Agent Platform-Notebook-Anleitungen

Dieses Dokument enthält eine Liste der verfügbaren Notebookanleitungen für die Gemini Enterprise Agent Platform. Diese End-to-End-Anleitungen unterstützen Sie beim Einstieg in die Agent Platform und geben Ihnen Ideen zur Implementierung eines bestimmten Projekts.

Es gibt viele Umgebungen, in denen Sie Notebooks hosten können. Sie können sie mit einem Dienst wie Colaboratory (Colab), Colab Enterprise oder Gemini Enterprise Agent Platform Workbench in der Cloud ausführen. Alternativ können Sie die Notebooks von GitHub herunterladen und auf Ihrem lokalen Computer oder in einer JupyterLab-Implementierung in Ihrem lokalen Netzwerk ausführen.

Colab

Klicken Sie zum Öffnen einer Notebookanleitung in Colab auf den Link Colab in der Notebookliste. Colab erstellt eine VM-Instanz mit allen benötigten Abhängigkeiten, startet die Colab-Umgebung und lädt das Notebook.

Colab Enterprise

So öffnen Sie eine Notebookanleitung in Colab Enterprise:

1. Google Cloud -Projekt einrichten und erforderliche APIs aktivieren
2. Klicken Sie in der Notebookliste auf den Link Colab Enterprise. Das Notebook wird in Colab Enterprise geladen.

Agent Platform Workbench

So öffnen Sie eine Notebookanleitung in Agent Platform Workbench:

1. Agent Platform Workbench-Instanz erstellen
2. Klicken Sie in der Notebookliste auf den Link Agent Platform Workbench.
3. Wählen Sie eine aktive Agent Platform Workbench-Instanz aus. Wenn keine Ihrer Instanzen ausgeführt wird, wählen Sie eine Instanz aus und klicken Sie auf Starten. Wählen Sie die Instanz nach dem Starten noch einmal aus.
4. Klicken Sie auf Bereitstellen.
5. Wählen Sie auf der Seite Bereitstellung auf Notebook-Server bestätigen die Option Bestätigen aus. Agent Platform Workbench lädt das Notebook.
6. Wählen Sie im Dialogfeld Kernel auswählen die Option Python 3 aus und klicken Sie dann auf Auswählen.

GitHub

So laden Sie ein Notebook-Tutorial von GitHub herunter:

1. Klicken Sie in der Notebook-Liste auf den Link GitHub.
2. Klicken Sie in GitHub auf die Schaltfläche  Rohdatei herunterladen.
3. Schließen Sie das Dialogfeld ab, um das Notebook herunterzuladen.

Liste der Notebooks

Dienst auswählen Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform

Dienste	Beschreibung	Öffnen in
Klassifizierung für tabellarische Daten	AutoML Tabular-Training und -Vorhersagen. Erfahren Sie, wie Sie anhand eines tabellarischen Datasets ein AutoML-Modell trainieren und damit Vorhersagen erstellen. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie einen Modelltrainingsjob für die Gemini Enterprise Agent Platform. Trainieren Sie ein AutoML Tabular-Modell. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Erstellen Sie eine Vorhersage, indem Sie Daten senden. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildklassifizierung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Vertex SDK aus. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Onlinevorhersagen In dieser Anleitung erstellen Sie ein AutoML-Bildklassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Vertex SDK aus einem Python-Script bereit. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Vertex-Dataset-Ressource erstellen Modell trainieren Modellbewertung ansehen. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung von Model auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
AutoML	AutoML-Trainingsmodell zur Bildobjekterkennung für das Exportieren in Edge. In dieser Anleitung erstellen Sie mithilfe des Vertex SDK ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und exportieren es als Edge-Modell im TFLite-Format. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Exportieren Sie das Edge-Modell aus der Modellressource in Cloud Storage. Laden Sie das Modell lokal herunter. Erstellen Sie eine lokale Vorhersage.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Onlinevorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung und stellen es für Onlinevorhersagen mit dem Agent Platform SDK aus einem Python-Script bereit. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Gemini Enterprise Agent Platform. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Tabular-Workflow für E2E AutoML	AutoML Tabular-Workflow-Pipelines. Erfahren Sie, wie Sie zwei Regressionsmodelle mit Gemini Enterprise Agent Platform Pipelines erstellen, das aus Google Cloud-Pipeline-Komponenten heruntergeladen wurde . Weitere Informationen zum Tabular-Workflow für E2E AutoML Anleitungsschritte Erstellen Sie eine Trainingspipeline, die den Suchbereich von der Standardeinstellung reduziert, um Zeit zu sparen. Erstellen Sie eine Trainingspipeline, die die Architektursuchergebnisse der vorherigen Pipeline wiederverwendet, um Zeit zu sparen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
AutoML-Training	Erste Schritte mit AutoML-Training Informationen zur Verwendung von AutoML für das Training mit Gemini Enterprise Agent Platform. Weitere Informationen zum AutoML-Training Anleitungsschritte Trainieren Sie ein Bildmodell Exportieren Sie das Bildmodell als Edge-Modell Trainieren Sie ein tabellarisches Modell Exportieren Sie ein tabellarisches Modell als Cloud-Modell Trainieren Sie ein Textmodell	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Hierarchische Prognosen für tabellarische Daten	Hierarchische AutoML-Trainingsprognosen für Batchvorhersagen auf der Gemini Enterprise Agent Platform. In dieser Anleitung erstellen Sie ein hierarchisches AutoML-Prognosemodell und stellen es für Batchvorhersagen mit dem Agent Platform SDK für Python bereit. Weitere Informationen zu hierarchischen Prognosen für tabellarische Daten. Anleitungsschritte Erstellen Sie eine TimeSeriesDataset-Ressource für die Gemini Enterprise Agent Platform. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Agent Platform SDK für Python aus. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Prognosen mit AutoML	Tabellarisches AutoML-Prognosemodell für Batchvorhersagen. Hier erfahren Sie, wie Sie ein tabellarisches AutoML-Prognosemodell aus einem Python-Script erstellen und dann eine Batchvorhersage mit dem Agent Platform SDK generieren. Weitere Informationen zu Prognosen mit AutoML Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Gemini Enterprise Agent Platform. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Batchvorhersagen mit BigQuery. Hier erfahren Sie, wie Sie ein tabellarisches AutoML-Regressionsmodell erstellen und mit dem Agent Platform SDK für Python für die Batchvorhersage bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Gemini Enterprise Agent Platform. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Onlinevorhersagen mit BigQuery. Hier erfahren Sie, wie Sie mit dem Agent Platform SDK ein tabellarisches AutoML-Regressionsmodell erstellen und für die Onlinevorhersage aus einem Python-Script bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
BigQuery ML	Erste Schritte mit BigQuery ML-Training. Hier erfahren Sie, wie Sie BigQuery ML für das Training mit der Gemini Enterprise Agent Platform verwenden. Weitere Informationen zu BigQuery ML Anleitungsschritte Erstellen Sie eine lokale BigQuery-Tabelle in Ihrem Projekt Trainieren Sie ein BigQuery ML-Modell Bewerten Sie ein BigQuery ML-Modell Exportieren Sie eine BigQuery ML-Modell als Cloud-Modell Laden Sie das exportierte Modell als Gemini Enterprise Agent Platform-Modellressource hoch Hyperparameter-Abstimmung eines BigQuery ML-Modells mit Agent Platform Vizier BigQuery ML-Modell automatisch in Model Registry registrieren	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training Vertex AI Inference	Stellen Sie ein Iris-Erkennungsmodell mit der benutzerdefinierten FastAPI und der benutzerdefinierten Containerbereitstellung von Gemini Enterprise Agent Platform bereit. Hier erfahren Sie, wie Sie ein benutzerdefiniertes Klassifizierungsmodell auf der Gemini Enterprise Agent Platform erstellen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Vertex AI Inference Anleitungsschritte Trainieren Sie ein Modell, das die Messwerte der Blumen als Eingabe verwendet, um die Klasse der Schwertlilie vorherzusagen. Speichern Sie das Modell und seinen serialisierten Präprozessor. Erstellen Sie einen FastAPI-Server zum Verarbeiten von Vorhersagen und Systemdiagnosen. Erstellen Sie einen benutzerdefinierten Container mit Modellartefakten. Laden Sie den benutzerdefinierten Container in Gemini Enterprise Agent Platform Endpoints hoch und stellen Sie ihn bereit.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Training	TensorFlow-Modell mit BigQuery-Daten trainieren Erfahren Sie, wie Sie mit dem Agent Platform SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann durch Senden von Daten eine Vorhersage vom bereitgestellten Modell abrufen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie eine benutzerdefinierte TrainingPipeline für die Gemini Enterprise Agent Platform, um ein Modell zu trainieren. Trainieren Sie ein TensorFlow-Modell. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource Model auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit benutzerdefiniertem Container-Image und automatischem Modellupload in Model Registry. In dieser Anleitung trainieren Sie ein benutzerdefiniertes Container-Image für ein maschinelles Lernmodell für das benutzerdefinierte Training in der Gemini Enterprise Agent Platform. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Gemini Enterprise Agent Platform-Job zum Trainieren eines Modells. Trainieren und registrieren Sie ein TensorFlow-Modell mit einem benutzerdefinierten Container. Listen Sie das registrierte Modell in der Model Registry auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Cloud Profiler	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Cloud Profiler für benutzerdefinierte Trainingsjobs aktivieren. Weitere Informationen zu Cloud Profiler Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Vertex AI TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob und führen Sie ihn aus Cloud Profiler-Dashboard aufrufen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training	Erste Schritte mit Vertex AI Training für XGBoost. Hier erfahren Sie, wie Sie Vertex AI Training zum Trainieren eines benutzerdefinierten XGBoost-Modells verwenden. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie eine Modellressource für die Gemini Enterprise Agent Platform.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Freigegebene Ressourcen für mehrere Bereitstellungen	Erste Schritte mit Endpunkt und freigegebener VM. Informationen zum Verwenden von Bereitstellungsressourcenpools für die Bereitstellung von Modellen. Weitere Informationen zu freigegebenen Ressourcen für mehrere Bereitstellungen. Anleitungsschritte Laden Sie ein vortrainiertes Bildklassifizierungsmodell als Model Modellressource (Modell A) hoch. Laden Sie ein vortrainiertes Textsatzcodierungsmodell als Model Modellressource (Modell B) hoch. Erstellen Sie einen freigegebenen VM-Bereitstellungsressourcenpool. Listen Sie freigegebene VM-Bereitstellungsressourcenpools auf. Erstellen Sie zwei Endpoint-Ressourcen. Stellen Sie das erste Modell (Modell A) mithilfe des Bereitstellungsressourcenpools in der ersten Endpoint Ressource bereit. Stellen Sie das zweite Modell (Modell B) mithilfe des Bereitstellungsressourcenpools in der zweiten Endpoint Ressource bereit. Erstellen Sie eine Vorhersageanfrage mit dem ersten bereitgestellten Modell (Modell A). Erstellen Sie eine Vorhersageanfrage mit dem zweiten bereitgestellten Modell (Modell B).	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training Gemini Enterprise Agent Platform Batch Prediction	Benutzerdefiniertes Training und Batchvorhersage Erfahren Sie, wie Sie Vertex AI Training verwenden, um ein benutzerdefiniert trainiertes Modell zu erstellen, und wie Sie die Batchvorhersage der Gemini Enterprise Agent Platform verwenden, um eine Batchvorhersage für das trainierte Modell durchzuführen. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Batch Prediction auf der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie einen benutzerdefinierten Gemini Enterprise Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training Vertex AI Inference	Benutzerdefiniertes Training und Onlinevorhersage. Erfahren Sie, wie Sie mit Vertex AI Training ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und wie Sie mit Vertex AI Inference eine Vorhersage für das bereitgestellte Modell erstellen, indem Sie Daten senden. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Vertex AI Inference Anleitungsschritte Erstellen Sie einen benutzerdefinierten Gemini Enterprise Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte in eine Model Ressource hoch. Erstellen Sie eine Endpoint-Bereitstellungsressource. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource Model auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
BigQuery-Datasets Gemini Enterprise Agent Platform für BigQuery-Nutzer	Erste Schritte mit BigQuery-Datasets. Hier erfahren Sie, wie Sie BigQuery als Dataset für das Training mit der Gemini Enterprise Agent Platform verwenden. Weitere Informationen zu BigQuery-Datasets Weitere Informationen zur Gemini Enterprise Agent Platform für BigQuery-Nutzer Anleitungsschritte Erstellen Sie eine Gemini Enterprise Agent Platform-Dataset-Ressource aus einer BigQuery-Tabelle, die mit dem AutoML-Training kompatibel ist. Extrahieren Sie eine Kopie des Datasets aus BigQuery in eine CSV-Datei in Cloud Storage, die mit AutoML oder benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in einen pandas-Dataframe ein, der mit benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in eine tf.data.Dataset ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus extrahierten CSV-Dateien in eine tf.data.Dataset ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Erstellen Sie ein BigQuery-Dataset aus CSV-Dateien. Extrahieren Sie Daten aus der BigQuery-Tabelle in eine DMatrix, die mit XGBoost-Modellen für benutzerdefiniertes Training kompatibel ist.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Vertex ML Metadata	Vertex AI Experiment-Herkunft für benutzerdefiniertes Training mit der Gemini Enterprise Agent Platform erstellen Erfahren Sie, wie Sie Vorverarbeitungscode in einen Test der Gemini Enterprise Agent Platform einbinden. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Führen Sie das Modul zur Vorverarbeitung von Daten aus Erstellen Sie ein Dataset-Artefakt Loggen Sie Parameter Führen Sie das Modul zum Trainieren des Modells aus Loggen Sie Parameter Erstellen Sie das Modellartefakt Dataset, Modell und Parametern eine Trackingherkunft zuweisen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Parameter und Messwerte für lokal trainierte Modelle verfolgen Erfahren Sie, wie Sie Vertex AI Experiments zum Vergleichen und Bewerten von Modelltests verwenden. Weitere Informationen zu Vertex AI Experiments Anleitungsschritte Loggen Sie die Modellparameter Loggen Sie den Verlust und Messwerte in jeder Epoche in Vertex AI TensorBoard Loggen Sie die Bewertungsmesswerte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Gemini Enterprise Agent Platform Pipelines	Pipelineausführungen mit Vertex AI Experiments vergleichen Erfahren Sie, wie Sie Vertex AI Experiments verwenden, um einen Pipelinejob zu loggen und dann verschiedene Pipelinejobs zu vergleichen. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Trainingskomponente formalisieren Trainingspipeline erstellen Mehrere Pipelinejobs ausführen und die Ergebnisse loggen Verschiedene Pipelinejobs vergleichen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard	Veraltete Tests in Vertex AI TensorBoard löschen. Löschen Sie veraltete Vertex AI TensorBoard-Tests, um unnötige Speicherkosten zu vermeiden. Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte So löschen Sie den TB-Test mit einem vordefinierten Schlüssel/Wert-Label-Paar So löschen Sie die vor dem create_time erstellten TB-Tests So löschen Sie die vor dem update_time erstellten TB-Tests	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Benutzerdefiniertes automatisches Trainings-Logging – lokales Script Hier erfahren Sie, wie Sie Parameter und Messwerte eines ML-Tests, der in Vertex AI-Training ausgeführt wird, automatisch protokollieren, indem Sie die Einbindung in Vertex AI Experiments verwenden. Anleitungsschritte Formalisieren Sie den Modelltest in einem Script. Führen Sie das Modelltraining mit lokalem Script für Vertex AI Training aus. Sehen Sie sich ML-Testparameter und -Messwerte in Vertex AI Experiments an.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Vertex ML Metadata Benutzerdefiniertes Training	Erste Schritte mit Vertex AI Experiments. Erfahren Sie, wie Sie Vertex AI Experiments für das Training mit der Gemini Enterprise Agent Platform verwenden. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Vertex ML Metadata Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Lokales (Notebook-)Training Test erstellen Erste Ausführung im Test erstellen Logparameter und -messwerte Artefaktherkunft erstellen Testergebnisse visualisieren Zweite Ausführung ausführen Die beiden Ausführungen im Test vergleichen Cloud-Training (Gemini Enterprise Agent Platform) Innerhalb des Trainingsskripts	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Autologging. Informationen zur Verwendung von Autologging in der Gemini Enterprise Agent Platform. Anleitungsschritte Aktivieren des automatischen Logging im Agent Platform SDK. Trainieren des scikitlearn-Modells und Anzeige der resultierenden Testausführung mit Messwerten und Parametern, die automatisch in Vertex AI Experiments protokolliert werden, ohne dass ein Testlauf festgelegt werden müsste. Trainieren des TensorFlow-Modells und prüfen automatisch protokollierter Messwerte und Parameter für Vertex AI Experiments, wozu manuell ein Testlauf mit aiplatform.start_run() und aiplatform.end_run() festgelegt wird. Deaktivieren des automatischen Logging im Agent Platform SDK, trainieren eines PyTorch-Modells und prüfen, ob keiner der Parameter oder Messwerte protokolliert wird.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Online-Feature-Bereitstellung und Abruf von BigQuery-Daten mit Agent Platform Feature Store. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Online-Feature-Bereitstellung und Abruf von BigQuery-Daten mit optimierter Agent Platform Feature Store-Bereitstellung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten mithilfe der optimierten Onlinebereitstellung mit öffentlichem oder privatem Endpunkt zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit Agent Platform Feature Store Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Anleitung für die Vertex AI Feature Store-basierte LLM-Fundierung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Agent Platform Feature Store-Featureansicht Dienst-Agents. Informationen zum Verwenden eines speziellen Dienst-Agents für eine Feature-Ansicht im Agent Platform Feature Store. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie eine Feature-Ansicht, die für die Verwendung eines speziellen Dienstkontos konfiguriert ist. Für jede Feature-Ansicht wird ein Dienstkonto erstellt. Dieses Dienstkonto wird zum Synchronisieren von Daten aus BigQuery verwendet. Die Get/List Feature View API gibt das automatisch erstellte Dienstkonto zurück. Nutzer müssen den Befehl bq addiampolicybinding aufrufen, um dem Dienstkonto roles/bigquery.dataViewer zu gewähren.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Streaming-Import-SDK im Agent Platform Feature Store (Legacy). Hier erfahren Sie, wie Sie mit der Methode write_feature_values aus dem Agent Platform SDK Features aus einem Pandas DataFrame in den Agent Platform Feature Store importieren. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie einen Feature Store. Erstellen Sie einen neuen Entitätstyp für Ihren Feature Store. Importieren Sie Featurewerte aus Pandas DataFrame in den Entitätstyp im Feature Store.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Agent Platform Feature Store (Legacy) mit Pandas DataFrame verwenden Informationen zur Verwendung von Agent Platform Feature Store mit pandas DataFrame. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie Featurestore-, EntityType- und Feature-Ressourcen. Importieren Sie Featurewerte aus Pandas DataFrame in den Entitätstyp. Lesen Sie Entitäts-Featurewerte aus dem Online-Feature Store in Pandas DataFrame ein. Führen Sie eine Batchbereitstellung der Featurewerte aus Ihrem Feature Store in Pandas DataFrame aus. Onlinebereitstellung mit aktualisierten Featurewerten. Genauigkeit des Zeitpunkts zum Abrufen von Featurewerten für das Training.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Online- und Batchvorhersagen mit Agent Platform Feature Store (Legacy) Erfahren Sie, wie Sie mit Agent Platform Feature Store Featuredaten importieren und auf die Featuredaten sowohl für die Onlinebereitstellung als auch für Offlineaufgaben wie Trainings zugreifen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie Featurestore-, EntityType- und Feature-Ressourcen. Importieren Sie Featuredaten in die Feature Featurestore Ressource. Stellen Sie Anfragen für Onlinevorhersagen mithilfe der importierten Features bereit. Greifen Sie auf importierte Features in Offlinejobs zu, z. B. auf Trainingsjobs. Verwenden Sie den Streaming-Import, um kleine Datenmengen zu importieren.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Übersicht über die Unterstützung generativer KI für die Gemini Enterprise Agent Platform	Gemini Enterprise Agent Platform – LLM-Batchinferenz mit RLHF-abgestimmten Modellen. In dieser Anleitung verwenden Sie die Gemini Enterprise Agent Platform, um Vorhersagen aus einem mit RLHF abgestimmten Large Language Model abzurufen. Übersicht über die Unterstützung generativer KI auf der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie einen Pipelinejob für die Gemini Enterprise Agent Platform mit einer vordefinierten Vorlage für Bulk-Inferenz. Führen Sie die Pipeline mit Gemini Enterprise Agent Platform Pipelines aus. Erstellen Sie Vorhersageergebnisse für ein Modell für ein bestimmtes Dataset.	Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
generative_ai	Large Language Model verkleinern Hier erfahren Sie, wie Sie ein Large Language Model mit Gemini Enterprise Agent Platform LLM destillieren und bereitstellen. Anleitungsschritte Rufen Sie das LLM-Modell der Gemini Enterprise Agent Platform ab. Verkleinern Sie das Modell(dadurch wird automatisch ein Gemini Enterprise Agent Platform-Endpunkt erstellt und das Modell auf dem Endpunkt bereitgestellt). Vorhersage mit dem LLM der Gemini Enterprise Agent Platform erstellen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Texteinbettung	Semantische Suche mit Einbettungen. In dieser Anleitung wird gezeigt, wie Sie eine aus Text generierte Einbettung erstellen und eine semantische Suche durchführen. Weitere Informationen zur Texteinbettung Anleitungsschritte Installation und Importe Einbettungs-Dataset erstellen Index erstellen Index abfragen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
generative_ai	Texteinbettungen auf der Gemini Enterprise Agent Platform abrufen. Informationen zum Abrufen einer Texteinbettung für ein Texteinbettungsmodell und einen Text. Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
generative_ai	Texteinbettungen auf der Gemini Enterprise Agent Platform abrufen. Informationen zum Abrufen einer Texteinbettung für ein Texteinbettungsmodell und einen Text. Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Textmodelle mit überwachter Abstimmung abstimmen	Gemini Enterprise Agent Platform: PEFT-Modell abstimmen Hier erfahren Sie, wie Sie das LLM der Gemini Enterprise Agent Platform verwenden, um ein PEFT-Large Language Model abzustimmen und bereitzustellen. Weitere Informationen zum Abstimmen von Textmodellen mithilfe von überwachter Abstimmung Anleitungsschritte Rufen Sie das LLM-Modell der Gemini Enterprise Agent Platform ab. Stimmen Sie das Modell ab. Dadurch wird automatisch ein Gemini Enterprise Agent Platform-Endpunkt erstellt und das Modell darauf bereitgestellt. Vorhersage mit dem LLM der Gemini Enterprise Agent Platform erstellen Erstellen Sie eine Vorhersage mit Vertex AI Inference.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
generative_ai	Optimierte Texteinbettungen auf der Gemini Enterprise Agent Platform abrufen. Informationen zum Optimieren eines Texteinbettungsmodells. Anleitungsschritte	Colab GitHub Gemini Enterprise Agent Platform Workbench
PaLM API	Agent Platform SDK mit Large Language Models verwenden Hier erfahren Sie, wie Sie Texteingaben für Large Language Models bereitstellen, die auf der Gemini Enterprise Agent Platform verfügbar sind, um generative KI-Sprachmodelle zu testen, abzustimmen und bereitzustellen. Weitere Informationen zur PaLM API. Anleitungsschritte Verwenden Sie die Vorhersageendpunkte der Gemini Enterprise Agent Platform PaLM API, um generative KI-Antworten auf eine Nachricht zu empfangen. Verwenden Sie den Endpunkt für Texteinbettungen, um eine Vektordarstellung einer Nachricht zu erhalten. Führen Sie eine Prompt-Abstimmung eines LLM anhand von Eingabe-/Ausgabetrainingsdaten durch.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zu Gemini Enterprise Agent Platform migrieren Klassifizierung für Bilddaten	AutoML-Bildklassifizierung Erfahren Sie, wie Sie mit AutoML ein Bildmodell trainieren und mit Vertex AI Inference und Gemini Enterprise Agent Platform batch inference Online- und Batchvorhersagen ausführen. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zur Klassifizierung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Bildklassifizierungsmodell Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zu Gemini Enterprise Agent Platform migrieren Objekterkennung für Bilddaten	AutoML-Bildobjekterkennung. Erfahren Sie, wie Sie mit AutoML ein Bildmodell trainieren und mit Vertex AI Inference und Gemini Enterprise Agent Platform Batch Prediction Online- und Batchvorhersagen ausführen. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Objekterkennungsmodell. Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zu Gemini Enterprise Agent Platform migrieren Klassifizierung für tabellarische Daten	Tabellarische binäre AutoML-Klassifizierung. In dieser Anleitung erstellen Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Agent Platform SDK aus einem Python-Script bereit. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zur Klassifizierung für tabellarische Daten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Gemini Enterprise Agent Platform. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Bereitstellung des Modells aufheben	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zu Gemini Enterprise Agent Platform migrieren Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem benutzerdefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem benutzerdefinierten Container und Gemini Enterprise Agent Platform-Training trainieren. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in der Gemini Enterprise Agent Platform und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchinferenzjob für die Gemini Enterprise Agent Platform aus. Stellen Sie die Modellressource in einem Gemini Enterprise Agent Platform-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zur Gemini Enterprise Agent Platform migrieren Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem vordefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem vordefinierten Container und Gemini Enterprise Agent Platform-Training trainieren. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in der Gemini Enterprise Agent Platform und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchinferenzjob für die Gemini Enterprise Agent Platform aus. Stellen Sie die Modellressource in einem Gemini Enterprise Agent Platform-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zur Gemini Enterprise Agent Platform migrieren Benutzerdefiniertes Training	Benutzerdefiniertes Scikit-Learn-Modell mit vordefiniertem Trainingscontainer. Erfahren Sie, wie Sie Vertex AI Training zum Erstellen eines benutzerdefiniert trainierten Modells verwenden. Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Gemini Enterprise Agent Platform-Job zum Trainieren eines scikitlearn-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Zur Gemini Enterprise Agent Platform migrieren Benutzerdefiniertes Training	Benutzerdefiniertes XGBoost-Modell mit vordefiniertem Trainingscontainer Informationen zum Erstellen eines benutzerdefiniert trainierten Modells mit Vertex AI Training Weitere Informationen zur Migration zur Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Gemini Enterprise Agent Platform-Job zum Trainieren eines xgboost-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform Benutzerdefiniertes Training	Hyperparameter-Abstimmung Erfahren Sie, wie Sie mit Hyperparametern der Gemini Enterprise Agent Platform ein benutzerdefiniert trainiertes Modell erstellen und abstimmen. Weitere Informationen zur Hyperparameter-Abstimmung auf der Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen Hyperparameter-Abstimmungsjob für die Gemini Enterprise Agent Platform, um ein TensorFlow-Modell zu trainieren.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Google Artifact Registry-Dokumentation	Erste Schritte mit Google Artifact Registry. Google Artifact Registry verwenden. Erfahren Sie mehr über die Google Artifact Registry-Dokumentation. Anleitungsschritte Privates Docker-Repository erstellen. Tagging eines Container-Images speziell für das private Docker-Repository. Container-Image per Push in das private Docker-Repository übertragen. Ein Container-Image aus dem privaten Docker-Repository abrufen. Privates Docker-Repository löschen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata	Parameter und Messwerte für benutzerdefinierte Trainingsjobs verfolgen Erfahren Sie, wie Sie das Agent Platform SDK für Python für Folgendes verwenden: Anleitungsschritte Verfolgen Sie Trainingsparameter und Vorhersagemesswerte für einen benutzerdefinierten Trainingsjob. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata	Parameter und Messwerte für lokal trainierte Modelle verfolgen Erfahren Sie, wie Sie Vertex ML Metadata verwenden, um Trainingsparameter und Bewertungsmesswerte zu verfolgen. Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Verfolgen Sie Parameter und Messwerte für ein lokal trainiertes Modell. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata Gemini Enterprise Agent Platform Pipelines	Artefakte und Messwerte über Gemini Enterprise Agent Platform-Pipelineausführungen hinweg mit Vertex ML Metadata verfolgen Erfahren Sie, wie Sie Artefakte und Messwerte mit Vertex ML Metadata in Pipelineausführungen der Gemini Enterprise Agent Platform verfolgen. Weitere Informationen zu Vertex ML Metadata Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Verwenden Sie das Kubeflow Pipelines SDK, um eine ML-Pipeline zu erstellen, die auf der Gemini Enterprise Agent Platform ausgeführt wird. Die Pipeline erstellt ein Dataset, trainiert ein scikitlearn-Modell und stellt das Modell auf einem Endpunkt bereit. Schreiben Sie benutzerdefinierte Pipelinekomponenten, die Artefakte und Metadaten generieren Sie können Gemini Enterprise Agent Platform-Pipeline-Ausführungen sowohl in der Google Cloud Console als auch programmatisch vergleichen. Verfolgen Sie die Herkunft für Pipeline-generierte Artefakte. Fragen Sie die Metadaten der Pipelineausführung ab.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform-Modellbewertung Klassifizierung für tabellarische Daten	Batchvorhersageergebnisse aus einem AutoML Tabular-Klassifizierungsmodell auswerten Informationen zum Trainieren eines AutoML Tabular-Klassifizierungsmodells für die Gemini Enterprise Agent Platform und zum Bewerten mit einem Gemini Enterprise Agent Platform-Pipelinejob mit google_cloud_pipeline_components: Weitere Informationen zur Modellbewertung für die Gemini Enterprise Agent Platform Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine Dataset für die Gemini Enterprise Agent Platform. Trainieren Sie ein AutoML-Tabellenklassifizierungsmodell für die Dataset Ressource. Importieren Sie das trainierte AutoML model resource in die Pipeline. Batch Prediction Job ausführen Bewerten Sie das AutoML-Modell mithilfe der Classification Evaluation component. Importieren Sie die Klassifizierungsmesswerte in die AutoML-Modellressource	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Modellbewertung für die Gemini Enterprise Agent Platform Regression für tabellarische Daten	Ergebnisse der Batchvorhersage aus dem AutoML Tabular-Regressionsmodell bewerten Informationen dazu, wie Sie eine Modellressource der Gemini Enterprise Agent Platform über einen Pipelinejob der Gemini Enterprise Agent Platform mit google_cloud_pipeline_components bewerten: Weitere Informationen zur Modellbewertung der Gemini Enterprise Agent Platform Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie ein Dataset für die Gemini Enterprise Agent Platform. Konfigurieren Sie eine AutoMLTabularTrainingJob-Klasse. Führen Sie den AutoMLTabularTrainingJob aus, der ein Modell zurückgibt. Importieren Sie eine vortrainierte AutoML model resource in die Pipeline. Führen Sie einen batch prediction-Job in der Pipeline aus. Bewerten Sie das AutoML-Modell mithilfe der regression evaluation component. Importieren Sie die generierten Regressionsmesswerte in die AutoML-Modellressource.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training für die Gemini Enterprise Agent Platform Modellbewertung für die Gemini Enterprise Agent Platform	BatchPrediction-Ergebnisse aus einem benutzerdefinierten tabellarischen Klassifizierungsmodell bewerten. In dieser Anleitung trainieren Sie ein scikit-learn-RandomForest-Modell, speichern das Modell in Model Registry und lernen, wie Sie das Modell über einen Gemini Enterprise Agent Platform-Pipelinejob mit dem Google Cloud Pipeline Components Python SDK bewerten. Weitere Informationen zum benutzerdefinierten Training auf der Gemini Enterprise Agent Platform Weitere Informationen zur Modellbewertung auf der Gemini Enterprise Agent Platform Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in BigQuery. Trainieren Sie lokal ein RandomForest-Klassifizierungsmodell mit dem Python-Paket scikitlearn. Erstellen Sie in Artifact Registry einen benutzerdefinierten Container für Vorhersagen. Laden Sie das Modell in Model Registry hoch. Erstellen und führen Sie eine Gemini Enterprise Agent Platform-Pipeline aus, die	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Modellbewertung in der Gemini Enterprise Agent Platform Benutzerdefiniertes Training	Ergebnisse der Batchvorhersage aus dem benutzerdefinierten Tabular-Regressionsmodell bewerten Informationen zum Bewerten einer Gemini Enterprise Agent Platform-Modellressource über einen Gemini Enterprise Agent Platform-Pipelinejob mit Google Cloud-Pipeline-Komponenten. Weitere Informationen zur Modellbewertung auf der Gemini Enterprise Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Trainingsjob für die Gemini Enterprise Agent Platform, um ein TensorFlow-Modell zu trainieren. Führen Sie den benutzerdefinierten Trainingjob aus. Rufen Sie die Modellartefakte ab und laden Sie sie. Modellbewertung ansehen. Laden Sie das Modell als Gemini Enterprise Agent Platform-Modellressource hoch. Importieren Sie eine vortrainierte Gemini Enterprise Agent Platform-Modellressource in die Pipeline. Führen Sie einen Batchvorhersage-Job in der Pipeline aus. Bewerten Sie das Modell mithilfe der Regressionsbewertungs-Komponente. Importieren Sie die Regressionsmesswerte in die Modellressource der Gemini Enterprise Agent Platform.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform – AutoSxS-Modellbewertung	Prüfen Sie die Ausrichtung des Autoraters anhand eines Datasets mit menschlichen Präferenzen. Informationen zum Prüfen der Ausrichtung von Autoratern anhand von Daten mit menschlichen Präferenzen mit Gemini Enterprise Agent Platform Pipelines und google_cloud_pipeline_components: Weitere Informationen zur AutoSxS-Modellbewertung der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie ein Bewertungs-Dataset mit Vorhersagen und menschlichen Präferenzdaten. Vorverarbeiten Sie die Daten lokal und speichern Sie sie in Cloud Storage. Erstellen und führen Sie eine AutoSxS-Pipeline für die Gemini Enterprise Agent Platform aus, die die Bewertungen und eine Reihe von AutoSxS-Messwerten anhand der generierten Bewertungen generiert. Drucken Sie die Bewertungen und AutoSxS-Messwerte. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform AutoSxS-Modellbewertung	Ein LLM in Model Registry mit einem Drittanbietermodell vergleichen Informationen zum Vergleichen der Leistung von zwei LLM-Modellen mit Gemini Enterprise Agent Platform Pipelines und google_cloud_pipeline_components: Weitere Informationen zur AutoSxS-Modellbewertung der Gemini Enterprise Agent Platform Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in Cloud Storage. Erstellen und führen Sie eine AutoSxS-Pipeline für die Gemini Enterprise Agent Platform aus, die die Bewertungen generiert und die beiden Kandidatenmodelle anhand der generierten Bewertungen bewertet. Drucken Sie die Bewertungen und Bewertungsmesswerte aus. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring für Batchvorhersagen	Batch Prediction mit Model Monitoring auf der Gemini Enterprise Agent Platform Erfahren Sie, wie Sie mit dem Modellüberwachungsdienst der Gemini Enterprise Agent Platform Drifts und Anomalien in der Batchvorhersage erkennen. Weitere Informationen zum Modellmonitoring für Batchvorhersagen auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes Modell als Gemini Enterprise Agent Platform-Modellressource hoch. Generieren Sie Batchvorhersageanfragen. Interpretieren Sie die Statistiken, Visualisierungen und anderen Daten, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring für tabellarische AutoML-Modelle. Erfahren Sie, wie Sie mit dem Gemini Enterprise Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für tabellarische AutoML-Modelle erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Trainieren Sie ein AutoML-Modell. Stellen Sie die Modellressource in einer Endpunktressource der Gemini Enterprise Agent Platform bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring für Onlinevorhersagen in AutoML-Bildmodellen Informationen zum Verwenden von Gemini Enterprise Agent Platform Model Monitoring mit Gemini Enterprise Agent Platform Online Prediction und einem AutoML-Bildklassifizierungsmodell, um ein Out-of-Distribution-Bild zu erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte 1. Trainieren Sie ein AutoML-Bildklassifizierungsmodell 2. Erstellen Sie einen Endpunkt. 3. Stellen Sie das Modell auf dem Endpunkt bereit und konfigurieren Sie es für das Modellmonitoring. 4. Senden Sie eine Onlinevorhersage sowohl mit In-Distribution-Bildern als auch mit Out-of-Distribution-Bildern. 5. Verwenden Sie Model Monitoring, um die Anomaliepunktzahl für jedes Bild zu berechnen. 6. Identifizieren Sie die Out-of-Distribution-Bilder in der Onlinevorhersageanfrage.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring für benutzerdefinierte tabellarische Modelle. Erfahren Sie, wie Sie mit dem Gemini Enterprise Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell in Model Registry hoch. Stellen Sie die Modellressource in einer Endpunktressource der Gemini Enterprise Agent Platform bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen, um Schiefe zu simulieren. Warten Sie auf die E-Mail-Benachrichtigungen. Generieren Sie synthetische Vorhersageanfragen, um Drift zu simulieren. Warten Sie auf E-Mail-Benachrichtigungen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring für benutzerdefinierte tabellarische Modelle mit TensorFlow-Bereitstellungscontainer. Erfahren Sie, wie Sie mit dem Gemini Enterprise Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen, indem Sie einen benutzerdefinierten Deployment-Container verwenden. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in einer Endpunktressource mit der Bereitstellungsbinärdatei „TensorFlow Serving“ bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Warten Sie auf die E-Mail-Warnung. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring zur Einrichtung von tabellarischen Modellen. Erfahren Sie, wie Sie den Model Monitoring-Dienst der Gemini Enterprise Agent Platform einrichten, um Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen zu erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Erkennung von Abweichungen und Drift für Feature-Eingaben. Erkennung von Abweichungen und Drift für Feature-Attributionen. Automatische Generierung des Eingabeschemas durch Senden einer 1.000-Vorhersageanfrage. Listen Sie Monitoringjobs auf, halten Sie sie an, setzen Sie sie fort und löschen Sie sie. Starten Sie den Monitoringjob mit vordefiniertem Eingabeschema neu. Rufen Sie protokollierte überwachte Daten auf.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring für XGBoost-Modelle. Erfahren Sie, wie Sie mit dem Gemini Enterprise Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für XGBoost-Modelle erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes XGBoost-Modell herunter. Laden Sie das vortrainierte Modell in Model Registry hoch. Stellen Sie die Modellressource in einer Endpunktressource der Gemini Enterprise Agent Platform bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring mit Explainable AI-Featureattributionen. Erfahren Sie, wie Sie mit dem Gemini Enterprise Agent Platform Model Monitoring-Dienst Drifts und Anomalien in Vorhersageanfragen von einer bereitgestellten Gemini Enterprise Agent Platform-Modellressource erkennen. Weitere Informationen zum Modellmonitoring auf der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes Modell als Gemini Enterprise Agent Platform-Modellressource hoch. Erstellen Sie eine Endpunktressource für die Gemini Enterprise Agent Platform. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Initialisieren Sie die Baseline-Verteilung für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen. Machen Sie sich einen Begriff davon, wie Sie die Statistiken, Visualisierungen und anderen Daten interpretieren, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierten Batchvorhersagejob für Gemini Enterprise Agent Platform. In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierte Onlinevorhersage von Gemini Enterprise Agent Platform In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Model Registry	Erste Schritte mit Model Registry Mit Model Registry mehrere Versionen eines Modells erstellen und registrieren. Weitere Informationen zu Model Registry Anleitungsschritte Erste Version eines Modells in Model Registry erstellen und registrieren Zweite Version eines Modells in Model Registry erstellen und registrieren. Modellversion aktualisieren, die die Standardversion ist. Modellversion löschen. Nächste Modellversion neu trainieren.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines AutoML-Komponenten Klassifizierung für tabellarische Daten	AutoML Tabular-Pipelines mit google-cloud-pipeline-components Erfahren Sie, wie Sie Gemini Enterprise Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines tabellarischen AutoML-Klassifizierungsmodells verwenden. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Erfahren Sie mehr über AutoML-Komponenten. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, mit der ein Gemini Enterprise Agent Platform-Dataset erstellt wird. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine tabellarische AutoML-Klassifizierungsmodellressource trainiert wird. Fügen Sie eine Komponente hinzu, die eine Endpunktressource für die Gemini Enterprise Agent Platform erstellt. Fügen Sie eine Komponente hinzu, die die Modellressource in der Endpunktressource bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mit Gemini Enterprise Agent Platform Pipelines aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Vergleich von Challenger- und Blessed-Methode für die Modellbereitstellung in der Produktion. Hier erfahren Sie, wie Sie eine Gemini Enterprise Agent Platform-Pipeline erstellen, die eine neue Challenger-Version eines Modells trainiert, das Modell bewertet und die Bewertung mit dem vorhandenen Blessed-Modell in der Produktion vergleicht. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Blessed) in die Model Registry. Importieren Sie Messwerte der synthetischen Modellbewertung in das entsprechende Modell (Blessed). Endpunktressource für die Gemini Enterprise Agent Platform erstellen Stellen Sie das Blessed-Modell in der Endpunktressource bereit. Erstellen Sie eine Gemini Enterprise Agent Platform-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Pipeline-Steuerungsstrukturen mit dem KFP SDK. Erfahren Sie, wie Sie das KFP SDK verwenden, das Schleifen und Bedingungen einschließlich verschachtelter Beispiele verwendet, um Pipelines zu erstellen. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte KFP-Pipeline mit Ablaufsteuerungskomponenten erstellen Kompilieren Sie die KFP-Pipeline KFP-Pipeline mit Gemini Enterprise Agent Platform Pipelines ausführen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines Benutzerdefinierte Trainingskomponenten	Benutzerdefiniertes Training mit vordefinierten Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie die Gemini Enterprise Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform-Pipelines Gemini Enterprise Agent Platform-Batchvorhersagekomponenten	Training und Batchvorhersage mit BigQuery-Quelle und -Ziel für ein benutzerdefiniertes tabellarisches Klassifizierungsmodell. In dieser Anleitung trainieren Sie ein tabellarisches scikit-learn-Klassifizierungsmodell und erstellen dafür einen Batchvorhersagejob über eine Gemini Enterprise Agent Platform-Pipeline mit google_cloud_pipeline_components. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Weitere Informationen zu Batch Prediction-Komponenten der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie ein Dataset in BigQuery. Legen Sie einige Daten aus dem Quell-Dataset für die Batchvorhersage fest. Erstellen Sie ein benutzerdefiniertes Python-Paket für die Trainingsanwendung. Laden Sie ein Python-Paket in Cloud Storage hoch. Erstellen Sie eine Pipeline für die Gemini Enterprise Agent Platform, die	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines Gemini Enterprise Agent Platform-Hyperparameter-Abstimmung	Erste Schritte mit den Pipeline-Komponenten der Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform Informationen zur Verwendung der vordefinierten Google Cloud-Pipeline-Komponenten für die Hyperparameter-Abstimmung der Gemini Enterprise Agent Platform. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Weitere Informationen zur Hyperparameter-Abstimmung auf der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie eine Pipeline für	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Erste Schritte mit der Maschinenverwaltung für Gemini Enterprise Agent Platform-Pipelines Erfahren Sie, wie Sie eine eigenständige benutzerdefinierte Trainingskomponente in eine Gemini Enterprise Agent Platform CustomJob konvertieren. Dabei gilt: Anleitungsschritte Benutzerdefinierte Komponente mit einem eigenständigen Trainingsjob erstellen. Pipeline mit den Einstellungen auf Komponentenebene für Maschinenressourcen ausführen. Eigenständige Trainingskomponente in einen Gemini Enterprise Agent Platform CustomJob konvertieren. Pipeline mit Einstellungen des benutzerdefinierten Jobs für Maschinenressourcen ausführen.	Colab GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines AutoML-Komponenten	AutoML-Bildklassifizierungspipelines mit google-cloud-pipeline-components. Erfahren Sie, wie Sie Gemini Enterprise Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines AutoML-Bildklassifizierungsmodells verwenden. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Erfahren Sie mehr über AutoML-Komponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines AutoML-Komponenten Regression für tabellarische Daten	Tabellarische AutoML-Regressionspipelines mit google-cloud-pipeline-components. Informationen zum Erstellen eines tabellarischen AutoML-Regressionsmodells mit Gemini Enterprise Agent Platform Pipelines und Google Cloud Pipeline Components Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Weitere Informationen zu AutoML-Komponenten Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, die eine Dataset-Ressource erstellt. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine Model-Ressource für die tabellarische AutoML-Regression trainiert wird. Fügen Sie eine Komponente hinzu, mit der eine Endpoint-Ressource erstellt wird. Fügen Sie eine Komponente hinzu, die die Ressource Model in der Ressource Endpoint bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mit Gemini Enterprise Agent Platform Pipelines aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform-Pipelines BigQuery ML-Komponenten	Akquisitions-/Vorhersagemodell mit Swivel, BigQuery ML und Gemini Enterprise Agent Platform Pipelines trainieren. Erfahren Sie, wie Sie mit Agent Platform Pipelines eine einfache BigQuery ML-Pipeline erstellen, um Texteinbettungen von Artikelinhalten zu berechnen und sie in die Kategorie *Unternehmensakquisitionen* zu klassifizieren. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie eine Komponente für einen Dataflow-Job, der Daten in BigQuery aufnimmt. Erstellen Sie eine Komponente für Vorverarbeitungsschritte, die mit den Daten in BigQuery ausgeführt werden. Erstellen Sie eine Komponente zum Trainieren eines logistischen Regressionsmodells mit BigQuery ML. Erstellen und konfigurieren Sie eine Kubeflow DSL-Pipeline mit allen erstellten Komponenten. Kompilieren Sie die Pipeline in Gemini Enterprise Agent Platform Pipelines und führen Sie sie aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines Benutzerdefinierte Trainingskomponenten	Modelltraining, -upload und -bereitstellung mithilfe von Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie Gemini Enterprise Agent Platform Pipelines und die Google Cloud-Pipeline-Komponente zum Erstellen und Bereitstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Gemini Enterprise Agent Platform-Pipelines mit KFP 2.x. Informationen zur Verwendung von Gemini Enterprise Agent Platform Pipelines und KFP 2. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Einfache funktionsbasierte Python-Komponenten und Komponenten-E/A. Erfahren Sie, wie Sie mit dem KFP SDK einfache funktionsbasierte Python-Komponenten erstellen können und lernen Sie anschließend, wie Sie mit Gemini Enterprise Agent Platform Pipelines die Pipeline ausführen. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie funktionsbasierte Python-KFP-Komponenten. Erstellen Sie eine KFP-Pipeline. Übergeben Sie Artefakte und Parameter zwischen Komponenten, sowohl nach Pfadreferenz als auch nach Wert. Verwenden Sie die Methode kfp.dsl.importer. Kompilieren Sie die KFP-Pipeline. KFP-Pipeline mit Gemini Enterprise Agent Platform Pipelines ausführen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Messwertvisualisierung und Ausführungsvergleich mithilfe des KFP SDK. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie KFP-Komponenten.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Vergleich von Multicontender- und Champion-Methode für die Modellbereitstellung in der Produktion. Hier erfahren Sie, wie Sie eine Gemini Enterprise Agent Platform-Pipeline erstellen, die neue Produktionsdaten aus einem bereitgestellten Modell im Vergleich zu anderen Versionen des Modells bewertet, um festzustellen, ob ein Contender-Modell zum Champion-Modell für die Ersetzung in der Produktion wird. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Champion) in die Model Registry. Importieren Sie Messwerte für die synthetische Modellbewertung in das entsprechende Modell (Champion). Erstellen Sie eine Endpunktressource für die Gemini Enterprise Agent Platform. Stellen Sie das Champion-Modell in der Endpunktressource bereit. Importieren Sie zusätzliche Versionen (Contender) des bereitgestellten Modells. Importieren Sie Messwerte für die synthetische Modelltrainingsbewertung in die entsprechenden Modelle (Contender). Erstellen Sie eine Gemini Enterprise Agent Platform-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Pipelines	Pipeline-Einführung für KFP. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Definieren und kompilieren Sie eine Pipeline für die Gemini Enterprise Agent Platform. Geben Sie an, welches Dienstkonto für eine Pipelineausführung verwendet werden soll. Führen Sie die Pipeline mit dem Agent Platform SDK für Python und der REST API aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
AutoML-Komponenten BigQuery ML-Komponenten	BigQuery ML und AutoML – Rapid Prototyping mit der Gemini Enterprise Agent Platform Erfahren Sie, wie Sie Gemini Enterprise Agent Platform Pipelines für ein schnelles Prototyping eines Modells verwenden. Erfahren Sie mehr über AutoML-Komponenten. Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie ein BigQuery- und Gemini Enterprise Agent Platform-Trainings-Dataset. Trainieren Sie ein BigQuery ML- und AutoML-Modell. Extrahieren Sie Bewertungsmesswerte aus den BigQuery ML- und AutoML-Modellen. Wählen Sie das am besten trainierte Modell aus. Stellen Sie das am besten trainierte Modell bereit. Testen Sie die bereitgestellte Modellinfrastruktur.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Batch Inference	Batchinferenz mit benutzerdefinierten Modellen und Featurefilterung. Erfahren Sie, wie Sie mit dem Agent Platform SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann einen Batchinferenzjob ausführen, indem Sie eine Liste von Features ein- oder ausschließen. Weitere Informationen zur Batch-Inferenz auf der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie eine benutzerdefinierte TrainingPipeline für die Gemini Enterprise Agent Platform, um ein Modell zu trainieren. Trainieren Sie ein TensorFlow-Modell. Senden Sie einen Batchvorhersagejob.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Inference	Erste Schritte mit dem NVIDIA Triton-Server. Hier erfahren Sie, wie Sie einen Container bereitstellen, auf dem Nvidia Triton Server mit einer Gemini Enterprise Agent Platform-Modellressource auf einem Gemini Enterprise Agent Platform-Endpunkt für Onlinevorhersagen ausgeführt wird. Weitere Informationen zu Vertex AI Inference Anleitungsschritte Laden Sie die Modellartefakte aus TensorFlow Hub herunter. Erstellen Sie eine Triton-Konfigurationsdatei für die Bereitstellung für das Modell. Erstellen Sie einen benutzerdefinierten Container mit einem Triton-Bereitstellungs-Image für die Modellbereitstellung. Laden Sie das Modell als Gemini Enterprise Agent Platform-Modellressource hoch. Stellen Sie die Modellressource der Gemini Enterprise Agent Platform in einer Endpunktressource der Gemini Enterprise Agent Platform bereit. Vorhersageanfrage stellen Heben Sie die Bereitstellung der Modellressource auf und löschen Sie den Endpunkt	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Raw Predict	Erste Schritte mit TensorFlow-Bereitstellungsfunktionen mit Gemini Enterprise Agent Platform Raw Prediction Erfahren Sie, wie Sie Gemini Enterprise Agent Platform Raw Prediction für eine Gemini Enterprise Agent Platform Endpoint-Ressource verwenden. Weitere Informationen zu Raw Predict. Anleitungsschritte Laden Sie vortrainierte tabellarische Klassifizierungsmodellartefakte für einen TensorFlow 1.x-Estimator herunter. Laden Sie das TensorFlow-Estimator-Modell als Gemini Enterprise Agent Platform Model-Ressource hoch. Endpoint-Ressource erstellen Bereitstellen der Ressource Model in einer Endpoint-Ressource. Treffen Sie eine Online-Rohvorhersage für die Model-Ressourceninstanz, die in der Endpoint-Ressource bereitgestellt ist.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vorhersagen von einem benutzerdefinierten Modell abrufen	Erste Schritte mit TensorFlow Serving mit Vertex AI Inference Erfahren Sie, wie Sie Vertex AI Inference für eine Gemini Enterprise Agent Platform Endpoint-Ressource mit der Bereitstellungsbinärdatei TensorFlow Serving verwenden. Erfahren Sie mehr über den Abruf von Vorhersagen von einem benutzerdefiniert trainierten Modell. Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Private Endpunkte	Erste Schritte mit privaten Endpunkten für die Gemini Enterprise Agent Platform Mehr zum Verwenden von Gemini Enterprise Agent Platform Private Endpoint-Ressourcen Weitere Informationen zu privaten Endpunkten Anleitungsschritte Private Endpoint Ressource erstellen VPC-Peering-Verbindung konfigurieren. Bereitstellungsbinärdatei einer Model-Ressource für die Bereitstellung in einer Private Endpoint-Ressource konfigurieren. Bereitstellung einer Model-Ressource in einer Private Endpoint-Ressource Vorhersageanfrage an ein Private Endpoint senden	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform-Sprachmodelle	LLM und Streamingvorhersage für die Gemini Enterprise Agent Platform. Erfahren Sie, wie Sie mit dem LLM der Gemini Enterprise Agent Platform ein vortrainiertes LLM-Modell herunterladen, Vorhersagen treffen und das Modell abstimmen. Weitere Informationen zu Sprachmodellen für die Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes Textgenerierungsmodell. Treffen Sie eine Nicht-Streaming-Vorhersage Laden Sie ein vortrainiertes Textgenerierungsmodell, das Streaming unterstützt. Streamingvorhersage treffen Laden Sie ein vortrainiertes Chatmodell. Lokale interaktive Chatsitzung ausführen. Batchvorhersage mit einem Modell zur Textgenerierung durchführen. Batchvorhersage mit einem Texteinbettungsmodell durchführen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vorkonfigurierte Container für Vorhersagen	PyTorch-Bildmodelle mit vordefinierten Containern auf der Gemini Enterprise Agent Platform bereitstellen Informationen zum Verpacken und Bereitstellen eines PyTorch-Bildklassifizierungsmodells mit einem vordefinierten Gemini Enterprise Agent Platform-Container mit TorchServe zur Bereitstellung von Online- und Batchvorhersagen. Weitere Informationen zu vordefinierten Containern für die Vorhersage. Anleitungsschritte Laden Sie ein vortrainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Vorhersage bereit. Onlinevorhersagen treffen Batchvorhersagen treffen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Inference	PyTorch-Modelle mit vordefinierten Containern in der Gemini Enterprise Agent Platform trainieren und bereitstellen Erfahren Sie, wie Sie ein PyTorch-Bildklassifizierungsmodell mit vordefinierten Containern für benutzerdefiniertes Training und die Vorhersage erstellen, trainieren und bereitstellen. Anleitungsschritte Verpacken Sie die Trainingsanwendung in eine Python-Quelldistribution. Konfigurieren Sie den Trainingsjob in einem vordefinierten Container und führen Sie ihn aus. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell mit einem vordefinierten Container für die Vorhersage bereit. Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Übersicht über Ray auf der Gemini Enterprise Agent Platform	Erste Schritte mit PyTorch auf Ray auf der Gemini Enterprise Agent Platform Erfahren Sie, wie Sie den Trainingsprozess eines PyTorch-Bildklassifizierungsmodells mithilfe von Ray in der Gemini Enterprise Agent Platform effizient verteilen. Weitere Informationen zu Ray auf der Gemini Enterprise Agent Platform Anleitungsschritte Trainingsskript vorbereiten Ray-Job mit der Ray Jobs API senden Laden Sie ein trainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Modell in Model Registry registrieren Modell in einem Gemini Enterprise Agent Platform-Endpunkt bereitstellen Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Übersicht über Ray auf der Gemini Enterprise Agent Platform	Ray on Gemini Enterprise Agent Platform-Clusterverwaltung Hier erfahren Sie, wie Sie einen Cluster erstellen, vorhandene Cluster auflisten, einen Cluster abrufen, einen Cluster aktualisieren und einen Cluster löschen. Weitere Informationen zu Ray auf der Gemini Enterprise Agent Platform Anleitungsschritte Erstellen Sie einen Cluster. Listen Sie vorhandene Cluster auf. Rufen Sie einen Cluster ab. Skalieren Sie den Cluster manuell hoch und dann herunter. Cluster automatisch skalieren. Löschen Sie vorhandene Cluster.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Ray in der Gemini Enterprise Agent Platform Spark on Ray in der Gemini Enterprise Agent Platform	Spark on Ray auf der Gemini Enterprise Agent Platform. Hier erfahren Sie, wie Sie RayDP verwenden, um Spark-Anwendungen in einem Ray-Cluster auf der Gemini Enterprise Agent Platform auszuführen. Weitere Informationen zu Ray auf der Gemini Enterprise Agent Platform Weitere Informationen zu Spark on Ray auf der Gemini Enterprise Agent Platform Anleitungsschritte Benutzerdefiniertes Container-Image für Ray on Gemini Enterprise Agent Platform erstellen Ray-Cluster auf der Gemini Enterprise Agent Platform mit einem benutzerdefinierten Container-Image erstellen Spark interaktiv mit RayDP auf dem Cluster ausführen Spark-Anwendung auf Cluster über die Ray Job API ausführen Dateien aus Google Cloud Storage in der Spark-Anwendung lesen Pandas-UDF in Spark-Anwendung auf Ray auf der Gemini Enterprise Agent Platform Ray-Cluster in der Gemini Enterprise Agent Platform löschen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Training Gemini Enterprise Agent Platform Reduction Server	Verteiltes PyTorch-Training mit Gemini Enterprise Agent Platform Reduction Server. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob erstellen, der ein verteiltes PyTorch-Trainings-Framework und -Tools verwendet, und den Trainingsjob im Vertex AI-Trainingsdienst mit Reduction Server ausführen. Erfahren Sie mehr über Vertex AI Training. Weitere Informationen zum Gemini Enterprise Agent Platform Reduction Server Anleitungsschritte Erstellen Sie eine verteilte PyTorch-Trainingsanwendung. Verpacken Sie die Trainingsanwendung mit vordefinierten Containern. Benutzerdefinierten Job in der Gemini Enterprise Agent Platform mit Reduction Server erstellen Job senden und überwachen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit Python-Paket, verwaltetem Text-Dataset und TF-Bereitstellungscontainer. Erfahren Sie, wie Sie mithilfe von benutzerdefinierten Python-Pakettrainings ein benutzerdefiniertes Modell erstellen. Außerdem erfahren Sie, wie Sie das Modell mit einem TensorFlow-Bereitstellungscontainer für Onlinevorhersagen bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Dienstfunktionen zum Herunterladen von Daten und zum Vorbereiten von CSV-Dateien für das Erstellen eines verwalteten Datasets für die Gemini Enterprise Agent Platform erstellen Daten herunterladen Bereiten Sie CSV-Dateien für das Erstellen verwalteter Datasets vor Erstellen Sie ein Python-Paket für benutzerdefiniertes Training Erstellen Sie einen TensorFlow-Bereitstellungscontainer Führen Sie ein benutzerdefiniertes Python-Pakettraining mit verwaltetem Text-Dataset aus Modell bereitstellen und Endpunkt in der Gemini Enterprise Agent Platform erstellen Erstellen Sie Vorhersagen auf dem Endpunkt Erstellen Sie einen Batchvorhersagejob für das Modell	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
BigQuery ML ARML+-Prognosen für tabellarische Daten	BigQuery ML ARIMA_PLUS-Modell mit Tabular-Workflows der Gemini Enterprise Agent Platform trainieren Erfahren Sie , wie Sie das BigQuery ML ARIMA_PLUS-Modell mit einer Gemini Enterprise Agent Platform-Trainingspipeline aus Google Cloud-Pipeline-Komponenten erstellen und dann eine Batchvorhersage mit der entsprechenden Vorhersagepipeline erstellen. Weitere Informationen zu BigQuery ML ARIMA+-Prognosen für tabellarische Daten Anleitungsschritte Trainieren Sie das BigQuery ML ARIMA_PLUS-Modell. Sehen Sie sich die BigQuery ML-Modellbewertung an. Erstellen Sie eine Batchvorhersage mit dem BigQuery ML-Modell.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Google Cloud-Pipeline-Komponenten Prophet für tabellarische Daten	Prophet-Modell mit tabellarischen Workflows der Gemini Enterprise Agent Platform trainieren. Erfahren Sie , wie Sie mithilfe einer Gemini Enterprise Agent Platform-Trainingspipeline aus Google Cloud-Pipeline-Komponenten mehrere Prophet-Modelle erstellen und dann mit der entsprechenden Vorhersage-Pipeline eine Batchvorhersage erstellen. Weitere Informationen zu Google Cloud-Pipeline-Komponenten. Weitere Informationen zu Prophet für tabellarische Daten. Anleitungsschritte 1. Trainieren Sie die Prophet-Modelle. 1. Rufen Sie die Bewertungsmesswerte auf. 1. Erstellen Sie eine Batchvorhersage mit den Prophet-Modellen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Vertex AI TensorBoard-Training mit benutzerdefiniertem Container Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von benutzerdefinierten Containern erstellen und den Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Docker-Repository und eine Docker-Konfiguration. Erstellen Sie ein benutzerdefiniertes Container-Image mit Ihrem benutzerdefinierten Trainingscode. Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit dem benutzerdefinierten Container.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Vertex AI TensorBoard-Training mit vordefiniertem Container. Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von vordefinierten Containern erstellen und Ihren Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Schreiben Sie Ihren benutzerdefinierten Trainingscode. Verpacken Sie Ihren Trainingscode und laden Sie ihn in Cloud Storage hoch. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit aktiviertem Vertex AI TensorBoard für Monitoring nahezu in Echtzeit.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard	Vertex AI TensorBoard-Hyperparameter-Abstimmung mit dem HParams-Dashboard. In diesem Notebook trainieren Sie ein Modell und führen mit TensorFlow eine Hyperparameter-Abstimmung durch. Anleitungsschritte Passen Sie TensorFlow-Ausführungen für das Logging von Hyperparametern und Messwerten an. Starten Sie Ausführungen und protokollieren Sie alle in einem übergeordneten Verzeichnis. Visualisieren Sie die Ergebnisse im HParams-Dashboard von Vertex AI TensorBoard.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Profiler Vertex AI TensorBoard	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Profiler für benutzerdefinierte Trainingsjobs aktivieren. Profiler Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Vertex AI TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Profiler Vertex AI TensorBoard	Leistung des Modelltrainings mit Cloud Profiler im benutzerdefinierten Training mit vordefiniertem Container profilieren. Informationen zum Aktivieren des Profilers in der Gemini Enterprise Agent Platform für benutzerdefinierte Trainingsjobs mit einem vordefinierten Container. Profiler Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte Bereiten Sie Ihren benutzerdefinierten Trainingscode vor und laden Sie Ihren Trainingscode als ein Python-Paket in einen vordefinierten Container Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Gemini Enterprise Agent Platform-Pipelines	Einbindung von Vertex AI TensorBoard in Gemini Enterprise Agent Platform Pipelines. Erfahren Sie, wie Sie mit dem KFP SDK eine Trainingspipeline erstellen, die Pipeline in Gemini Enterprise Agent Platform Pipelines ausführen und den Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zu Pipelines für die Gemini Enterprise Agent Platform Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen Sie eine KFP-Pipeline mit Ihrem benutzerdefinierten Trainingscode. Kompilieren Sie die KFP-Pipeline in Gemini Enterprise Agent Platform Pipelines und führen Sie sie aus, wobei Vertex AI TensorBoard für das Monitoring nahezu in Echtzeit aktiviert ist.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform	Verteilte Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform. In diesem Notebook erstellen Sie ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container. Weitere Informationen zur Hyperparameter-Abstimmung auf der Gemini Enterprise Agent Platform Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Erste Schritte mit Vertex AI Training für LightGBM. Informationen zum Trainieren eines benutzerdefinierten LightGBM-Modells mit der Methode für benutzerdefinierte Container für Vertex AI Training. Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie einen FastAPI-Vorhersageserver. Erstellen Sie ein Dockerfile-Bereitstellungsimage für den Server. Testen Sie das Bereitstellungsimage lokal (optional und nicht für Colab-Nutzer). Erstellen Sie eine Modellressource für die Gemini Enterprise Agent Platform. Führen Sie einen Batchvorhersage-Job aus. Stellen Sie das Modell auf einem Endpunkt bereit und senden Sie Anfragen für die Onlinevorhersage. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Verteiltes Training in der Gemini Enterprise Agent Platform	Erste Schritte mit Distributed Training für die Gemini Enterprise Agent Platform Erfahren Sie, wie Sie verteiltes Training der Gemini Enterprise Agent Platform beim Training mit Gemini Enterprise Agent Platform verwenden. Weitere Informationen zum verteilten Training auf der Gemini Enterprise Agent Platform Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform	Hyperparameter-Abstimmung für ein TensorFlow-Modell ausführen. Erfahren Sie, wie Sie einen Hyperparameter-Abstimmungsjob für die Gemini Enterprise Agent Platform für ein TensorFlow-Modell ausführen. Weitere Informationen zur Hyperparameter-Abstimmung auf der Gemini Enterprise Agent Platform Anleitungsschritte Ändern Sie den Trainingsanwendungscode für die automatische Hyperparameter-Abstimmung. Containerisieren Sie den Trainingsanwendungscode. Konfigurieren und starten Sie einen Hyperparameter-Abstimmungsjob mit dem Gemini Enterprise Agent Platform Python SDK.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Hyperparameter-Abstimmung für die Gemini Enterprise Agent Platform	Gemini Enterprise Agent Platform-Hyperparameter-Abstimmung für XGBoost. Informationen zum Trainieren eines XGBoost-Modells mit dem Dienst zur Hyperparameter-Abstimmung der Gemini Enterprise Agent Platform. Weitere Informationen zur Hyperparameter-Abstimmung auf der Gemini Enterprise Agent Platform Anleitungsschritte Training mit einem Python-Trainingsanwendungspaket durchführen Erstellen Sie einen Bericht zur Accuracy während der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Geben Sie das beste Modell an.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Paralleles PyTorch-Bildklassifizierungstraining mit verteilten Daten und mehreren Knoten auf CPU mit Gemini Enterprise Agent Platform-Training und benutzerdefiniertem Container. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Agent Platform SDK für Python und benutzerdefinierten Containern erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Google Cloud -Projekt einrichten	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vertex AI Training	PyTorch-Bildklassifizierung mit parallelem Training mit verteilten Daten und mehreren NCCL-Knoten auf CPU und Gemini Enterprise Agent Platform Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Agent Platform SDK für Python und benutzerdefinierten Containern erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Container mit Artifact Registry und Docker. Erstellen Sie eine TensorBoard-Instanz für die Gemini Enterprise Agent Platform, um Ihren Gemini Enterprise Agent Platform-Test zu speichern. Führen Sie einen Gemini Enterprise Agent Platform-Trainingsjob mit dem Agent Platform SDK für Python aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training	PyTorch-Textsentiment-Klassifizierungsmodell in der Gemini Enterprise Agent Platform trainieren, abstimmen und bereitstellen Erfahren Sie, wie Sie ein PyTorch-Modell in der Gemini Enterprise Agent Platform erstellen, trainieren, abstimmen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Trainingspaket für das Textklassifizierungsmodell. Trainieren Sie das Modell mit benutzerdefiniertem Training auf der Gemini Enterprise Agent Platform. Prüfen Sie die erstellten Modellartefakte. Erstellen Sie einen benutzerdefinierten Container für Vorhersagen. Stellen Sie das trainierte Modell mithilfe des benutzerdefinierten Containers für Vorhersagen in einem Gemini Enterprise Agent Platform-Endpunkt bereit. Senden und validieren Sie Onlinevorhersageanfragen an das bereitgestellte Modell. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
PyTorch-Integration in die Gemini Enterprise Agent Platform	PyTorch-Modell in der Gemini Enterprise Agent Platform mit Daten aus Cloud Storage trainieren Hier erfahren Sie, wie Sie einen Trainingsjob mit PyTorch und einem in Cloud Storage gespeicherten Dataset erstellen. Weitere Informationen zur PyTorch-Integration in die Gemini Enterprise Agent Platform Anleitungsschritte Schreiben Sie ein benutzerdefiniertes Trainingsscript, das Ihre Trainings- und Test-Datasets erstellt und das Modell trainiert. Führen Sie einen CustomTrainingJob mit dem Agent Platform SDK für Python aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Verteiltes Training	PyTorch torchrun verwenden, um das Training mit mehreren Knoten und benutzerdefinierten Containern zu vereinfachen Erfahren Sie, wie Sie ein ImageNet-Modell mit Torchrun von PyTorch auf mehreren Knoten trainieren. Erfahren Sie mehr über verteiltes Training. Anleitungsschritte Erstellen Sie ein Shell-Script, um einen ETCD-Cluster auf dem Masterknoten zu starten Erstellen Sie ein Trainingsscript mit Code aus dem GitHub-Repository von PyTorch Elastic Erstellen Sie Container, die die Daten herunterladen, und einen ETCD-Cluster auf dem Host starten Trainieren Sie das Modell mit mehreren Knoten mit GPUs	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Benutzerdefiniertes Training	Verteiltes XGBoost-Training mit Dask. Hier erfahren Sie, wie Sie mithilfe von XGBoost mit Dask einen verteilten Trainingsjob erstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Konfigurieren Sie die Variablen PROJECT_ID und LOCATION für Ihr Google Cloud-Projekt. Erstellen Sie einen Cloud Storage-Bucket zum Speichern Ihrer Modellartefakte. Erstellen Sie einen benutzerdefinierten Docker-Container, der Ihren Trainingscode hostet, und übertragen Sie das Container-Image per Push in Artifact Registry. Führen Sie einen Agent Platform SDK-CustomContainerTrainingJob aus.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
vector_search	Multimodale Einbettungen und die Vektorsuche auf der Gemini Enterprise Agent Platform verwenden. Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Anleitungsschritte Bild-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vektorsuche auf der Gemini Enterprise Agent Platform	Vektorsuche der Gemini Enterprise Agent Platform für StackOverflow-Fragen verwenden Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zur Vektorsuche auf der Gemini Enterprise Agent Platform Anleitungsschritte ANN-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index bereitstellen Onlineabfrage ausführen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vektorsuche auf der Gemini Enterprise Agent Platform Gemini Enterprise Agent Platform-Einbettungen für Text	Vektorsuche und Einbettungen für Text der Gemini Enterprise Agent Platform für StackOverflow-Fragen verwenden Hier erfahren Sie, wie Sie Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zur Vektorsuche auf der Gemini Enterprise Agent Platform Weitere Informationen zu Gemini Enterprise Agent Platform Embeddings for Text Anleitungsschritte BigQuery-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Vektorsuche auf der Gemini Enterprise Agent Platform	Vektorsuchindex für die Gemini Enterprise Agent Platform erstellen. Erfahren Sie, wie Sie einen Index zu ungefähren nächsten Nachbarn erstellen, Abfragen für Indexe ausführen und die Leistung des Index prüfen. Weitere Informationen zur Vektorsuche auf der Gemini Enterprise Agent Platform Anleitungsschritte ANN-Index und Brute-Force-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index und Brute-Force-Index bereitstellen Onlineabfrage ausführen Recall berechnen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Vizier	Mehrere Ziele mit Agent Platform Vizier optimieren. Informationen zur Verwendung von Agent Platform Vizier zum Optimieren einer Studie mit mehreren Zielen. Weitere Informationen zu Agent Platform Vizier Anleitungsschritte	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Agent Platform Vizier	Erste Schritte mit Agent Platform Vizier Agent Platform Vizier für das Training mit der Gemini Enterprise Agent Platform verwenden Weitere Informationen zu Agent Platform Vizier Anleitungsschritte Hyperparameter-Feinabstimmung mit Zufallsalgorithmus durchführen. Hyperparameter-Abstimmung mit dem Vizier-Algorithmus (Bayes) der Agent Platform durchführen. Tests vorschlagen und Ergebnisse für die Agent Platform Vizier-Studie aktualisieren	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Vertex AI Training	Klassifizierungsmodell mit mehreren Klassen für die Anzeigenausrichtung trainieren. Erfahren Sie, wie Sie Daten aus BigQuery erfassen, vorverarbeiten und ein Klassifizierungsmodell mit mehreren Klassen für ein E-Commerce-Dataset trainieren. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Rufen Sie die erforderlichen Daten aus BigQuery ab Daten vorverarbeiten Trainieren Sie ein TensorFlow-Klassifizierungsmodell (>=2.4) Bewerten Sie den Verlust des trainierten Modells Automatisieren Sie die Notebook-Ausführung mit dem Executor-Feature Speichern Sie das Modell in einem Cloud Storage-Pfad Bereinigen Sie die erstellten Ressourcen	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Einzelhandelsnachfrage mit der Gemini Enterprise Agent Platform und BigQuery ML prognostizieren. Erfahren Sie, wie Sie ein ARIMA-Modell (Autoregressive Integrated Moving Average) aus BigQuery ML anhand von Einzelhandelsdaten erstellen. Weitere Informationen zu Gemini Enterprise Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Daten analysieren Modellieren Sie mit BigQuery und dem ARIMA-Modell Modell bewerten Bewerten Sie die Modellergebnisse mithilfe von BigQuery ML (für Trainingsdaten) Bewerten Sie die Modellergebnisse MAE, MAPE, MSE, RMSE (für Testdaten) Verwenden Sie das Executor-Feature	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Interaktive explorative Analyse von BigQuery-Daten in einem Notebook. Lernen Sie verschiedene Möglichkeiten kennen, um BigQuery-Daten in einer Jupyter-Notebook-Umgebung zu untersuchen und daraus Informationen zu gewinnen. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Verwenden Sie Python und SQL, um öffentliche Daten in BigQuery abzufragen Werten Sie das Dataset mithilfe von BigQuery INFORMATION_SCHEMA aus Erstellen Sie interaktive Elemente, um interessante Teile der Daten besser zu untersuchen Führen Sie einige explorative Korrelationen und Zeitachsenanalysen durch Erstellen Sie statische und interaktive Ausgaben (Datentabellen und -abbildungen) im Notebook Speichern Sie einige Ausgaben in Cloud Storage	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Benutzerdefiniertes Training	Betrugserkennungsmodell auf der Gemini Enterprise Agent Platform erstellen. In dieser Anleitung wird die Datenanalyse und die Modellerstellung mit einem synthetischen Finanz-Dataset veranschaulicht. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Installieren Sie erforderliche Bibliotheken Lesen Sie das Dataset aus einem Cloud Storage-Bucket Führen Sie explorative Analysen des Datasets aus Vorverarbeiten Sie das Dataset Trainieren Sie ein Random Forest-Modell mithilfe von scikitlearn Speichern Sie das Modell in einem Cloud Storage-Bucket Gemini Enterprise Agent Platform-Modellressource erstellen und auf einem Endpunkt bereitstellen Führen Sie das What-If-Tool für Testdaten aus Heben Sie die Modellbereitstellung auf und bereinigen Sie die Modellressourcen	Colab GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML. Erfahren Sie, wie Sie ein Neigungsmodell in BigQuery ML trainieren und bewerten. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Sehen Sie sich die aus Google Analytics 4 exportierten Daten in BigQuery an. Bereiten Sie die Trainingsdaten mithilfe von demografischen Informationen, Verhaltensdaten und Labels (Abwanderung/Nichtabwanderung) vor. Trainieren Sie mithilfe von BigQuery ML ein XGBoost-Modell. Bewerten Sie das Modell mithilfe von BigQuery ML. Mit BigQuery ML können Sie vorhersagen, welche Nutzer wahrscheinlich abwandern werden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Gemini Enterprise Agent Platform-Schulung	Vorausschauende Wartung mit der Gemini Enterprise Agent Platform. Workflows zum Trainieren automatisieren und ein Modell mit der Executor-Funktion von Gemini Enterprise Agent Platform Workbench bereitstellen. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zum Training der Gemini Enterprise Agent Platform Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Im Dataset vorhandene Felder analysieren. Wählen Sie die erforderlichen Daten für das Modell zur vorausschauenden Instandhaltung aus. Trainieren Sie ein XGBoost-Regressionsmodells zur Vorhersage der verbleibenden nützlichen Lebensdauer. Bewerten Sie das Modell. Leiten Sie eine End-to-End-Ausführung des Notebooks als Trainingsjob mit Executor ein. Das Modell wird auf der Gemini Enterprise Agent Platform bereitgestellt. bereinigen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Analyse der Preisoptimierung für CDM-Preisdaten. Das Ziel dieses Notebooks ist es, mithilfe von BigQuery ML ein Preisoptimierungsmodell zu erstellen. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Analysieren Sie die im Dataset vorhandenen Felder. Verarbeiten Sie die Daten, um ein Modell zu erstellen. Erstellen Sie ein BigQuery ML-Prognosemodell anhand der verarbeiteten Daten. Rufen Sie prognostizierte Werte aus dem BigQuery ML-Modell ab. Interpretieren Sie die Prognosen, um die besten Preise zu ermitteln. bereinigen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Serverloses Dataproc für Spark	Daten aus BigQuery mit Dataproc auswerten und analysieren. In dieser Notebook-Anleitung wird ein Apache Spark-Job ausgeführt, der Daten aus dem BigQuery-Dataset GitHub-Aktivitätsdaten abruft, die Daten abfragt und die Ergebnisse anschließend wieder in BigQuery schreibt. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zu Dataproc Serverless für Spark. Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie Daten aus BigQuery in einen Spark-DataFrame auf. Vorverarbeiten Sie die aufgenommenen Daten. Fragen Sie die am häufigsten verwendete Programmiersprache in Monoglot-Repositories ab. Fragen Sie die durchschnittliche Größe (MB) von Code in jeder Sprache ab, die in Monolot-Repositories gespeichert ist. Fragen Sie die Sprachendateien ab, die am häufigsten in Polyglot-Repositories zusammen gefunden werden. Schreiben Sie die Abfrageergebnisse wieder in BigQuery. Löschen Sie die Ressourcen, die für diese Notebook-Anleitung erstellt wurden.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Dataproc	SparkML mit Dataproc und BigQuery. In dieser Anleitung wird ein Apache SparkML-Job ausgeführt, der Daten aus dem BigQuery-Dataset abruft, eine explorative Datenanalyse durchführt, die Daten bereinigt, das Feature Engineering ausführt, das Modell trainiert, das Modell bewertet, das Ergebnis ausgibt und das Modell in einem Cloud Storage-Bucket speichert. Weitere Informationen zur Gemini Enterprise Agent Platform Workbench Weitere Informationen zu Dataproc Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Erstellen Sie einen Cloud Storage-Bucket und ein BigQuery-Dataset. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie BigQuery-Daten in einen Spark-DataFrame auf. Führen Sie die explorative Datenanalyse (EDA) aus. Visualisieren Sie die Daten mit Beispielen. Bereinigen Sie die Daten. Wählen Sie Features aus. Trainieren Sie das Modell. Geben Sie Ergebnisse aus. Speichern Sie das Modell in einem Cloud Storage-Bucket. Löschen Sie die für die Anleitung erstellten Ressourcen.	Colab Colab Enterprise GitHub Gemini Enterprise Agent Platform Workbench