Vertex AI
使用全代管式机器学习工具更快地构建、部署和扩缩机器学习 (ML) 模型，以用于任何使用场景。
新客户可获得 $300 赠金，用于抵扣 Vertex AI 的相关费用。
-
利用统一数据和 AI 平台以及针对预训练模型和自定义模型的工具加快机器学习速度
-
利用模型库和 Generative AI Studio 快速、负责任地构建生成式 AI 应用
-
实施 MLOps 做法，高效地扩缩、管理、监控和控制机器学习工作负载
-
利用经过优化的基础架构缩短训练时间并降低费用
-
查看 Vertex AI 文档了解详情
优势
使用生成式 AI 进行构建
通过模型库中对开发者友好的 API，轻松访问各种基础模型。 使用 Generative AI Studio 自定义、追加训练和优化模型，以满足您的需求。
加快模型投入生产的速度
借助专门用于训练、调节和部署机器学习模型的工具，数据科学家可以提高工作效率。经过优化的 AI 基础架构有助于缩短训练时间并降低费用。
自信地管理您的模型
使用 MLOps 工具来消除模型维护的复杂性，例如，使用 Vertex AI Pipelines 来简化机器学习流水线的运行，使用 Vertex AI Feature Store 来提供和使用 AI 技术作为机器学习特征。
主要特性
一个 AI 平台，提供您需要的所有机器学习工具
选择符合您需求的模型
利用模型库快速启动您的机器学习项目，模型库提供了一个集中访问各种 API、基础模型和开源模型的平台。启动各种工作流，包括直接使用模型、在 Generative AI Studio 中调整模型，或将模型部署到数据科学笔记本。
端到端 MLOps
Vertex AI 为数据科学家和机器学习工程师提供了专用工具，帮助他们在整个开发生命周期内高效、负责任地自动执行、标准化和管理机器学习项目。 借助 Vertex AI，您可以轻松地大规模训练、测试、监控、部署和管理机器学习模型，从而减少生产中的模型性能维护工作，让数据科学家和机器学习工程师专注于创新代码。
数据和 AI 集成
通过 Vertex AI Workbench，Vertex AI 与 BigQuery、Dataproc 和 Spark 原生集成。您可以使用 BigQuery ML 针对现有商业智能工具和电子表格使用标准 SQL 查询在 BigQuery 中创建和执行机器学习模型，也可以将数据集从 BigQuery 直接导出到 Vertex AI Workbench 并从那里运行您的模型。使用 Vertex Data Labeling 为您的数据收集生成高度准确的标签。
少代码和无代码工具
Vertex AI 提供少代码工具和追加训练功能，让具有不同专业背景的从业者能够利用机器学习工作负载。 使用 Generative AI Studio 时，开发者可以通过简单的界面针对其应用场景调整和部署基础模型。我们还提供现成的 API，开发者可以用来轻松调用预训练模型，快速解决实际问题。
开放而灵活的 AI 基础架构
借助 Vertex，您可以轻松部署机器学习模型，针对任何应用场景以最优性价比进行预测（也称为推断）。它提供多种多样的机器学习基础架构和模型部署选项，可满足您的所有机器学习推断需求。它是一项全代管式服务，并与 MLOps 工具集成，因此您可以扩缩模型部署、降低推断费用、在生产环境中更有效地管理模型，并减轻运营负担。
“利用 Vertex AI Pipelines，您可以追溯哪个模型在什么时间通过哪些训练集训练，从而帮助您快速找到问题所在，例如添加了错误注解的数据。在这些时刻，MLOps 是我们至关重要的安全保障。”
Hannes Hapke，机器学习工程师，Digits Financial, Inc
阅读案例研究
文档
Vertex AI 的资源和文档
Vertex AI 最佳实践指南
探索有关将 Vertex AI 用于常见使用场景的建议。
机器学习入门：超过 25 项资源（按角色和任务划分）
使用为数据分析师、数据科学家、机器学习工程师和软件工程师推荐的资源，培养和磨练数据科学、机器学习和 AI 方面的技能。
Codelab：Vertex AI Workbench 简介
了解如何使用 Vertex AI Workbench 通过 BigQuery 中的数据训练 TensorFlow 模型。
确保安全且合规部署的 Vertex AI 基础架构
保护和启用 Vertex AI 平台，将其作为生产工作负载的端到端机器学习/AI 平台。
示例笔记本
使用按 Vertex AI 服务整理的官方笔记本进行实践。
Python 版 Vertex AI SDK
使用 Python SDK 训练、评估模型并将其部署到 Vertex AI。
MLOps 从业人员指南
本白皮书为机器学习的持续交付和自动化提供了一个框架，并在实践中解决了 MLOps 系统的具体细节。
Vertex Data Labeling
Vertex Data Labeling 可让您与人工标注者合作，为可在机器学习模型中使用的数据集合生成高度准确的标签。
使用场景
探索利用 Vertex AI 的常见方式
Vertex AI 可帮助您完成从笔记本代码到云端部署的模型的整个历程。从数据到训练、批量或在线预测、调节、扩缩和实验跟踪，Vertex AI 可提供您需要的所有工具。
Vertex AI 支持您的数据准备流程。您可以从 BigQuery 和 Cloud Storage 注入数据，并利用 Vertex AI Data Labeling 为高质量的训练数据添加注解并提高预测准确性。
使用 Vertex AI Feature Store（一个全代管式丰富特征存储库），可提供、共享和重用机器学习特征；Vertex AI Experiments，可跟踪、分析和发现机器学习实验以加快模型选择；Vertex AI TensorBoard，可直观呈现机器学习实验；以及 Vertex AI Pipelines，可通过简化机器学习流水线的构建和运行来简化 MLOps 过程。
通过使用 AutoML 确定图像、表格、文本或视频预测任务的最佳模型架构，或使用 Notebooks 构建自定义模型，无需代码即可构建最先进的 ML 模型。Vertex AI Training 提供全代管式训练服务，Vertex AI Vizier 提供优化的超参数以实现最大的预测准确性。
Vertex AI Prediction 可以轻松地将模型部署到生产环境中，以便通过 HTTP 进行在线服务或进行批量评分的批量预测。您可以将基于任何框架（包括 TensorFlow、PyTorch、scikit 或 XGB）构建的自定义模型部署到 Vertex AI Prediction，并使用内置工具来跟踪模型的性能。
通过 Vertex Explainable AI 获取详细的模型评估指标和特征归因。Vertex Explainable AI 可让您了解每个输入特征对预测的重要性。AutoML Forecasting、Vertex AI Prediction 和 Vertex AI Workbench 都可开箱即用。
借助持续监控功能，您可以轻松主动地监控 Vertex AI Prediction 服务中部署的模型在一段时间内的模型性能。持续监控功能会监控模型的预测性能的信号，并在信号出现偏差时发出提醒、诊断偏差原因、触发模型重新训练流水线或收集相关训练数据。
Vertex ML Metadata 通过自动跟踪 Vertex Pipelines 中所有组件的输入和输出，为您的机器学习工作流进行工件、沿袭和执行跟踪，从而实现更轻松的可审计性和治理。使用 Python SDK 直接通过您的代码跟踪自定义元数据和查询元数据。
所有特性
单个统一工作流中的 MLOps 工具
| Vertex AI 模型库 | 在一个集中的位置搜索、发现 Google 和 Google 合作伙伴提供的丰富基础模型并与之交互，可通过 Vertex AI 获取。 了解详情。 |
| Vertex AI Generative AI Studio | Vertex AI 中的代管式环境，可让您轻松地与基础模型进行交互、调整基础模型以及将其部署到生产环境。 了解详情。 |
| AutoML | 无需编写训练例程，即可轻松开发高质量的自定义机器学习模型。由 Google 最先进的迁移学习和超参数搜索技术提供支持。 |
| Deep Learning VM Image 映像 | 在 Compute Engine 实例中实例化一个内含最热门 AI 框架的虚拟机映像，而无需担心软件兼容性。 |
| Vertex AI Workbench | Vertex AI Workbench 是一个单一环境，供数据科学家完成从实验、部署到管理和监控模型的所有机器学习工作。这是一个基于 Jupyter 的全代管式可扩缩企业级计算基础架构，具备安全控制和用户管理功能。 |
| Vertex AI Matching Engine | 可大规模伸缩、低延迟和经济高效的矢量相似性匹配服务。 |
| Vertex AI Data Labeling | 获得人工标注员提供的高准确度标签，以便改善机器学习模型。 |
| Vertex AI Deep Learning Containers | 在可移植的一致环境中为您的所有 AI 应用快速构建和部署模型。 |
| Vertex Explainable AI | 通过集成到 Vertex AI Prediction、AutoML Tables 和 Vertex AI Workbench 中的可靠、实用性说明，理解模型并在模型预测中建立信任。 |
| Vertex AI Feature Store | 全代管式的丰富特征存储库，用于提供、共享和重复使用机器学习特征。 |
| Vertex ML Metadata | 机器学习工作流的工件、沿袭和执行跟踪，具有简单易用的 Python SDK。 |
| Vertex AI 模型监控 | 针对数据偏移、概念偏移或其他可能需要监控的模型性能突发事件自动发出提醒。 |
| Vertex AI Neural Architecture Search | 借助这项由 Google 领先的 AI 研究提供支持的自动化服务，构建针对特定应用需求的新模型架构，并针对延迟、内存和功耗优化您现有的模型架构。 |
| Vertex AI Pipelines | 使用 TensorFlow Extended 和 Kubeflow Pipelines 构建流水线，并利用 Google Cloud 的代管式服务以可伸缩方式执行并按使用付费。通过详细的元数据跟踪、连续建模和触发模型再训练来简化您的 MLOps。 |
| Vertex AI Prediction | 将模型轻松部署到生产环境中，提供通过 HTTP 的在线服务或进行批量打分的批量预测。Vertex AI Prediction 提供一个统一的框架，可部署在 TensorFlow、scikit 或 XGB 中训练的自定义模型，以及 BigQuery ML 和 AutoML 模型，涵盖各种机器类型和 GPU。 |
| Vertex AI Tensorboard | 这种用于机器学习实验的可视化和跟踪工具包括显示图像、文本和音频数据的模型图。 |
| Vertex AI Training | Vertex AI Training 提供了一组预构建算法，并允许用户使用自己的自定义代码来训练模型。一种全代管式训练服务，适用于需要更大灵活性和自定义的用户，或者适用于在本地或其他云环境中运行培训的用户。 |
| Vertex AI Vizier | 优化超参数以实现最高的预测准确率。 |
此页所列的某项产品或功能目前为预览版。详细了解产品发布阶段。