Auf dieser Seite erhalten Sie einen Überblick über den Workflow zum Trainieren und Verwenden eigener ML-Modelle (Machine Learning) in der Agent Platform. Die Agent Platform bietet eine Reihe von Trainingsmethoden, die Ihren Anforderungen entsprechen, von vollständig automatisiert bis vollständig benutzerdefiniert.
- AutoML: Erstellen Sie hochwertige Modelle mit minimalem technischem Aufwand indem Sie die automatisierten ML-Funktionen von Google nutzen.
- Agent Platform Training Clusters: Führen Sie Ihren benutzerdefinierten Trainingscode in einer vollständig verwalteten On-Demand-Umgebung aus, ohne sich um die Infrastruktur kümmern zu müssen.
- Agent Platform Training Clusters: Führen Sie umfangreiche, leistungsstarke Trainingsjobs in einem dedizierten Cluster von Beschleunigern aus, der ausschließlich für Sie reserviert ist.
- Ray in der Agent Platform: Skalieren Sie Python-Anwendungen und ML-Arbeitslasten mit dem Open-Source-Framework Ray in einem verwalteten Dienst.
Hilfe bei der Entscheidung, welche dieser Methoden verwendet werden sollte, finden Sie unter Trainingsmethode auswählen.
AutoML
Mit AutoML in der Gemini Enterprise Agent Platform können Sie ein codefreies ML-Modell auf Basis der von Ihnen bereitgestellten Trainingsdaten erstellen. AutoML kann Aufgaben wie die Datenvorbereitung, die Modellauswahl, die Hyperparameter-Abstimmung und die Bereitstellung für verschiedene Datentypen und Vorhersageaufgaben automatisieren. So wird ML für eine Vielzahl von Nutzern zugänglicher.
Modelltypen, die Sie mit AutoML erstellen können
Welche Typen Sie erstellen können, hängt vom Typ der Daten ab. Die Gemini Enterprise Agent Platform bietet AutoML-Lösungen für die folgenden Datentypen und Modellziele:
| Datentyp | Unterstützte Ziele |
|---|---|
| Bilddaten | Klassifizierung, Objekterkennung |
| Tabellarische Daten | Klassifizierung/Regression, Prognose |
Weitere Informationen zu AutoML finden Sie unter AutoML-Training – Übersicht.
Benutzerdefinierten Trainingscode in der Agent Platform ausführen
Wenn AutoML Ihre Anforderungen nicht erfüllt, können Sie Ihren eigenen Trainingscode bereitstellen und ihn in der verwalteten Infrastruktur der Agent Platform ausführen. So haben Sie die volle Kontrolle und Flexibilität über die Architektur und die Trainingslogik Ihres Modells und können jedes beliebige ML-Framework verwenden.
Die Agent Platform bietet zwei Hauptmodi zum Ausführen Ihres benutzerdefinierten Trainingscodes: eine serverlose On-Demand-Umgebung oder einen dedizierten, reservierten Cluster.
Agent Platform Training Clusters
Serverloses Training ist ein vollständig verwalteter Dienst, mit dem Sie Ihre benutzerdefinierte Trainingsanwendung ausführen können, ohne Infrastruktur bereitstellen oder verwalten zu müssen.
Sie verpacken Ihren Code in einem Container, definieren Ihre Maschinenspezifikationen (einschließlich CPUs und GPUs) und senden ihn als CustomJob.
Die Agent Platform erledigt den Rest:
- Bereitstellung der Compute-Ressourcen für die Dauer Ihres Jobs
- Ausführung Ihres Trainingscodes
- Löschen der Ressourcen nach Abschluss des Jobs
Dieses nutzungsbasierte On-Demand-Modell ist ideal für Tests, schnelles Prototyping und für Produktionsjobs, die keine garantierte, sofortige Kapazität erfordern.
Weitere Informationen finden Sie unter Benutzerdefinierten serverlosen Trainingsjob erstellen.
Agent Platform Training Clusters
Für umfangreiche, leistungsstarke und geschäftskritische Trainings können Sie einen dedizierten Cluster von Beschleunigern reservieren. So erhalten Sie garantierte Kapazität und vermeiden Warteschlangen, sodass Ihre Jobs sofort gestartet werden.
Sie haben die exklusive Nutzung dieser Ressourcen, aber die Agent Platform übernimmt weiterhin den Betriebsaufwand für die Verwaltung des Clusters, einschließlich der Hardwarewartung und des Betriebssystem-Patchings. Dieser „verwaltete Server“-Ansatz bietet Ihnen die Leistung eines dedizierten Clusters ohne die Komplexität der Verwaltung.
Ray in der Gemini Enterprise Agent Platform
Ray in der Gemini Enterprise Agent Platform ist ein Dienst, mit dem Sie das Open-Source-Framework Ray zum Skalieren von KI- und Python-Anwendungen direkt in der Agent Platform verwenden können. Ray bietet die Infrastruktur für verteiltes Computing und parallele Verarbeitung für Ihren ML-Workflow.
Ray in der Gemini Enterprise Agent Platform bietet eine verwaltete Umgebung zum Ausführen verteilter Anwendungen mit dem Ray-Framework und bietet Skalierbarkeit und Integration mit Google Cloud anderen Diensten.
Weitere Informationen zu Ray in der Gemini Enterprise Agent Platform finden Sie unter Ray in der Gemini Enterprise Agent Platform – Übersicht.