Vertex AI Workbench est un environnement de développement basé sur des notebooks JupyterLab disponible pour l'ensemble de votre workflow de data science. Vous pouvez interagir avec Vertex AI et ses services sur Google Distributed Cloud (GDC) air-gapped à partir d'un notebook d'une instance JupyterLab fournie par Vertex AI Workbench.
Les intégrations et fonctionnalités de Vertex AI Workbench facilitent l'accès à vos données de machine learning, accélèrent le partage et le traitement des données, permettent d'interagir avec les services Vertex AI à l'aide du langage de programmation Python, et plus encore.
Par exemple, Vertex AI Workbench vous permet les opérations suivantes :
- Accéder à vos données de machine learning et les explorer à partir de un notebook JupyterLab.
- Partager votre notebook JupyterLab avec d'autres utilisateurs de votre projet.
- Importer des bibliothèques clientes Vertex AI pour simplifier l'accès par programmation aux API.
- Interagir avec les services Vertex AI, authentifier les requêtes API et utiliser les fonctionnalités Vertex AI à partir de scripts Python.
- Créer une sauvegarde et restaurer les données de votre instance JupyterLab.
- Utiliser un environnement de développement intégré (IDE) pour utiliser les intégrations intégrées des notebooks JupyterLab.
- Configurer un environnement de production de bout en bout basé sur des notebooks.
Instances JupyterLab
Vertex AI Workbench propose des instances JupyterLab avec des intégrations intégrées qui vous aident à configurer un environnement de production de bout en bout basé sur des notebooks. Les instances JupyterLab combinent les intégrations orientées workflow d'une instance gérée avec la personnalisation et le contrôle dont vous avez besoin pour votre environnement.
Vertex AI Workbench inclut des types d'instances préinstallés avec JupyterLab et une suite de packages de deep learning, y compris la compatibilité avec les frameworks TensorFlow et PyTorch. Vous pouvez configurer l'environnement de votre instance JupyterLab en sélectionnant un cluster, une image Docker fournie et en choisissant entre des instances compatibles avec les GPU ou reposant uniquement sur le processeur en fonction de vos besoins. Notez que les images personnalisées ne sont pas compatibles.
Les instances JupyterLab sont protégées par l'authentification et l'autorisation.