本節說明 Vertex AI 服務，協助您在機器學習 (ML) 工作流程中實作機器學習運作 (MLOps)。
模型部署完成後，必須跟上環境中不斷變動的資料，才能發揮最佳效能並與時俱進。MLOps 是一組實務做法，可提升機器學習系統的穩定性和可靠性。
Vertex AI MLOps 工具可協助 AI 團隊協作，並透過預測模型監控、快訊、診斷和可執行的說明，改善模型。所有工具都是模組化設計，因此您可以視需要整合到現有系統中。
如要進一步瞭解機器學習運作，請參閱機器學習的持續推送軟體更新與自動化管線，以及機器學習運作從業人員指南。
協調工作流程：手動訓練及提供模型服務可能相當耗時且容易出錯，尤其當您需要多次重複執行這些程序時。
- Vertex AI Pipelines 可協助您自動化處理、監控及管理機器學習工作流程。
管理及擴充訓練作業：有效管理訓練的運算資源是 MLOps 的核心挑戰，尤其是從實驗擴充到正式環境時。Vertex AI Training 提供彈性的全代管服務，以及適合整個機器學習生命週期的運算選項，可解決上述問題。
如要進行實驗和處理變數工作負載，自訂訓練會使用預設的無伺服器平台，視需求佈建資源，提供最大的彈性。
對於可預測的大規模工作負載，Vertex AI 訓練叢集可透過預留叢集提供專屬的持續性環境，確保資源可用性、提供穩定效能，並協助高用量團隊節省成本。
追蹤機器學習系統中使用的中繼資料：在資料科學中，追蹤機器學習工作流程中使用的參數、構件和指標非常重要，尤其是重複執行工作流程多次時。
- Vertex 機器學習中繼資料可讓您記錄機器學習系統中使用的中繼資料、參數和構件。然後查詢該中繼資料，以利分析、偵錯及稽核 ML 系統或其產生的構件效能。
找出最適合特定用途的模型：嘗試新的訓練演算法時，您需要知道哪個訓練模型的效果最好。
Vertex AI Experiments 可讓您追蹤及分析不同的模型架構、超參數和訓練環境，找出最適合您用途的模型。
Vertex AI TensorBoard 可協助您追蹤、比較及以視覺化方式呈現機器學習實驗，藉此評估模型成效。
管理模型版本：將模型新增至中央存放區，有助於追蹤模型版本。
- Vertex AI Model Registry 會顯示模型總覽，方便您更妥善地整理、追蹤及訓練新版本。您可以在模型登錄中評估模型、將模型部署至端點、建立批次推論，以及查看特定模型和模型版本的詳細資料。
管理特徵：在多個團隊重複使用機器學習特徵時，您需要快速有效率地分享及提供特徵。
- Vertex AI 特徵儲存庫是可供整理、儲存和提供機器學習功能的集中存放區。使用中央特徵儲存庫，機構就能大規模重複使用機器學習特徵，並加快開發及部署新機器學習應用程式的速度。
監控模型品質：在正式環境中部署模型時，模型的推論輸入資料最好與訓練資料相似，才能發揮最佳成效。如果輸入資料與模型訓練資料不同，就算模型本身沒有變動，效能也可能會降低。
- Vertex AI Model Monitoring 會監控模型，偵測訓練/應用偏差和推論偏移，並在傳入的推論資料與訓練基準的偏差過大時傳送快訊。您可以根據快訊和特徵分布情形，評估是否需要重新訓練模型。
擴充 AI 和 Python 應用程式：Ray 是開放原始碼架構，可擴充 AI 和 Python 應用程式。Ray 提供基礎架構，可為機器學習 (ML) 工作流程執行分散式運算和平行處理。
- Vertex AI 中的 Ray 經過精心設計，可讓您使用相同的開放原始碼 Ray 程式碼編寫程式，並在 Vertex AI 上開發應用程式，只需進行極少的變更。然後，您可以使用 Vertex AI 與其他服務的整合功能 (例如 Vertex AI Inference 和 BigQuery)，做為機器學習 (ML) 工作流程的一部分。 Google Cloud