La plate-forme d'agents Gemini Enterprise fournit une suite complète d'outils pour vous aider à créer, entraîner et gérer des modèles de machine learning (ML) à grande échelle. Que vous utilisiez AutoML pour créer rapidement des modèles de haute qualité ou que vous créiez des modèles personnalisés avec des frameworks populaires comme TensorFlow et PyTorch, la plate-forme d'agents opérationnalise l'ensemble du cycle de vie du ML.
Préparation des données
Avant de pouvoir entraîner un modèle, vous devez préparer vos données. Agent Platform fournit des ensembles de données gérés pour simplifier ce processus.
Les ensembles de données gérés vous permettent de fournir des données sources pour l'entraînement des modèles. Ils sont obligatoires pour AutoML et facultatifs pour l'entraînement personnalisé. Vous pouvez créer des ensembles de données pour différents types de données, y compris des données tabulaires et d'images.
Pour en savoir plus, consultez Présentation de la création d'ensembles de données gérés sur la plate-forme d'agents Gemini Enterprise.
Entraînement du modèle
Agent Platform fournit un service d'entraînement géré qui vous aide à opérationnaliser l'entraînement de modèles à grande échelle.
Vous pouvez exécuter des applications d'entraînement basées sur n'importe quel framework de ML sur l'infrastructure Google Cloud. La plate-forme d'agents offre également une compatibilité intégrée avec les frameworks populaires tels que PyTorch, TensorFlow, scikit-learn et XGBoost.
Voici quelques-uns des principaux avantages de l'entraînement sans serveur :
- Infrastructure de calcul entièrement gérée : entraînez des modèles sans provisionner ni gérer de serveurs.
- Hautes performances : jobs d'entraînement optimisés qui peuvent offrir des performances plus rapides.
- Entraînement distribué : prise en charge de l'entraînement distribué multinœud pour réduire le temps et les coûts.
- Optimisation des hyperparamètres : découvrez automatiquement les valeurs optimales pour votre modèle.
Pour en savoir plus, consultez la présentation de l'entraînement sans serveur.
Gestion du modèle
Une fois votre modèle entraîné, vous pouvez le gérer dans Model Registry.
Model Registry est un dépôt central dans lequel vous pouvez gérer le cycle de vie de vos modèles de ML. Il vous permet de suivre les versions de modèle, d'évaluer la qualité des modèles et de déployer des modèles pour diffuser des inférences.
Pour en savoir plus, consultez Présentation de Model Registry.
Étapes suivantes
- Créez un ensemble de données géré.
- Découvrez les options de formation.
- En savoir plus sur Model Registry