Agent Platform SDK-Klasse – Übersicht

Data Scientists und ML-Entwickler (Machine Learning) verwenden das Agent Platform SDK für Python, um Modelle in einem benutzerdefinierten ML-Workflow zu erstellen, zu trainieren und bereitzustellen. Dazu gehören das Erstellen von Datasets und Hochladen von Daten, das Trainieren eines ML-Modells, das Hochladen und Speichern des Modells, das Bereitstellen des Modells, das Ausführen von Batchvorhersagejobs sowie das Verwalten der Modelle und Endpunkte.

Das Agent Platform SDK enthält auch Klassen zur Erstellung von generativen KI-Lösungen mit Basismodellen für Text, Code, Chat und Texteinbettung. Mit diesen Klassen können Sie Text generieren, einen Text- oder Code-Chatbot erstellen, ein Foundation Model optimieren und eine Texteinbettung erstellen. Eine Texteinbettung ist Text in Form eines Vektors, mit dem nach Elementen gesucht wird. Weitere Informationen finden Sie unter Sprachmodellklassen des Agent Platform SDK.

Sie können das Agent Platform SDK für Python in einem gehosteten JupyterLab-Notebook in der Gemini Enterprise Agent Platform verwenden, um Code zu schreiben und auszuführen. Die Notebooks enthalten vorinstallierte ML-Frameworks wie TensorFlow und PyTorch. Sie können auch andere Notebooks wie Colab-Notebooks oder eine Entwicklerumgebung Ihrer Wahl verwenden, die Python unterstützt.

Wenn Sie das Agent Platform SDK für Python jetzt ausprobieren möchten, beachten Sie die folgenden Ressourcen:

Das Agent Platform SDK enthält viele Klassen, mit denen Sie die Datenaufnahme automatisieren, Modelle trainieren und Vorhersagen erhalten können. Es enthält auch Klassen, mit denen Sie Ihren ML-Workflow überwachen, bewerten und optimieren können. Die Klassen lassen sich grob in die folgenden Kategorien einteilen:

  • Datenklassen umfassen Klassen, die mit strukturierten Daten, unstrukturierten Daten und dem Feature Store der Gemini Enterprise Agent Platform arbeiten.
  • Trainingsklassen umfassen Klassen, die mit AutoML Training für strukturierte und unstrukturierte Daten, benutzerdefiniertem Training, Hyperparameter-Training und Pipeline-Training arbeiten.
  • Modellklassen funktionieren mit Modellen und Modellbewertungen.
  • Vorhersageklassen funktionieren mit Batchvorhersagen, Online vorhersagen und Vorhersagen der Vektorsuche.
  • Tracking-Klassen funktionieren mit ML-Metadaten der Gemini Enterprise Agent Platform, Experimenten auf der Agent Platform und Vertex AI TensorBoard.