Panoramica della classe SDK Vertex AI

I data scientist e gli sviluppatori di machine learning (ML) utilizzano l'SDK Agent Platform per Python per creare, addestrare ed eseguire il deployment di modelli in un workflow ML personalizzato. Ciò include la creazione di set di dati e il caricamento dei dati, l'addestramento di un modello ML, il caricamento e l'archiviazione del modello, il deployment del modello, l'esecuzione di job di previsione batch e la gestione di modelli ed endpoint.

L'SDK Vertex AI include anche classi per creare soluzioni di AI generativa con modelli di base di testo, codice, chat e text embedding. Puoi utilizzare queste classi per generare testo, creare un chatbot di testo o di codice, ottimizzare un foundation model e creare un text embedding. Un incorporamento di testo è un testo sotto forma di vettore utilizzato per cercare elementi. Per ulteriori informazioni, consulta Introduzione alle classi di modelli linguistici nell'SDK Vertex AI.

Puoi utilizzare l'SDK della piattaforma Agent Platform per Python nei notebook JupyterLab ospitati all'interno della Gemini Enterprise Agent Platform per scrivere ed eseguire il codice. I notebook includono framework di ML preinstallati, come TensorFlow e PyTorch. Puoi anche utilizzare altri notebook, come i notebook di Colab, o un ambiente di sviluppo a tua scelta che supporti Python.

Se vuoi provare subito a utilizzare l'SDK Agent Platform per Python, consulta le seguenti risorse:

L'SDK Vertex AI include molte classi per aiutarti ad automatizzare l'importazione dei dati, addestrare i modelli e ottenere previsioni. Include anche classi per aiutarti a monitorare, valutare e ottimizzare il tuo flusso di lavoro di machine learning (ML). Le classi possono essere raggruppate in modo approssimativo nelle seguenti categorie:

  • Le classi di dati includono classi che funzionano con dati strutturati, dati non strutturati e Vertex AI Feature Store.
  • Le classi di addestramento includono classi che funzionano con l'addestramento AutoML per dati strutturati e non strutturati, addestramento personalizzato, addestramento degli iperparametri e addestramento della pipeline.
  • Le classi di modelli funzionano con i modelli e le valutazioni dei modelli.
  • Le classi di previsione funzionano con le previsioni batch, le previsioni online e le previsioni di ricerca vettoriale.
  • Le classi di monitoraggio funzionano con Vertex ML Metadata, Vertex AI Experiments e Vertex AI TensorBoard.