Panoramica della lezione sull'SDK Vertex AI

Data scientist e sviluppatori di machine learning (ML) utilizzano l'SDK Vertex AI per Python per creare, addestrare ed eseguire il deployment di modelli in un flusso di lavoro ML personalizzato. Ciò include la creazione di set di dati e il caricamento dei dati, l'addestramento di un modello ML, il caricamento e l'archiviazione del modello, il deployment del modello, l'esecuzione di job di previsione batch e la gestione di modelli ed endpoint.

L'SDK Vertex AI include anche lezioni per creare soluzioni di IA generativa con modelli di base di testo, codice, chat e incorporamento di testo. Puoi utilizzare queste classi per generare testo, creare un chatbot di testo o di codice, ottimizzare un modello di base e creare un incorporamento di testo. Un incorporamento di testo è un testo sotto forma di vettore utilizzato per cercare elementi. Per maggiori informazioni, consulta Introduzione alle classi dei modelli linguistici nell'SDK Vertex AI.

Puoi usare l'SDK Vertex AI per Python nei blocchi note JupyterLab ospitati all'interno di Vertex AI per scrivere ed eseguire il codice. I blocchi note includono framework ML preinstallati, come TensorFlow e PyTorch. Puoi anche usare altri blocchi note, ad esempio quelli di Colab, o un ambiente di sviluppo a tua scelta che supporta Python.

Se vuoi provare a utilizzare l'SDK Vertex AI per Python in questo momento, consulta le seguenti risorse:

L'SDK Vertex AI include molte classi per aiutarti ad automatizzare l'importazione dei dati, addestrare i modelli e ottenere previsioni. Include inoltre lezioni per aiutarti a monitorare, valutare e ottimizzare il flusso di lavoro di machine learning (ML). Le classi possono essere raggruppate a grandi linee nelle seguenti categorie:

  • Le classi di dati includono corsi che supportano dati strutturati, dati non strutturati e Vertex AI Feature Store.
  • I corsi di addestramento includono quelli che funzionano con l'addestramento AutoML per dati strutturati e non strutturati, l'addestramento personalizzato, l'addestramento degli iperparametri e l'addestramento delle pipeline.
  • Le classi dei modelli funzionano con i modelli e con le relative valutazioni.
  • Le classi di previsione funzionano con previsioni batch, previsioni online e previsioni di Vector Search.
  • Le classi di monitoraggio funzionano con Vertex ML Metadata, Vertex AI Experiments e Vertex AI TensorBoard.