Die Gemini Enterprise Agent Platform bietet eine umfassende Suite von Tools, mit denen Sie Machine-Learning-Modelle (ML) in großem Maßstab erstellen, trainieren und verwalten können. Ob Sie AutoML für einen schnellen Weg zu hochwertigen Modellen verwenden oder benutzerdefinierte Modelle mit beliebten Frameworks wie TensorFlow und PyTorch erstellen – die Agent Platform unterstützt den gesamten ML-Lebenszyklus.
Datenvorbereitung
Bevor Sie ein Modell trainieren können, müssen Sie Ihre Daten vorbereiten. Die Agent Platform bietet verwaltete Datasets an, um diesen Prozess zu vereinfachen.
Mit verwalteten Datasets können Sie Quelldaten zum Trainieren von Modellen bereitstellen. Sie sind für AutoML erforderlich und für das benutzerdefinierte Training optional. Sie können Datasets für verschiedene Datentypen erstellen, darunter Bild- und tabellarische Daten.
Weitere Informationen finden Sie unter Übersicht: Verwaltete Datasets auf der Gemini Enterprise Agent Platform erstellen.
Modelltraining
Die Agent Platform bietet einen verwalteten Trainingsdienst, mit dem Sie umfangreiches Modelltraining operationalisieren können.
Sie können Trainingsanwendungen basierend auf einem beliebigen ML-Framework in der Google Cloud-Infrastruktur ausführen. Die Agent Platform bietet außerdem integrierte Unterstützung für gängige Frameworks wie PyTorch, TensorFlow, scikit-learn und XGBoost.
Die wichtigsten Vorteile des serverlosen Trainings:
- Vollständig verwaltete Computing-Infrastruktur: Sie können Modelle trainieren, ohne Server bereitstellen oder verwalten zu müssen.
- Hohe Leistung: Optimierte Trainingsjobs, die eine schnellere Leistung ermöglichen.
- Verteiltes Training: Unterstützung für verteiltes Training mit mehreren Knoten, um Zeit und Kosten zu reduzieren.
- Hyperparameter-Optimierung: Optimale Werte für Ihr Modell automatisch ermitteln.
Weitere Informationen finden Sie in der Übersicht über serverloses Training.
Modellverwaltung
Nachdem Sie Ihr Modell trainiert haben, können Sie es in der Model Registry verwalten.
Die Modellregistrierung ist ein zentrales Repository, in dem Sie den Lebenszyklus Ihrer ML-Modelle verwalten können. Damit können Sie Modellversionen verfolgen, die Modellqualität bewerten und Modelle für die Bereitstellung von Inferenzen bereitstellen.
Weitere Informationen finden Sie unter Einführung in Model Registry.