, ou dans le cadre d'un workflow de data science de bout en bout.

Les instances de notebooks gérés vous permettent d'effectuer des tâches axées sur les workflows sans quitter l'interface JupyterLab. Elles disposent également de nombreuses intégrations et fonctionnalités pour implémenter votre workflow de data science.

Voici quelques-unes des intégrations et fonctionnalités incluses dans les notebooks gérés.

Contrôler votre matériel et votre framework à partir de JupyterLab

Dans une instance de notebooks gérés, c'est dans votre interface JupyterLab que vous déterminez les ressources de calcul (par exemple, le nombre de processeurs virtuels ou de GPU et la quantité de RAM) avec lesquelles votre code s'exécutera et le framework dans lequel vous souhaitez l'exécuter. Vous pouvez commencer par écrire votre code, puis choisir la façon de l'exécuter sans avoir à quitter JupyterLab ou à redémarrer votre instance. Pour tester rapidement votre code, vous pouvez procéder à un scaling à la baisse de votre matériel, puis à un scaling à la hausse pour exécuter votre code avec davantage de données.

Conteneurs personnalisés

Votre instance de notebooks gérés comprend un grand nombre de frameworks de data science courants, tels que TensorFlow et PyTorch, mais vous pouvez également ajouter des images de conteneur Docker personnalisées à votre instance. Vos conteneurs personnalisés apparaissent sous forme de noyau dans l'interface JupyterLab de votre instance.

Pour en savoir plus, consultez la page Ajouter un conteneur personnalisé à une instance de notebooks gérés.

Accès aux données

Vous pouvez accéder à vos données sans quitter l'interface JupyterLab.

Dans le menu de navigation de JupyterLab d'une instance de notebooks gérés, vous pouvez utiliser l'intégration Cloud Storage pour parcourir les données et les autres fichiers auxquels vous avez accès.

Exécutions de notebook automatisées

Intégration de Dataproc

Vous pouvez traiter les données rapidement en exécutant un notebook sur un cluster Dataproc. Une fois votre cluster configuré, vous pouvez exécuter un fichier notebook sur celui-ci sans quitter l'interface JupyterLab.

Arrêt automatisé pour les instances inactives

Pour vous aider à gérer les coûts, vous pouvez configurer votre instance de notebooks gérés de sorte qu'elle s'arrête après une période d'inactivité spécifique. Pour en savoir plus, consultez la section Arrêt en cas d'inactivité.

Notebooks Vertex AI Workbench gérés par l'utilisateur

Les notebooks gérés par l'utilisateur peuvent être un bon choix pour les utilisateurs ayant besoin d'une personnalisation poussée ou de davantage de contrôle sur leur environnement.

Instances Deep Learning VM personnalisables

Les instances de notebooks gérés par l'utilisateur sont des instances Deep Learning VM. Vous choisissez des détails spécifiques sur votre instance de machine virtuelle (VM) lorsque vous créez votre instance de notebooks gérés par l'utilisateur. Par exemple, vous pouvez sélectionner le type de machine et le framework de votre instance de notebooks gérés par l'utilisateur lors de sa création. Vous pouvez modifier le type de machine de votre instance après sa création, bien que cela nécessite un redémarrage de l'instance.

Sur l'instance de notebooks gérés par l'utilisateur, vous pouvez effectuer des modifications manuelles, telles que la mise à jour des versions de logiciels et de packages. La modification du framework sur votre instance est un processus plus complexe.

Étant donné que les instances de notebooks gérés par l'utilisateur sont exposées en tant qu'instances Compute Engine, vous pouvez pas les personnaliser de la même manière que les instances Compute Engine. Pour en savoir plus, consultez la documentation Compute Engine.

Mise en réseau et sécurité

Pour les utilisateurs ayant des besoins spécifiques en matière de réseau et de sécurité, les notebooks gérés par l'utilisateur peuvent être la meilleure option.

Les notebooks gérés par l'utilisateur et les notebooks gérés sont compatibles avec VPC Service Controls, mais vous disposez d'un meilleur contrôle sur la VM d'une instance de notebooks gérés par l'utilisateur. Cela facilite la configuration manuelle des instances de notebooks gérés par l'utilisateur pour répondre à certains besoins spécifiques de mise en réseau et de sécurité.

Surveillance de l'état

Pour vous assurer que votre instance de notebooks gérés par l'utilisateur fonctionne correctement, vous pouvez surveiller l'état de fonctionnement.

Étapes suivantes

Pour commencer, créez l'un des éléments suivants :