Vertex AI
통합 인공지능 플랫폼 내에서 선행 학습된 도구 및 커스텀 도구를 사용하여 머신러닝 모델을 더 빠르게 빌드, 배포, 확장합니다.
-
Google Research에서 개발한 Google의 기반이 되는 획기적인 ML 도구를 사용하여 빌드
-
커스텀 모델링에 필요한 코드 줄이 80% 줄어 더 많은 모델을 빠르게 배포
-
MLOps 도구를 사용하여 자신 있게 데이터 및 모델을 쉽게 관리하고 규모에 따라 반복
이점
코드 없이 최소한의 전문 지식만 필요로 하는 모델 학습
AutoML을 활용하여 더 짧은 시간에 모델을 빌드하세요. Vertex AI를 컴퓨터 비전, 언어, 구조화된 데이터, 대화용으로 선행 학습된 최신 API와 함께 사용합니다.
커스텀 도구로 고급 ML 모델 빌드
Vertex AI의 커스텀 모델 도구는 고급 ML 코딩을 지원하며, 커스텀 라이브러리로 모델을 학습시키는 데 필요한 코드가 경쟁 플랫폼보다 약 80% 더 적습니다(Codelab 보기).
자신 있게 모델을 관리
Vertex AI의 MLOps 도구는 모델 유지보수의 복잡성을 없애줍니다. 예를 들어 Vertex AI Pipelines을 사용하여 ML 파이프라인 실행을 간소화하고 Vertex AI Feature Store를 사용하여 AI 기술을 ML 기능으로 제공하고 사용할 수 있습니다.
주요 특징
필요한 모든 ML 도구를 갖춘 단일 AI 플랫폼
데이터 및 AI를 위한 엔드 투 엔드 통합
Vertex AI는 Vertex AI Workbench를 통해 기본적으로 BigQuery, Dataproc, Spark와 통합됩니다. BigQuery ML을 사용하여 기존 비즈니스 인텔리전스 도구 및 스프레드시트에서 표준 SQL 쿼리를 사용하여 BigQuery에서 머신러닝 모델을 만들고 실행할 수 있습니다. 또는 데이터 세트를 BigQuery에서 Vertex AI Workbench로 직접 내보내기하여 해당 위치에서 모델을 실행할 수 있습니다. Vertex Data Labeling을 사용하여 데이터 모음에 대한 라벨을 매우 정확하게 생성할 수 있습니다.
모든 오픈소스 프레임워크 지원
Vertex AI는 TensorFlow, PyTorch, scikit-learn과 같이 널리 사용되는 오픈소스 프레임워크와 통합되며, 학습 및 예측용 커스텀 컨테이너를 통해 모든 ML 프레임워크 및 인공지능 브랜치를 지원합니다.
"Vertex Pipelines를 통해 ML 프로토타입에서 프로덕션 모델로 더 빠르게 이동할 수 있으며, 확장 과정에서 ML 인프라가 거래량의 속도에 맞출 수 있을 것이라 확신할 수 있습니다."
하네스 햅키, Digits Financial, Inc ML 엔지니어
우수사례 보기문서
Vertex AI용 리소스 및 문서
AI Simplified 동영상 시리즈
Vertex AI를 사용하여 데이터 세트를 관리하고 AutoML을 사용하여 모델을 빌드 및 학습시키거나, 커스텀 모델을 처음부터 빌드하고, Vertex 파이프라인을 빌드하는 방법을 알아봅니다.
MLOps 실무자 가이드
이 백서에서는 머신러닝의 지속적 배포와 자동화를 위한 프레임워크를 제공하며 실제 MLOps 시스템의 구체적인 세부정보를 다룹니다.
Vertex AI 권장사항 가이드
일반적인 사용 사례에 Vertex AI를 사용하기 위한 권장사항을 살펴보세요.
Vertex Data Labeling
Vertex Data Labeling을 사용하면 수동 라벨러와 협업하여 머신러닝 모델에서 사용할 수 있는 데이터 모음에 대한 라벨을 매우 정확하게 생성할 수 있습니다.
Vertex AI Tabular 워크플로
ML 빌드 및 배포 프로세스의 각 단계를 보고 해석할 수 있는 Glassbox 및 관리형 AutoML 파이프라인
Python용 Vertex AI SDK
Python SDK를 사용하여 모델을 학습, 평가하고 Vertex AI에 배포하세요.
사용 사례
Vertex AI를 활용하는 일반적인 방법 살펴보기
Vertex AI는 데이터 준비 프로세스를 지원합니다. BigQuery 및 Cloud Storage에서 데이터를 수집하고 Vertex AI Data Labeling을 활용하여 고품질 학습 데이터에 주석을 달고 예측 정확성을 개선할 수 있습니다.
풍부한 완전 관리형 특성 저장소인 Vertex AI Feature Store를 사용하여 ML 기능을 제공, 공유, 재사용하고, Vertex AI Experiments를 사용하여 모델을 더 빠르게 선택하기 위해 ML 실험을 추적, 분석, 탐색하고, Vertex AI TensorBoard를 사용하여 ML 실험을 시각화하고, Vertex AI Pipelines를 사용하여 ML 파이프라인의 빌드 및 실행을 간소화하여 MLOps 프로세스를 단순화합니다.
AutoML을 사용하여 이미지, 표 형식, 텍스트 또는 동영상 예측 작업을 위한 최적의 모델 아키텍처를 결정하거나 Notebooks를 사용하여 커스텀 모델을 빌드하여 코드 없이 최첨단 ML 모델을 빌드할 수 있습니다. Vertex AI Training은 완전 관리형 학습 서비스를 제공하며 Vertex AI Vizier는 최적화된 초매개변수를 제공하여 예측 정확성을 극대화합니다.
Vertex AI Prediction을 사용하면 모델을 프로덕션에 쉽게 배포하여 일괄 스코어링을 위해 HTTP 또는 일괄 예측을 통해 모델을 온라인으로 제공할 수 있습니다. 모델 성능을 추적하는 기본 제공 도구를 사용하여 모든 프레임워크(TensorFlow, PyTorch, scikit 또는 XGB 포함)에 빌드된 커스텀 모델을 Vertex AI Prediction에 배포할 수 있습니다.
Vertex Explainable AI를 통해 자세한 모델 평가 측정항목 및 특성 기여 분석을 확인합니다. Vertex Explainable AI는 각 입력 특성이 예측에 얼마나 중요한지를 알려줍니다. AutoML 예측, Vertex AI Prediction, Vertex AI Workbench에서 바로 사용할 수 있습니다.
Vertex AI Edge Manager(실험 단계)는 유연한 API를 통해 에지 추론 및 자동화된 프로세스를 원활하게 배포 및 모니터링하도록 설계되었으며, AI를 프라이빗 및 퍼블릭 클라우드 인프라, 온프레미스 데이터 센터 및 에지 기기에 배포할 수 있도록 지원합니다.
지속적 모니터링은 Vertex AI Prediction 서비스에 배포된 모델의 시간 경과에 따른 모델 성능을 쉽고 능동적으로 모니터링할 수 있도록 합니다. 지속적 모니터링은 모델의 예측 성능의 신호를 모니터링하고, 신호에 편차가 생기면 알림을 주며, 편차의 원인을 진단하고, 모델 재학습 파이프라인을 트리거하거나 관련 학습 데이터를 수집합니다.
Vertex ML Metadata는 ML 워크플로의 아티팩트, 계보, 실행 추적을 위한 Vertex Pipelines의 모든 구성요소에 대한 입력 및 출력을 자동으로 추적하여 감사 기능과 거버넌스를 용이하게 해줍니다. Python SDK를 사용하여 코드에서 직접 커스텀 메타데이터를 추적하고 메타데이터를 쿼리합니다.
모든 특징
단일 통합 워크플로 내 MLOps 도구
AutoML | 학습 루틴을 작성하지 않고 고품질 커스텀 머신러닝 모델을 손쉽게 개발할 수 있습니다. Google의 최첨단 전이 학습 및 초매개변수 검색 기술을 기반으로 합니다. |
딥 러닝 VM 이미지 | 소프트웨어 호환성에 대한 걱정 없이 Compute Engine 인스턴스에서 가장 널리 사용되는 AI 프레임워크가 포함된 VM 이미지를 인스턴스화합니다. |
Vertex AI Workbench | Vertex AI Workbench는 데이터 과학자가 실험부터 배포, 모델 관리 및 모니터링까지 모든 ML 작업을 완료할 수 있는 단일 환경입니다. Jupyter 기반의 확장 가능한 완전 관리형 엔터프라이즈 지원 컴퓨팅 인프라로 보안 제어 및 사용자 관리 기능을 제공합니다. |
Vertex AI Matching Engine | 대규모 확장성, 짧은 지연 시간, 비용 효율적인 벡터 유사성 일치 서비스입니다. |
Vertex AI Data Labeling | 머신러닝 모델을 개선하기 위해 사람이 수행하는 라벨링 작업을 통해 매우 정확한 라벨을 확보합니다. |
Vertex AI Deep Learning Containers | 모든 AI 애플리케이션을 위한 이식 가능하고 일관된 환경에서 모델을 빠르게 빌드하고 배포합니다. |
Vertex AI Edge Manager | 유연한 API를 통해 에지 추론 및 자동화된 프로세스를 원활하게 배포하고 모니터링합니다. |
Vertex Explainable AI | Vertex AI Prediction, AutoML Tables, Vertex AI Workbench에 강력하고 실행 가능한 설명을 통해 모델 예측을 이해하고 신뢰를 구축하세요. |
Vertex AI Feature Store | ML 기능을 제공, 공유, 재사용할 수 있는 풍부한 완전 관리형 특성 저장소입니다. |
Vertex ML 메타데이터 | 쉽게 사용할 수 있는 Python SDK를 통해 ML 워크플로의 아티팩트, 계보, 실행을 추적합니다. |
Vertex AI Model Monitoring | 감독이 필요할 수 있는 데이터 편향, 개념 편향 또는 기타 모델 성능 이슈에 대한 자동화된 알림입니다. |
Vertex AI Neural Architecture Search | Google의 선도적인 AI 연구를 통해 제공되는 이 자동화된 서비스를 통해 애플리케이션별 요구 사항을 타겟팅하는 새로운 모델 아키텍처를 구축하고 지연 시간, 메모리, 전력에 맞게 기존 모델 아키텍처를 최적화하세요. |
Vertex AI Pipelines | TensorFlow Extended 및 Kubeflow Pipelines를 사용하여 파이프라인을 빌드하고 Google Cloud의 관리형 서비스를 활용하여 확장 가능한 방식으로 실행하고 사용별 비용을 지불합니다. 자세한 메타데이터 추적, 지속적 모델링, 트리거된 모델 재학습을 통해 MLOps를 간소화하세요. |
Vertex AI Prediction | 일괄 스코어링을 위해 HTTP 또는 일괄 예측을 통한 온라인 제공으로 모델을 프로덕션에 더 쉽게 배포할 수 있습니다. Vertex AI Prediction은 TensorFlow, scikit 또는 XGB뿐만 아니라 BigQuery ML 및 AutoML 모델, 광범위한 머신 유형 및 GPU에서 학습된 커스텀 모델을 배포하기 위한 통합 프레임워크를 제공합니다. |
Vertex AI Tensorboard | ML 실험용 시각화 및 추적 도구에는 이미지, 텍스트, 오디오 데이터를 표시하는 모델 그래프가 포함되어 있습니다. |
Vertex AI Training | Vertex AI Training은 사전 빌드된 알고리즘 세트를 제공하며 사용자는 커스텀 코드를 가져와 모델을 학습시킬 수 있습니다. 더 높은 유연성과 맞춤설정이 필요한 사용자 또는 온프레미스 또는 다른 클라우드 환경에서 학습을 실행하는 사용자를 위한 완전 관리형 학습 서비스입니다. |
Vertex AI Vizier | 최적화된 초매개변수를 통해 예측 정확성을 극대화합니다. |
가격 책정
이 페이지에 나열된 제품이나 기능은 미리보기 버전입니다. 제품 출시 단계 자세히 알아보기