Что такое вершинный ИИ?
Vertex AI — это комплексная платформа машинного обучения Google Cloud для специалистов по данным и инженеров по машинному обучению, позволяющая ускорить эксперименты и развертывание машинного обучения.
Платформа объединяет существующие предложения Google Cloud по машинному обучению в единую среду для эффективного создания и управления жизненным циклом проектов машинного обучения.
Google представила Vertex AI в мае 2021 года, об этом было объявлено на Google I/O (Innovation in the Open), проходившем в Маунтин-Вью, Калифорния.
Функции:
• Поддерживает все платформы с открытым исходным кодом — поддерживает все платформы с открытым исходным кодом, такие как TensorFlow, PyTorch и scikit-learn, а также настраиваемые контейнеры для обучения и прогнозирования.
• Унифицированный пользовательский интерфейс для всего рабочего процесса машинного обучения — он объединяет сервисы Google Cloud для создания машинного обучения в рамках единого пользовательского интерфейса и API. Мы можем эффективно обучать и сравнивать модели, используя AutoML или обучение пользовательскому коду. В центральном репозитории моделей хранятся все наши модели, которые можно развернуть на одних и тех же конечных точках.
• Предварительно обученные API — Vertex AI имеет предварительно обученные API для зрения, естественного языка, видео, и они могут быть включены в существующие приложения. Мы также можем создавать новые приложения для таких вариантов использования, как перевод и преобразование речи в текст, а также AutoML, который позволяет разработчикам обучать высококачественные модели в соответствии с потребностями их бизнеса с помощью центрального реестра для всех наборов данных.
- Интеграция. Разработчики могут использовать BigQuery ML для создания и выполнения моделей машинного обучения с использованием стандартных запросов SQL к существующим инструментам и электронным таблицам. В качестве альтернативы мы можем экспортировать наборы данных из BigQuery в Vertex AI для интеграции на протяжении всего жизненного цикла преобразования данных в AI.
Преимущества:
•Гибкий
• Быстрее и автоматически настраиваемые гиперпараметры (интегрированы с Vizer — Google AI Optimizer)
- Сокращение кода
Давайте перейдем к облачной консоли и посмотрим на это.
Vertex AI Панель управления
Создать Набор данных
Мы могли бы создать различные наборы данных в зависимости от нашего варианта использования:
- Набор данных изображения для классификации изображений (с одной или несколькими метками), обнаружения объектов и сегментации изображений
- Табличный набор данных для регрессии или классификации и прогнозирования
- Набор текстовых данных для классификации текста (с одной или несколькими метками), извлечения сущностей, анализа тональности
- Набор видеоданных для распознавания действий, классификации, отслеживания объектов
Пример — Модель классификации изображений с использованием Vertex AI
Используемый набор данных — Flowers dataset от Kaggle.
Загрузите приведенный выше набор данных и сохраните его в своем локальном
Перейдите в облачную консоль в раздел Наборы данных слева и создайте набор данных.
Выберите созданный вами набор данных, теперь мы заполним его тренировочными изображениями.
Импортируйте каждую категорию изображений отдельно и пометьте их соответствующим образом.
После маркировки каждого изображения нажмите «ОБУЧИТЬ НОВУЮ МОДЕЛЬ» справа.
У нас есть различные методы обучения,
- AutoML — встроенный метод Vertex AI, который обеспечивает настройку параметров и выбор наиболее подходящей модели в зависимости от типа данных и варианта использования.
- Edge — это локальное развертывание.
- Индивидуальное обучение, если у нас есть собственный код
На данный момент мы выбираем AutoML
Детали модели — AutoML случайным образом разбивает данные на 80–10–10 для обучения-валидации-теста, мы можем изменить это в зависимости от наших потребностей.
Установите 8 нод-часов в разделе Compute and Pricing и начните с обучения
Вы получите уведомление по электронной почте, как только обучение будет завершено,
Теперь вы можете выбрать обученную модель и оценить ее показатели.
Мы можем видеть точность нашей модели, а матрица путаницы помогает нам понять, где наша модель путает результаты.
Теперь мы можем развернуть модель в конечной точке.
Установите количество вычислительных узлов равным 2 и разверните
И, наконец, после создания конечной точки мы можем протестировать ее, загрузив изображение.
Кроме того, мы также можем делать прогнозы с помощью SDK через REST API или Python.
Поздравляем, вы успешно создали и развернули модель классификации изображений с помощью Vertex AI.
Надеюсь, вы нашли эту статью полезной. Счастливого обучения!