Introdução ao machine learning na plataforma de agentes do Gemini Enterprise

A plataforma de agentes do Gemini Enterprise oferece um conjunto abrangente de ferramentas para ajudar você a criar, treinar e gerenciar modelos de machine learning (ML) em grande escala. Se você estiver usando o AutoML para um caminho rápido até modelos de alta qualidade ou criando modelos personalizados com frameworks conhecidos, como TensorFlow e PyTorch, a plataforma de agentes operacionaliza todo o ciclo de vida do ML.

Preparação de dados

Antes de treinar um modelo, é necessário preparar os dados. A plataforma do agente fornece conjuntos de dados gerenciados para simplificar esse processo.

Com os conjuntos de dados gerenciados, é possível fornecer dados de origem para treinar modelos. Eles são necessários para o AutoML e opcionais para o treinamento personalizado. É possível criar conjuntos de dados para diferentes tipos de dados, incluindo imagens e dados tabulares.

Para mais informações, consulte Visão geral da criação de conjuntos de dados gerenciados na plataforma de agentes do Gemini Enterprise.

Treinamento de modelos

A Agent Platform oferece um serviço de treinamento gerenciado que ajuda a operacionalizar treinamento de modelo em grande escala.

É possível executar aplicativos de treinamento com base em qualquer framework de ML na infraestrutura do Google Cloud. A plataforma de agente também oferece suporte integrado a frameworks conhecidos, como PyTorch, TensorFlow, scikit-learn e XGBoost.

Os principais benefícios do treinamento sem servidor incluem:

  • Infraestrutura de computação totalmente gerenciada: treine modelos sem provisionar ou gerenciar servidores.
  • Alto desempenho: jobs de treinamento otimizados que podem oferecer desempenho mais rápido.
  • Treinamento distribuído: suporte para treinamento distribuído em vários nós para reduzir tempo e custo.
  • Otimização de hiperparâmetros: descubra automaticamente os valores ideais para seu modelo.

Para mais informações, consulte a visão geral do treinamento sem servidor.

Gerenciamento de modelos

Depois de treinar o modelo, é possível gerenciá-lo no Model Registry.

O Model Registry é um repositório central em que é possível gerenciar o ciclo de vida dos seus modelos de ML. Com ele, é possível rastrear versões de modelos, avaliar a qualidade deles e implantar modelos para veicular inferências.

Para mais informações, consulte Introdução ao Model Registry.

A seguir