Présentation du machine learning sur Gemini Enterprise Agent Platform (original) (raw)
Gemini Enterprise Agent Platform fournit une suite complète d'outils qui vous aident à créer, entraîner et gérer des modèles de machine learning (ML) à grande échelle. Que vous utilisiez AutoML pour obtenir rapidement des modèles de haute qualité ou que vous créiez des modèles personnalisés avec des frameworks courants tels que TensorFlow et PyTorch, Agent Platform opérationnalise l'ensemble du cycle de vie du ML.
Préparation des données
Avant de pouvoir entraîner un modèle, vous devez préparer vos données. Agent Platform fournit des ensembles de données gérés pour simplifier ce processus.
Les ensembles de données gérés vous permettent de fournir des données sources pour l'entraînement des modèles. Ils sont requis pour AutoML et facultatifs pour l'entraînement personnalisé. Vous pouvez créer des ensembles de données pour différents types de données, y compris des données d'image et tabulaires.
Pour en savoir plus, consultez la présentation de la création d'ensembles de données gérés sur Gemini Enterprise Agent Platform.
Entraînement du modèle
Agent Platform fournit un service d'entraînement géré qui vous aide à opérationnaliser l'entraînement de modèles à grande échelle.
Vous pouvez exécuter des applications d'entraînement basées sur n'importe quel framework de ML sur Google Cloud l'infrastructure. Agent Platform offre également une compatibilité intégrée avec des frameworks courants tels que PyTorch, TensorFlow, scikit-learn et XGBoost.
Voici quelques-uns des principaux avantages de l'entraînement sans serveur :
- Infrastructure de calcul entièrement gérée : entraînez des modèles sans provisionner ni gérer de serveurs.
- Hautes performances : optimisez les jobs d'entraînement pour obtenir des performances plus rapides.
- Entraînement distribué : bénéficiez d'une compatibilité avec l'entraînement distribué sur plusieurs nœuds pour réduire les délais et les coûts.
- Optimisation des hyperparamètres : découvrez automatiquement les valeurs optimales pour votre modèle.
Pour en savoir plus, consultez la présentation de l'entraînement sans serveur.
Gestion du modèle
Une fois votre modèle entraîné, vous pouvez le gérer dans Model Registry.
Model Registry est un dépôt central dans lequel vous pouvez gérer le cycle de vie de vos modèles de ML. Il vous permet de suivre les versions des modèles, d'évaluer leur qualité et de les déployer pour diffuser des inférences.
Pour en savoir plus, consultez la présentation de Model Registry.