Platform Agen Gemini Enterprise menyediakan serangkaian alat komprehensif untuk membantu Anda membangun, melatih, dan mengelola model machine learning (ML) dalam skala besar. Baik Anda menggunakan AutoML untuk jalur cepat ke model berkualitas tinggi atau membuat model kustom dengan framework populer seperti TensorFlow dan PyTorch, Agent Platform mengoperasionalkan seluruh siklus proses ML.
Persiapan data
Sebelum dapat melatih model, Anda perlu menyiapkan data. Agent Platform menyediakan set data terkelola untuk menyederhanakan proses ini.
Set data terkelola memungkinkan Anda menyediakan data sumber untuk model pelatihan. Data ini diperlukan untuk AutoML dan bersifat opsional untuk pelatihan kustom. Anda dapat membuat set data untuk berbagai jenis data, termasuk data gambar dan tabulasi.
Untuk mengetahui informasi selengkapnya, lihat Ringkasan pembuatan set data terkelola di Platform Agen Gemini Enterprise.
Pelatihan model
Agent Platform menyediakan layanan pelatihan terkelola yang membantu Anda mengoperasikan pelatihan model skala besar.
Anda dapat menjalankan aplikasi pelatihan berdasarkan framework ML apa pun di infrastruktur Google Cloud. Agent Platform juga menawarkan dukungan terintegrasi untuk framework populer seperti PyTorch, TensorFlow, scikit-learn, dan XGBoost.
Manfaat utama pelatihan serverless meliputi:
- Infrastruktur komputasi yang terkelola sepenuhnya: Latih model tanpa menyediakan atau mengelola server.
- Performa tinggi: Tugas pelatihan yang dioptimalkan yang dapat memberikan performa lebih cepat.
- Pelatihan terdistribusi: Dukungan untuk pelatihan terdistribusi multi-node untuk mengurangi waktu dan biaya.
- Pengoptimalan hyperparameter: Temukan nilai optimal untuk model Anda secara otomatis.
Untuk mengetahui informasi selengkapnya, lihat ringkasan pelatihan serverless.
Pengelolaan model
Setelah melatih model, Anda dapat mengelolanya di Model Registry.
Model Registry adalah repositori pusat tempat Anda dapat mengelola siklus proses model ML. Dengan MLflow, Anda dapat melacak versi model, mengevaluasi kualitas model, dan men-deploy model untuk menyajikan inferensi.
Untuk mengetahui informasi selengkapnya, lihat Pengantar Model Registry.