Vertex AI SDK-Klasse – Übersicht

Data Scientists und Entwickler für maschinelles Lernen (ML) verwenden das Vertex AI 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 Vertex AI 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 Basismodell optimieren und eine Texteinbettung erstellen. Eine Texteinbettung ist Text in Form eines Vektors, der zum Suchen nach Elementen verwendet wird. Weitere Informationen finden Sie unter Einführung in Language Model-Klassen im Vertex AI SDK.

Sie können das Vertex AI 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 Vertex AI SDK für Python jetzt ausprobieren möchten, finden Sie hier die entsprechenden Ressourcen:

Das Vertex AI SDK enthält viele Klassen, mit denen Sie die Datenaufnahme automatisieren, Modelle trainieren und Vorhersagen erhalten können. Sie enthält auch Klassen, mit denen Sie Ihren Workflow für maschinelles Lernen (ML) 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 Vertex AI Feature Store funktionieren.
  • Trainingsklassen umfassen Klassen, die mit AutoML-Training für strukturierte und unstrukturierte Daten, benutzerdefiniertem Training, Hyperparameter-Training und Pipeline-Training funktionieren.
  • Modellklassen funktionieren mit Modellen und Modellbewertungen.
  • Vorhersageklassen funktionieren mit Batchvorhersagen, Onlinevorhersagen und Vorhersagen der Vektorsuche.
  • Tracking-Klassen funktionieren mit Vertex ML Metadata, Vertex AI Experiments und Vertex AI TensorBoard.