Gemini Enterprise Agent Platform offre una suite completa di strumenti per aiutarti a creare, addestrare e gestire modelli di machine learning (ML) su larga scala. Che tu utilizzi AutoML per un percorso rapido verso modelli di alta qualità o crei modelli personalizzati con framework popolari come TensorFlow e PyTorch, Agent Platform rende operativo l'intero ciclo di vita del machine learning.
Preparazione dei dati
Prima di poter addestrare un modello, devi preparare i dati. Agent Platform fornisce set di dati gestiti per semplificare questo processo.
I set di dati gestiti ti consentono di fornire i dati di origine per l'addestramento dei modelli. Sono obbligatori per AutoML e facoltativi per l'addestramento personalizzato. Puoi creare set di dati per diversi tipi di dati, inclusi dati tabellari e immagini.
Per saperne di più, consulta Panoramica della creazione di set di dati gestiti sulla piattaforma Gemini Enterprise Agent.
Addestramento del modello
Agent Platform fornisce un servizio di addestramento gestito che ti aiuta a rendere operativo l'addestramento di modelli su larga scala.
Puoi eseguire applicazioni di addestramento basate su qualsiasi framework di ML sull'infrastruttura Google Cloud. Agent Platform offre anche il supporto integrato per i framework più diffusi come PyTorch, TensorFlow, scikit-learn e XGBoost.
I principali vantaggi dell'addestramento serverless includono:
- Infrastruttura di computing completamente gestita: addestra i modelli senza eseguire il provisioning o la gestione dei server.
- Rendimento elevato: job di addestramento ottimizzati che possono fornire prestazioni più rapide.
- Addestramento distribuito: supporto per l'addestramento distribuito su più nodi per ridurre tempi e costi.
- Ottimizzazione degli iperparametri: scopri automaticamente i valori ottimali per il tuo modello.
Per saperne di più, consulta la panoramica dell'addestramento serverless.
Gestione del modello
Dopo aver addestrato il modello, puoi gestirlo nel registro dei modelli.
Model Registry è un repository centrale in cui puoi gestire il ciclo di vita dei tuoi modelli ML. Ti consente di monitorare le versioni del modello, valutare la qualità del modello ed eseguire il deployment dei modelli per la gestione delle inferenze.
Per ulteriori informazioni, consulta Introduzione a Model Registry.