Cette page présente le workflow d'entraînement et d'utilisation de vos propres modèles de machine learning (ML) sur Agent Platform. Agent Platform propose un éventail de méthodes d'entraînement conçues pour répondre à vos besoins, allant de l'entièrement automatisée à l'entièrement personnalisée.
- AutoML : créez des modèles de haute qualité avec un minimum d'efforts techniques en tirant parti des fonctionnalités de ML automatisées de Google.
- Entraînement sans serveur Gemini Enterprise Agent Platform : exécutez votre code d'entraînement personnalisé dans un environnement entièrement géré et à la demande sans vous soucier de l'infrastructure.
- Clusters d'entraînement Gemini Enterprise Agent Platform : exécutez des jobs d'entraînement à grande échelle et hautes performances sur un cluster d'accélérateurs dédié et réservé à votre usage exclusif.
- Ray sur Agent Platform : mettez à l'échelle des applications Python et des charges de travail de ML à l'aide de le framework Ray Open Source sur un service géré.
Pour obtenir de l'aide dans votre choix de ces méthodes, consultez la page Choisir une méthode d'entraînement.
AutoML
AutoML sur Gemini Enterprise Agent Platform vous permet de créer un modèle de ML sans code à partir des données d'entraînement que vous fournissez. AutoML peut automatiser des tâches telles que la préparation des données, la sélection des modèles, le réglage des hyperparamètres et le déploiement pour différents types de données et tâches de prédiction, ce qui peut rendre le ML plus accessible à un large éventail d'utilisateurs.
Types de modèles que vous pouvez créer à l'aide d'AutoML
Les types de modèles que vous pouvez créer dépendent du type de données dont vous disposez. Gemini Enterprise Agent Platform propose des solutions AutoML pour les types de données et les objectifs de modèle suivants :
| Type de données | Objectifs possibles |
|---|---|
| Données d'image | Classification et détection d'objets |
| Données tabulaires | Classification/Régression et prévision |
Pour en savoir plus sur AutoML, consultez la présentation de l'entraînement AutoML.
Exécuter du code d'entraînement personnalisé sur Agent Platform
Si AutoML ne répond pas à vos besoins, vous pouvez fournir votre propre code d'entraînement et l'exécuter sur l'infrastructure gérée d'Agent Platform. Vous bénéficiez ainsi d'un contrôle total et d'une flexibilité totale sur l'architecture et la logique d'entraînement de votre modèle, ce qui vous permet d'utiliser le framework de ML de votre choix.
Agent Platform propose deux modes principaux pour exécuter votre code d'entraînement personnalisé : un environnement sans serveur à la demande ou un cluster dédié et réservé.
Entraînement sans serveur Gemini Enterprise Agent Platform
L'entraînement sans serveur est un service entièrement géré qui vous permet d'exécuter votre application d'entraînement personnalisée sans provisionner ni gérer d'infrastructure.
Vous empaquetez votre code dans un conteneur, définissez les spécifications de votre machine (y compris les processeurs et les GPU), puis vous l'envoyez en tant que CustomJob.
Agent Platform s'occupe du reste :
- Provisionnement des ressources de calcul pendant la durée de votre tâche.
- Exécution de votre code d'entraînement.
- Suppression des ressources une fois la tâche terminée.
Ce modèle à la demande et à l'utilisation est idéal pour les tests, le prototypage rapide et les tâches de production qui ne nécessitent pas de capacité garantie et instantanée.
Pour en savoir plus, consultez Créer une tâche personnalisée d'entraînement sans serveur.
Clusters d'entraînement Gemini Enterprise Agent Platform
Pour l'entraînement à grande échelle, hautes performances et critique, vous pouvez réserver un cluster d'accélérateurs dédié. Cela garantit la capacité et élimine les files d'attente, ce qui permet à vos tâches de démarrer immédiatement.
Bien que vous utilisiez ces ressources de manière exclusive, Agent Platform gère toujours les frais opérationnels liés à la gestion du cluster, y compris la maintenance matérielle et l'application de correctifs à l'OS. Cette approche "avec serveur géré" vous offre la puissance d'un cluster dédié sans la complexité de la gestion.
Ray sur Vertex AI
Ray sur Vertex AI est un service qui vous permet d'utiliser le framework Ray Open Source pour mettre à l'échelle des applications d'IA et Python directement dans Agent Platform. Ray est conçu pour fournir l'infrastructure nécessaire aux opérations de calculs distribuées et de traitement en parallèle pour votre workflow de ML.
Ray sur Vertex AI fournit un environnement géré pour exécuter des applications distribuées à l'aide du framework Ray, offrant une évolutivité et une intégration avec les Google Cloud services.
Pour en savoir plus sur Ray sur Vertex AI, consultez la présentation de Ray sur Vertex AI .