Ja esat eksperimentējis ar mākslīgā intelekta rīkiem un domājis, kur notiek īstā maģija no sākuma līdz beigām — no tūlītējas pielāgošanas līdz ražošanai ar uzraudzību —, tad par šo jūs pastāvīgi dzirdat. Google Vertex mākslīgais intelekts apvieno modeļu rotaļu laukumus, MLOp darbības, datu savienošanu un vektoru meklēšanu vienā, uzņēmuma līmeņa vietā. Sāciet ar nelielu izpēti, pēc tam mērogojiet. Pārsteidzoši reti ir iespējams iegūt abus zem viena jumta.
Zemāk ir sniegta skaidra pamācība. Mēs atbildēsim uz vienkāršo jautājumu — kas ir Google Vertex mākslīgais intelekts? — un arī parādīsim, kā tas iederas jūsu sistēmā, ko izmēģināt vispirms, kā mainās izmaksas un kad alternatīvas ir saprātīgākas. Piesprādzējieties. Šeit ir daudz iespēju, bet ceļš ir vienkāršāks, nekā izskatās. 🙂
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:
🔗 Kas ir mākslīgā intelekta treneris
Izskaidro, kā mākslīgā intelekta treneri pilnveido modeļus, izmantojot cilvēku sniegtās atsauksmes un marķēšanu.
🔗 Kas ir mākslīgā intelekta arbitrāža: patiesība par šo modes vārdu
Sadala mākslīgā intelekta arbitrāžu, tās biznesa modeli un ietekmi uz tirgu.
🔗 Kas ir simboliskais mākslīgais intelekts: viss, kas jums jāzina
Aptver simboliskā mākslīgā intelekta loģikas spriešanu un to, kā tas atšķiras no mašīnmācīšanās.
🔗 Kāda programmēšanas valoda tiek izmantota mākslīgajam intelektam
Salīdzina Python, R un citas valodas mākslīgā intelekta izstrādei un pētniecībai.
🔗 Kas ir mākslīgais intelekts kā pakalpojums
Izskaidro AIaaS platformas, priekšrocības un to, kā uzņēmumi izmanto mākonī balstītus AI rīkus.
Kas ir Google Vertex mākslīgais intelekts? 🚀
Google Vertex AI ir pilnībā pārvaldīta, vienota platforma pakalpojumā Google Cloud mākslīgā intelekta sistēmu izveidei, testēšanai, ieviešanai un pārvaldībai, aptverot gan klasisko mašīnmācīšanos, gan moderno ģeneratīvo mākslīgo intelektu. Tā apvieno modeļu studiju, aģentu rīkus, cauruļvadus, piezīmju grāmatiņas, reģistrus, uzraudzību, vektoru meklēšanu un ciešu integrāciju ar Google Cloud datu pakalpojumiem [1].
Vienkārši sakot: tā ir vieta, kur jūs veidojat prototipus ar pamatmodeļiem, tos noregulējat, izvietojat drošos galapunktos, automatizējat ar cauruļvadiem un visu uzraugat un pārvaldāt. Svarīgi ir tas, ka tas viss notiek vienuviet, kas ir svarīgāk, nekā šķiet pirmajā dienā [1].
Ātrs reālās pasaules modelis: komandas bieži ieskicē uzdevumus Studio vidē, izveido minimālu piezīmju grāmatiņu, lai pārbaudītu I/O salīdzinājumā ar reāliem datiem, un pēc tam šos resursus pārvērš reģistrētā modelī, galapunktā un vienkāršā cauruļvadā. Otrā nedēļa parasti ir uzraudzība un brīdinājumi. Svarīgi nav varoņdarbi, bet gan atkārtojamība.
Kas padara Google Vertex mākslīgo intelektu lielisku ✅
-
Viens jumts visam dzīves ciklam — prototips studijā, versiju reģistrēšana, izvietošana partijveida vai reāllaika apstrādē, pēc tam noviržu un problēmu uzraudzība. Mazāk sasaistes koda. Mazāk cilņu. Vairāk miega laika [1].
-
Model Garden + Gemini modeļi — atklājiet, pielāgojiet un izvietojiet Google un partneru modeļus, tostarp jaunāko Gemini saimi, teksta un multimodālam darbam [1].
-
Aģentu veidotājs — veidojiet uz uzdevumiem orientētus, daudzpakāpju aģentus, kas var organizēt rīkus un datus ar novērtēšanas atbalstu un pārvaldītu izpildlaiku [2].
-
Cauruļvadi uzticamībai — bezserveru orķestrēšana atkārtojamai apmācībai, novērtēšanai, regulēšanai un izvietošanai. Jūs pateiksieties sev, kad notiks trešā atkārtotā apmācība [1].
-
Vektoru meklēšana plašā mērogā — liela mēroga, zema latentuma vektoru izguve RAG, ieteikumiem un semantiskajai meklēšanai, kas veidota, izmantojot Google ražošanas līmeņa infrastruktūru [3].
-
Funkciju pārvaldība ar BigQuery — uzturiet savus funkciju datus BigQuery un pasniedziet funkcijas tiešsaistē, izmantojot Vertex AI funkciju krātuvi, nedublējot bezsaistes krātuvi [4].
-
Workbench piezīmju grāmatiņas — pārvaldītas Jupyter vides, kas savienotas ar Google mākoņpakalpojumiem (BigQuery, Cloud Storage utt.) [1].
-
Atbildīgas mākslīgā intelekta iespējas — drošības rīki, kā arī nulles datu saglabāšanas vadīklas (ja tās ir atbilstoši konfigurētas) ģeneratīvām darba slodzēm [5].
Galvenās detaļas, kurām jūs patiešām pieskarsieties 🧩
1) Vertex AI Studio — vieta, kur rodas uzvednes 🌱
Atskaņojiet, novērtējiet un pielāgojiet pamata modeļus lietotāja saskarnē. Lieliski piemērots ātrām iterācijām, atkārtoti izmantojamām uzvednēm un nodošanai ražošanai, tiklīdz kaut kas "klikšķ" [1].
2) Model Garden — jūsu modeļu katalogs 🍃
Centralizēta Google un partneru modeļu bibliotēka. Pārlūkojiet, pielāgojiet un izvietojiet ar dažiem klikšķiem — faktisks sākumpunkts, nevis dārgumu medības [1].
3) Aģentu veidotājs — uzticamām automatizācijām 🤝
Aģentiem pārejot no demonstrācijām uz reālu darbu, ir nepieciešami rīki, pamatojums un orķestrēšana. Aģentu veidotājs nodrošina sastatnes (sesijas, atmiņas banku, iebūvētus rīkus, novērtējumus), lai vairāku aģentu pieredze nesabruktu reālās pasaules haosa dēļ [2].
4) Cauruļvadi — jo jūs tāpat atkārtosieties 🔁
Automatizējiet mašīnmācīšanās un mākslīgā intelekta darbplūsmas ar bezservera orķestrētāju. Atbalsta artefaktu izsekošanu un reproducējamas palaišanas — uztveriet to kā CI saviem modeļiem [1].
5) Darbagalds — pārvaldītas piezīmju grāmatiņas bez liekas piepūles 📓
Izveidojiet drošas JupyterLab vides ar ērtu piekļuvi BigQuery, Cloud Storage un citiem resursiem. Noderīgi izpētei, funkciju izstrādei un kontrolētiem eksperimentiem [1].
6) Modeļu reģistrs — versiju veidošana, kas saglabājas 🗃️
Izsekojiet modeļus, versijas, izcelsmi un izvietojiet tos tieši galapunktos. Reģistrs padara datu nodošanu inženieriem daudz vienkāršāku [1].
7) Vektoru meklēšana — RAG, kas neraustās 🧭
Semantiskās izguves mērogošana ar Google ražošanas vektoru infrastruktūru — noderīga tērzēšanai, semantiskajai meklēšanai un ieteikumiem, kur latentums ir lietotājam redzams [3].
8) Funkciju krātuve — saglabājiet BigQuery kā patiesības avotu 🗂️
Pārvaldiet un izmantojiet funkcijas tiešsaistē, izmantojot datus, kas atrodas pakalpojumā BigQuery. Mazāk kopēšanas, mazāk sinhronizācijas darbu, lielāka precizitāte [4].
9) Modeļu uzraudzība — uzticieties, bet pārbaudiet 📈
Ieplānojiet dreifa pārbaudes, iestatiet brīdinājumus un sekojiet līdzi ražošanas kvalitātei. Jums tas būs nepieciešams ikreiz, kad mainās datplūsma [1].
Kā tas iederas jūsu datu kaudzē 🧵
-
BigQuery — apmācieties ar tur esošajiem datiem, nosūtiet partiju prognozes atpakaļ uz tabulām un nosūtiet prognozes uz analītiku vai aktivizāciju lejup pa straumi [1][4].
-
Mākoņkrātuve — glabājiet datu kopas, artefaktus un modeļu rezultātus, neizgudrojot blobu slāni atkārtoti [1].
-
Dataflow & friends — vada pārvaldītu datu apstrādi cauruļvados priekšapstrādei, bagātināšanai vai straumēšanas secinājumiem [1].
-
Galapunkti vai partiju darbi — izvietojiet reāllaika galapunktus lietotnēm un aģentiem vai palaidiet partiju darbus, lai novērtētu veselas tabulas — jūs, visticamāk, izmantosiet abus [1].
Bieži sastopami lietošanas gadījumi, kas patiešām noved pie 🎯
-
Tērzēšana, līdzpiloti un aģenti — ar pamatojumu jūsu datiem, rīku lietošanai un daudzpakāpju plūsmām. Aģentu veidotājs ir izstrādāts uzticamībai, ne tikai jaunumam [2].
-
RAG un semantiskā meklēšana — apvienojiet vektoru meklēšanu ar Gemini, lai atbildētu uz jautājumiem, izmantojot jūsu patentēto saturu. Ātrums ir svarīgāks, nekā mēs izliekamies [3].
-
Prognozējošā mašīnmācīšanās — tabulveida vai attēlu modeļu apmācība, izvietošana galapunktā, nobīdes uzraudzība, atkārtota apmācība ar cauruļvadiem, kad tiek pārsniegtas robežvērtības. Klasiska, bet kritiski svarīga [1].
-
Analītikas aktivizēšana — rakstiet prognozes pakalpojumā BigQuery, veidojiet auditorijas un veiciniet kampaņu vai produktu lēmumu pieņemšanu. Jauks aplis, kurā mārketings satiekas ar datu zinātni [1][4].
Salīdzināšanas tabula — Vertex AI salīdzinājumā ar populārām alternatīvām 📊
Īss pārskats. Nedaudz subjektīvs viedoklis. Paturiet prātā, ka precīzas iespējas un cenas atšķiras atkarībā no pakalpojuma un reģiona.
| Platforma | Labākā auditorija | Kāpēc tas darbojas |
|---|---|---|
| Virsotnes mākslīgais intelekts | Teams pakalpojumā Google Cloud, mākslīgā intelekta un mašīnmācīšanās apvienojums | Vienota studija, cauruļvadi, reģistrs, vektoru meklēšana un spēcīgas BigQuery saites [1]. |
| AWS SageMaker | AWS-first organizācijas, kurām nepieciešama padziļināta mašīnmācīšanās rīku izmantošana | Nobriedis, pilna dzīves cikla mašīnmācīšanās pakalpojums ar plašām apmācības un izvietošanas iespējām. |
| Azure mašīnmācīšanās | Ar Microsoft saskaņota uzņēmuma IT sistēma | Integrēts mašīnmācīšanās dzīves cikls, dizainera lietotāja interfeiss un pārvaldība pakalpojumā Azure. |
| Databricks mašīnmācīšanās | Lakehouse komandas, plūsmas ar lielu piezīmju grāmatiņu skaitu | Spēcīgas uz datiem balstītas darbplūsmas un mašīnmācīšanās iespējas ražošanā. |
Jā, formulējums ir nevienmērīgs — reālas tabulas dažreiz tādas ir.
Izmaksas vienkāršā angļu valodā 💸
Jūs galvenokārt maksājat par trim lietām:
-
Ģeneratīvo izsaukumu modeļa lietojums
-
Aprēķini pielāgotiem apmācības un regulēšanas darbiem.
-
Apkalpo tiešsaistes galapunktiem vai pakešdarbiem.
Lai iegūtu precīzus skaitļus un jaunākās izmaiņas, skatiet Vertex AI un tā ģeneratīvo piedāvājumu oficiālās cenu lapas. Padoms, par kuru vēlāk pateiksieties: pirms jebkādu sarežģītu risinājumu piegādes pārskatiet nodrošināšanas iespējas un kvotas Studio un ražošanas galapunktiem [1][5].
Drošība, pārvaldība un atbildīgs mākslīgais intelekts 🛡️
Vertex AI nodrošina atbildīgas mākslīgā intelekta vadlīnijas un drošības rīkus, kā arī konfigurācijas ceļus, lai panāktu nulles datu saglabāšanu noteiktām ģeneratīvām darba slodzēm (piemēram, atspējojot datu kešatmiņu un atsakoties no konkrētiem žurnāliem, ja piemērojams) [5]. Apvienojiet to ar uz lomām balstītu piekļuvi, privāto tīklu un audita žurnāliem, lai izveidotu atbilstības prasībām draudzīgas versijas [1].
Kad Vertex AI ir perfekts un kad tas ir pārspīlēts 🧠
-
Lieliski piemērots , ja vēlaties vienu vidi gan mākslīgajam intelektam, gan mašīnmācībai, ciešu BigQuery integrāciju un ražošanas ceļu, kas ietver datu plūsmas, reģistru un uzraudzību. Ja jūsu komanda aptver gan datu zinātni, gan lietojumprogrammu inženieriju, koplietotā virsma ir noderīga.
-
Pārspīlēti , ja nepieciešams tikai viegls modeļa izsaukums vai viena mērķa prototips, kam nebūs nepieciešama pārvaldība, pārapmācība vai uzraudzība. Šādos gadījumos pagaidām varētu pietikt ar vienkāršāku API virsmu.
Būsim godīgi: vairums prototipu vai nu iet bojā, vai arī tiem izaug ilkņi. Vertex AI tiek galā ar otro gadījumu.
Ātrā sākšana — 10 minūšu garšas pārbaude ⏱️
-
Atveriet Vertex AI Studio , lai izveidotu prototipu ar modeli un saglabātu dažas jums tīkamas uzvednes. Iesaistiet eksperimentus ar savu reālo tekstu un attēliem [1].
-
Ievietojiet savu labāko uzdevumu minimālistiskā lietotnē vai piezīmju grāmatiņā no Workbench . Jauki un kodolīgi [1].
-
Reģistrējiet lietotnes pamatmodeli vai noregulēto resursu modeļu reģistrā , lai netiktu izmantoti nenosaukti artefakti [1].
-
Izveidojiet cauruļvadu , kas ielādē datus, novērtē izvades un izvieto jaunu versiju aiz aizstājvārda. Atkārtojamība ir labāka par varonību [1].
-
Pievienojiet uzraudzību , lai pamanītu novirzi un iestatītu pamata brīdinājumus. Jūsu nākotnes "es" par to nopirks jums kafiju [1].
Pēc izvēles, bet gudri: ja jūsu lietošanas gadījums ir meklējošs vai pļāpīgs, pievienojiet vektoru meklēšanu un zemējumu jau no pirmās dienas. Tā ir atšķirība starp jauku un pārsteidzoši noderīgu [3].
Kas ir Google Vertex mākslīgais intelekts? — īsā versija 🧾
Kas ir Google Vertex AI? Tā ir Google Cloud universālā platforma AI sistēmu izstrādei, ieviešanai un pārvaldībai — no tūlītējas apstrādes līdz ražošanai — ar iebūvētiem rīkiem aģentiem, cauruļvadiem, vektoru meklēšanai, piezīmju grāmatiņām, reģistriem un uzraudzībai. Tā ir izstrādāta tā, lai palīdzētu komandām strādāt [1].
Alternatīvu apskats — pareizās joslas izvēle 🛣️
Ja jau esat padziļināti iepazinies ar AWS, SageMaker šķitīs vienkārši nepieejama. Azure darbinieki bieži dod priekšroku Azure mašīnmācīšanās valodai . Ja jūsu komanda dzīvo piezīmju grāmatiņās un privātmājās, Databricks mašīnmācīšanās valoda ir lieliska. Neviens no šiem apgalvojumiem nav nepareizs — parasti izšķiroša nozīme ir jūsu datu nozīmīgumam un pārvaldības prasībām.
Bieži uzdotie jautājumi — ātra uguns 🧨
-
Vai Vertex mākslīgais intelekts ir paredzēts tikai ģeneratīvajam mākslīgajam intelektam? Bez Vertex mākslīgā intelekta tiek nodrošināta arī klasiskā mašīnmācīšanās apmācība un apkalpošana ar MLOps funkcijām datu zinātniekiem un mašīnmācīšanās inženieriem [1].
-
Vai varu paturēt BigQuery kā savu galveno krātuvi? Jā — izmantojiet Feature Store, lai uzturētu funkciju datus BigQuery un rādītu tos tiešsaistē, nedublējot bezsaistes krātuvi [4].
-
Vai Vertex mākslīgais intelekts palīdz ar RAG? Yes-Vector Search ir izstrādāta tieši šim nolūkam un integrējas ar pārējo steku [3].
-
Kā es varu kontrolēt izmaksas? Sāciet ar mazumiņu, izmēriet un pārskatiet kvotas/nodrošināšanu un darba slodzes klases cenas pirms mērogošanas [1][5].
Atsauces
[1] Google Cloud — ievads Vertex AI (vienotās platformas pārskats) — lasīt vairāk
[2] Google Cloud — Vertex AI aģentu veidotāja pārskats — lasīt vairāk
[3] Google Cloud — Izmantojiet Vertex AI vektoru meklēšanu ar Vertex AI RAG dzinēju — lasīt vairāk
[4] Google Cloud — Ievads funkciju pārvaldībā pakalpojumā Vertex AI — lasīt vairāk
[5] Google Cloud — klientu datu saglabāšana un nulles datu saglabāšana pakalpojumā Vertex AI — lasīt vairāk