Tutoriels sur les notebooks Agent Platform

Ce document contient une liste de tutoriels de notebooks disponibles pour la plate-forme Gemini Enterprise Agent. Ces tutoriels de bout en bout vous aident à faire vos premiers pas avec Agent Platform et vous donnent des idées pour mettre en œuvre un projet spécifique.

Vous pouvez héberger des notebooks dans de nombreux environnements. Vous pouvez les exécuter dans le cloud à l'aide d'un service tel que Colaboratory (Colab), Colab Enterprise ou Gemini Enterprise Agent Platform Workbench. Vous pouvez également télécharger les notebooks depuis GitHub et les exécuter sur votre ordinateur local ou sur une implémentation JupyterLab dans votre réseau local.

Colab

Pour ouvrir un tutoriel sur les notebooks dans Colab, cliquez sur le lien Colab dans la liste des notebooks. Colab crée une instance de VM disposant de toutes les dépendances requises, lance l'environnement Colab et charge le notebook.

Colab Enterprise

Pour ouvrir un tutoriel sur les notebooks dans Colab Enterprise :

1. Configurez un projet Google Cloud et activez les API requises.
2. Cliquez sur le lien Colab Enterprise dans la liste des notebooks. Colab Enterprise charge le notebook.

Agent Platform Workbench

Pour ouvrir un tutoriel de notebook dans Agent Platform Workbench, procédez comme suit :

1. Créez une instance Agent Platform Workbench.
2. Cliquez sur le lien Agent Platform Workbench dans la liste des notebooks.
3. Sélectionnez une instance Agent Platform Workbench active. Si aucune de vos instances n'est en cours d'exécution, sélectionnez-en une, puis cliquez sur Démarrer. Une fois l'instance démarrée, sélectionnez-la à nouveau.
4. Cliquez sur Déployer.
5. Sur la page Confirm deployment to notebook server (Confirmer le déploiement sur le serveur de notebooks), sélectionnez Confirm (Confirmer). Agent Platform Workbench charge le notebook.
6. Dans la boîte de dialogue Sélectionner le noyau, sélectionnez Python 3, puis cliquez sur Sélectionner.

GitHub

Pour télécharger un tutoriel de notebook depuis GitHub :

1. Cliquez sur le lien GitHub dans la liste des notebooks.
2. Dans GitHub, cliquez sur le bouton  Download raw file (Télécharger le fichier brut).
3. Remplissez la boîte de dialogue pour télécharger le notebook.

Liste des notebooks

Sélectionner un service 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

Services	Description	Ouvrir dans
Classification de données tabulaires	Entraînement tabulaire et prédiction AutoML Découvrez comment entraîner un modèle AutoML et l'utiliser pour effectuer des prédictions sur un ensemble de données tabulaire. En savoir plus sur la classification de données tabulaires. Étapes du tutoriel Créez un job d'entraînement de modèle Gemini Enterprise Agent Platform. Entraîner un modèle tabulaire AutoML. Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Effectuer une prédiction en envoyant des données Annuler le déploiement de la ressource du modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Obtenir des prédictions à partir d'un modèle de classification d'images	Entraînement AutoML d'un modèle de classification d'images pour la prédiction par lot Dans ce tutoriel, vous allez créer un modèle de classification d'images AutoML à partir d'un script Python, puis effectuer une prédiction par lot à l'aide de Vertex SDK. Apprenez à obtenir des prédictions à partir d'un modèle de classification d'images. Étapes du tutoriel Créer une ressource d'ensemble de données Vertex. Entraîner le modèle Afficher l'évaluation du modèle Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Obtenir des prédictions à partir d'un modèle de classification d'images	Entraînement AutoML d'un modèle de classification d'images pour la prédiction en ligne. Dans ce tutoriel, vous allez créer un modèle de classification d'images AutoML et le déployer pour la prédiction en ligne à partir d'un script Python à l'aide de Vertex SDK. Apprenez à obtenir des prédictions à partir d'un modèle de classification d'images. Étapes du tutoriel Créer une ressource Dataset Vertex. Entraîner le modèle Afficher l'évaluation du modèle Déployer la ressource Model sur une ressource Endpoint de diffusion. Effectuer une prédiction. Annuler le déploiement de Model.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
AutoML	Entraînement AutoML d'un modèle de détection d'objets d'image pour l'exportation vers Edge. Dans ce tutoriel, vous allez créer un modèle de détection d'objets au sein d'images AutoML à partir d'un script Python à l'aide de Vertex SDK, puis l'exporter en tant que modèle Edge au format TFLite. Étapes du tutoriel Créer une ressource d'ensemble de données Vertex. Entraîner le modèle Exporter le modèle Edge de la ressource de modèle vers Cloud Storage. Téléchargez le modèle localement. Effectuer une prédiction locale.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Détection d'objets pour les données d'image	Entraînement AutoML d'un modèle de détection d'objets d'image pour la prédiction en ligne. Dans ce tutoriel, vous allez créer un modèle de détection d'objets au sein d'images AutoML et le déployer pour la prédiction en ligne à partir d'un script Python à l'aide du SDK Agent Platform. En savoir plus sur la détection d'objets pour les données d'image. Étapes du tutoriel Créez une ressource d'ensemble de données Gemini Enterprise Agent Platform. Entraîner le modèle Afficher l'évaluation du modèle Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Effectuer une prédiction. Annuler le déploiement du modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Workflow tabulaire pour E2E AutoML	Pipelines de workflow tabulaire AutoML. Découvrez comment créer deux modèles de régression à l'aide de Gemini Enterprise Agent Platform Pipelines téléchargés à partir des composants du pipeline Google Cloud . En savoir plus sur le workflow tabulaire pour AutoML E2E. Étapes du tutoriel Créer un pipeline d'entraînement qui réduit l'espace de recherche par défaut afin de gagner du temps. Créer un pipeline d'entraînement qui réutilise les résultats de recherche d'architecture du pipeline précédent pour gagner du temps.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement AutoML	Premiers pas avec l'entraînement AutoML. Découvrez comment utiliser AutoML pour l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur l'entraînement AutoML. Étapes du tutoriel Entraîner un modèle d'image. Exporter le modèle d'image en tant que modèle de périphérie. Entraîner un modèle tabulaire. Exporter le modèle tabulaire en tant que modèle cloud. Entraîner un modèle de texte.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Prévisions hiérarchiques pour les données tabulaires	Entraînement AutoML de prévisions hiérarchiques pour la prédiction par lot avec Gemini Enterprise Agent Platform. Dans ce tutoriel, vous allez créer un modèle de prévision hiérarchique AutoML et le déployer pour la prédiction par lot à l'aide du SDK Agent Platform pour Python. En savoir plus sur les prévisions hiérarchiques pour les données tabulaires. Étapes du tutoriel Créer une ressource Gemini Enterprise Agent Platform "TimeSeriesDataset". Entraîner le modèle Afficher l'évaluation du modèle Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Détection d'objets pour les données d'image	Entraînement AutoML d'un modèle de détection d'objets au sein d'images pour la prédiction par lot. Dans ce tutoriel, vous allez créer un modèle de détection d'objets au sein d'images AutoML à partir d'un script Python, puis effectuer une prédiction par lot à l'aide du SDK Agent Platform pour Python. En savoir plus sur la détection d'objets pour les données d'image. Étapes du tutoriel Créer une ressource d'ensemble de données Vertex. Entraîner le modèle Afficher l'évaluation du modèle Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Prévision avec AutoML	Modèle de prévision tabulaire AutoML pour la prédiction par lot. Découvrez comment créer un modèle de prévision tabulaire AutoML à partir d'un script Python, puis générer une prédiction par lot à l'aide du SDK Agent Platform. En savoir plus sur les prévisions avec AutoML. Étapes du tutoriel Créez une ressource d'ensemble de données Gemini Enterprise Agent Platform. Entraîner une ressource de modèle de prévision tabulaire AutoML. Récupérer les métriques d'évaluation de la ressource de modèle. Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Régression pour les données tabulaires	Entraînement AutoML d'un modèle de régression tabulaire pour la prédiction par lot à l'aide de BigQuery. Découvrez comment créer un modèle de régression tabulaire AutoML et le déployer pour la prédiction par lot à l'aide du SDK Agent Platform pour Python. En savoir plus sur la régression des données tabulaires. Étapes du tutoriel Créez une ressource d'ensemble de données Gemini Enterprise Agent Platform. Entraîner une ressource de modèle de régression tabulaire AutoML. Récupérer les métriques d'évaluation de la ressource de modèle. Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Régression pour les données tabulaires	Entraînement AutoML d'un modèle de régression tabulaire pour la prédiction en ligne à l'aide de BigQuery. Découvrez comment créer un modèle de régression tabulaire AutoML et le déployer pour la prédiction en ligne à partir d'un script Python à l'aide du SDK Agent Platform. En savoir plus sur la régression des données tabulaires. Étapes du tutoriel Créer une ressource d'ensemble de données Vertex. Entraîner le modèle Afficher l'évaluation du modèle Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Effectuer une prédiction. Annuler le déploiement du modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
BigQuery ML	Premiers pas avec l'entraînement BigQuery ML. Découvrez comment utiliser BigQuery ML pour l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur BigQuery ML. Étapes du tutoriel Créer une table BigQuery locale dans votre projet. Entraîner un modèle BigQuery ML. Évaluer le modèle BigQuery ML. Exporter le modèle BigQuery ML en tant que modèle cloud. Importer le modèle exporté en tant que ressource de modèle Gemini Enterprise Agent Platform Régler les hyperparamètres d'un modèle BigQuery ML avec Agent Platform Vizier Enregistrer automatiquement un modèle BigQuery ML dans Model Registry	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé Vertex AI Inference	Déploiement d'un modèle de détection d'iris à l'aide de FastAPI et diffusion à partir de conteneurs personnalisés Gemini Enterprise Agent Platform. Découvrez comment créer, déployer et diffuser un modèle de classification personnalisé sur Gemini Enterprise Agent Platform. En savoir plus sur l'entraînement personnalisé. En savoir plus sur Vertex AI Inference. Étapes du tutoriel Entraîner un modèle qui utilise les mesures de fleurs comme entrée pour prédire la classe d'iris. Enregistrer le modèle et son préprocesseur sérialisé. Créer un serveur FastAPI pour gérer les prédictions et les vérifications d'état. Créer un conteneur personnalisé avec des artefacts de modèle. Importer et déployer un conteneur personnalisé sur les points de terminaison Gemini Enterprise Agent Platform.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Entraînement d'un modèle TensorFlow sur des données BigQuery. Découvrez comment créer un modèle d'entraînement personnalisé à partir d'un script Python dans un conteneur Docker à l'aide du SDK Agent Platform pour Python, puis comment obtenir une prédiction à partir du modèle déployé en envoyant des données. En savoir plus sur Vertex AI Training. Étapes du tutoriel Créez un TrainingPipeline personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle. Entraîner un modèle TensorFlow Déployer la ressource Model sur une ressource Endpoint de diffusion. Effectuer une prédiction. Annuler le déploiement de la ressource Model.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé	Entraînement personnalisé avec une image de conteneur personnalisé et importation automatique du modèle dans Model Registry. Dans ce tutoriel, vous allez entraîner un modèle de machine learning à l'aide d'une approche d'image de conteneur personnalisé pour l'entraînement personnalisé dans Gemini Enterprise Agent Platform. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer un job personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle. Entraîner et enregistrer un modèle TensorFlow à l'aide d'un conteneur personnalisé. Répertoriez le modèle enregistré dans Model Registry.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Cloud Profiler	Profiler les performances d'entraînement des modèles à l'aide de Cloud Profiler. Découvrez comment activer Cloud Profiler pour les jobs d'entraînement personnalisé. En savoir plus sur Cloud Profiler. Étapes du tutoriel Configurer un compte de service et un bucket Cloud Storage. Créer une instance Vertex AI TensorBoard. Créer et exécuter un job d'entraînement personnalisé. Afficher le tableau de bord de Cloud Profiler.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé	Faites vos premiers pas avec Vertex AI Training pour XGBoost. Découvrez comment utiliser Vertex AI Training pour entraîner un modèle personnalisé XGBoost. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel L'entraînement à l'aide d'un package Python. Précision du rapport lors du réglage d'hyperparamètres Enregistrez les artefacts de modèle dans Cloud Storage à l'aide de Cloud StorageFuse. Créez une ressource de modèle Gemini Enterprise Agent Platform.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Ressources partagées entre les déploiements	Premiers pas avec les points de terminaison et les VM partagées Découvrez comment utiliser des pools de ressources de déploiement pour déployer des modèles. Apprenez-en plus sur les ressources partagées entre les déploiements. Étapes du tutoriel Importer un modèle de classification d'images pré-entraîné en tant que ressource Model (modèle A). Importer un modèle d'encodeur de phrases texte pré-entraîné en tant que ressource Model (modèle B). Créez un pool de ressources de déploiement de VM partagé. Répertorier les pools de ressources de déploiement de VM partagés. Créer deux ressources Endpoint. Déployer le premier modèle (modèle A) sur la première ressource Endpoint à l'aide du pool de ressources de déploiement. Déployer le deuxième modèle (modèle B) sur la deuxième ressource Endpoint à l'aide du pool de ressources de déploiement. Effectuez une requête de prédiction avec le premier modèle déployé (modèle A). Effectuez une requête de prédiction avec le second modèle déployé (modèle B).	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé Gemini Enterprise Agent Platform Batch Prediction	Entraînement personnalisé et prédiction par lot. Découvrez comment utiliser Vertex AI Training pour créer un modèle entraîné personnalisé, puis comment utiliser la prédiction par lot Gemini Enterprise Agent Platform pour effectuer une prédiction par lot sur le modèle entraîné. En savoir plus sur l'entraînement personnalisé. En savoir plus sur la prédiction par lots Gemini Enterprise Agent Platform Étapes du tutoriel Créer un job personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle TensorFlow. Importer les artefacts de modèle entraîné en tant que ressource de modèle. Effectuer une prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé Vertex AI Inference	Entraînement personnalisé et prédiction en ligne. Découvrez comment utiliser Vertex AI Training pour créer un modèle entraîné personnalisé à partir d'un script Python dans un conteneur Docker, et comment utiliser Vertex AI Inference pour effectuer une prédiction sur le modèle déployé en envoyant des données. En savoir plus sur l'entraînement personnalisé. En savoir plus sur Vertex AI Inference. Étapes du tutoriel Créer un job personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle TensorFlow. Importer les artefacts de modèle entraîné dans une ressource Model. Créer une ressource Endpoint de diffusion. Déployer la ressource Model sur une ressource Endpoint de diffusion. Effectuer une prédiction. Annuler le déploiement de la ressource Model.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Ensembles de données BigQuery Gemini Enterprise Agent Platform pour les utilisateurs de BigQuery	Premiers pas avec les ensembles de données BigQuery. Découvrez comment utiliser BigQuery comme ensemble de données pour l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur les ensembles de données BigQuery. En savoir plus sur Gemini Enterprise Agent Platform pour les utilisateurs de BigQuery Étapes du tutoriel Créer une ressource d'ensemble de données Gemini Enterprise Agent Platform à partir d'une table BigQuery compatible avec l'entraînement AutoML. Extraire une copie de l'ensemble de données de "BigQuery" vers un fichier CSV dans Cloud Storage compatible avec l'entraînement personnalisé ou AutoML. Sélectionner les lignes d'un ensemble de données "BigQuery" dans un DataFrame "pandas" compatible avec l'entraînement personnalisé. Sélectionner les lignes d'un ensemble de données BigQuery dans un tf.data.Dataset compatible avec l'entraînement personnalisé de modèles TensorFlow. Sélectionner les lignes de fichiers CSV extraits dans un tf.data.Dataset compatible avec l'entraînement personnalisé de modèles TensorFlow. Créer un ensemble de données BigQuery à partir de fichiers CSV. Extraire les données d'une table "BigQuery" vers une "DMatrix" compatible avec l'entraînement personnalisé de modèles "XGBoost".	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Vertex ML Metadata	Créer une traçabilité dans Gemini Enterprise Agent Platform Experiments pour l'entraînement personnalisé. Découvrez comment intégrer du code de prétraitement dans des expériences Gemini Enterprise Agent Platform. En savoir plus sur Vertex AI Experiments. En savoir plus sur Vertex ML Metadata. Étapes du tutoriel Exécuter le module pour le prétraitement des données. Créer un artefact d'ensemble de données. Enregistrer les paramètres. Exécuter le module pour l'entraînement du modèle. Enregistrer les paramètres. Créer un artefact de modèle. Attribuer la traçabilité de suivi à l'ensemble de données, au modèle et aux paramètres.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Assurer le suivi des paramètres et des métriques pour les modèles entraînés localement. Découvrez comment utiliser Vertex AI Experiments pour comparer et évaluer des tests de modèle. En savoir plus sur Vertex AI Experiments. Étapes du tutoriel Enregistrer les paramètres du modèle. Enregistrer la perte et les métriques à chaque epoch dans Vertex AI TensorBoard Enregistrer les métriques d'évaluation.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Pipelines Gemini Enterprise Agent Platform	Comparer les exécutions de pipeline avec les tests Vertex AI Experiments. Découvrez comment utiliser Vertex AI Experiments pour consigner un job de pipeline, puis comparer différents jobs de pipeline. En savoir plus sur Vertex AI Experiments. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Formaliser un composant d'entraînement Créer un pipeline d'entraînement Exécuter plusieurs jobs de pipeline et consigner leurs résultats Comparer différents jobs de pipeline	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard	Supprimez les tests obsolètes dans Vertex AI TensorBoard. Découvrez comment supprimer les tests Vertex AI TensorBoard obsolètes pour éviter des coûts de stockage inutiles. En savoir plus sur Vertex AI TensorBoard. Étapes du tutoriel Comment supprimer le test TB avec une paire de libellés clé-valeur prédéfinie Comment supprimer les tests TB créés avant le paramètre create_time Comment supprimer les tests TB créés avant le paramètre update_time	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Journalisation automatique de l'entraînement personnalisé – Script local. Découvrez comment consigner automatiquement les paramètres et les métriques d'un test de ML exécuté sur Vertex AI Training en exploitant l'intégration avec Vertex AI Experiments. Étapes du tutoriel Formaliser le test d'un modèle dans un script Exécuter l'entraînement de modèle à l'aide d'un script local sur Vertex AI Training Découvrez les paramètres et les métriques de tests de ML dans Vertex AI Experiments.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments Vertex ML Metadata Entraînement personnalisé	Faites vos premiers pas avec Vertex AI Experiments. Découvrez comment utiliser Vertex AI Experiments lors de l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur Vertex AI Experiments. En savoir plus sur Vertex ML Metadata. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Entraînement local (notebook) Créez un test. Créez une première exécution dans le test. Enregistrez les paramètres et les métriques. Créez la traçabilité des artefacts. Visualisez les résultats du test. Exécutez une deuxième exécution. Comparez les deux exécutions du test. Formation sur le cloud (Gemini Enterprise Agent Platform) Dans le script d'entraînement.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Experiments	Journalisation automatique Découvrez comment utiliser l'enregistrement automatique de Gemini Enterprise Agent Platform. Étapes du tutoriel Activez la journalisation automatique dans le SDK Agent Platform. Entraîner le modèle scikitlearn et observer l'exécution du test obtenu avec des métriques et des paramètres enregistrés automatiquement dans Vertex AI Experiments, sans configurer d'exécution de test. Entraîner le modèle TensorFlow, vérifier les métriques et les paramètres enregistrés automatiquement dans Vertex AI Experiments en configurant manuellement une exécution de test avec aiplatform.start_run() et aiplatform.end_run(). Désactiver la journalisation automatique dans le SDK Agent Platform, entraîner un modèle PyTorch et vérifier qu'aucun des paramètres ni aucune métrique n'est enregistré.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Publication des caractéristiques en ligne et récupération des données BigQuery avec Agent Platform Feature Store Découvrez comment créer et utiliser une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données dans BigQuery avec Agent Platform Feature Store dans un workflow de bout en bout permettant de diffuser des valeurs de caractéristiques et de récupérer le parcours utilisateur. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Provisionnez une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données. Enregistrez une vue BigQuery auprès de l'instance de magasin de caractéristiques en ligne et configurez le job de synchronisation. Utilisez le serveur en ligne pour récupérer les valeurs de caractéristiques pour la prédiction en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Diffusion et récupération de caractéristiques en ligne sur des données BigQuery avec la diffusion optimisée de Feature Store Agent Platform Découvrez comment créer et utiliser une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données dans BigQuery avec Agent Platform Feature Store dans un workflow de bout en bout permettant de diffuser et d'extraire des valeurs de caractéristiques. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Provisionnez une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données à l'aide de la livraison en ligne optimisée avec un point de terminaison public ou privé. Enregistrez une vue BigQuery auprès de l'instance de magasin de caractéristiques en ligne et configurez le job de synchronisation. Utilisez le serveur en ligne pour récupérer les valeurs de caractéristiques pour la prédiction en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Publication des caractéristiques en ligne et récupération vectorielle des données BigQuery avec Agent Platform Feature Store Découvrez comment créer et utiliser une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données dans BigQuery avec Agent Platform Feature Store dans un workflow de bout en bout permettant de diffuser des valeurs de caractéristiques et d'effectuer une récupération vectorielle du parcours utilisateur. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Provisionnez une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données. Créez une instance de magasin de caractéristiques en ligne pour diffuser une table BigQuery. Utilisez le serveur en ligne pour rechercher les voisins les plus proches.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Tutoriel sur l'ancrage LLM basé sur Agent Platform Feature Store Découvrez comment créer et utiliser une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données dans BigQuery avec Agent Platform Feature Store dans un workflow de bout en bout permettant de diffuser des valeurs de caractéristiques et d'effectuer une récupération vectorielle du parcours utilisateur. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Provisionnez une instance de magasin de caractéristiques en ligne pour héberger et diffuser des données. Créez une instance de magasin de caractéristiques en ligne pour diffuser une table BigQuery. Utilisez le serveur en ligne pour rechercher les voisins les plus proches.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Tutoriel sur les agents de service de vue des caractéristiques d'Agent Platform Feature Store Découvrez comment utiliser un agent de service dédié pour une vue de caractéristiques dans Agent Platform Feature Store. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Créez une vue de caractéristiques configurée pour utiliser un compte de service dédié. Un compte de service est créé pour chaque vue de caractéristiques. Ce compte de service est utilisé pour synchroniser les données à partir de BigQuery. L'API Get/List feature view renvoie le compte de service créé automatiquement. Les utilisateurs doivent appeler la commande bq addiampolicybinding pour accorder le rôle roles/bigquery.dataViewer au compte de service.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	SDK d'importation en flux continu dans Agent Platform Feature Store (ancien). Découvrez comment importer des caractéristiques à partir d'un Pandas DataFrame dans Agent Platform Feature Store à l'aide de la méthode write_feature_values du SDK Agent Platform. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Créer un magasin de caractéristiques Créer un type d'entité pour votre magasin de caractéristiques. Importer les valeurs de caractéristiques à partir de Pandas DataFrame dans le type d'entité du magasin de caractéristiques.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Utiliser Agent Platform Feature Store (ancien) avec Pandas Dataframe. Découvrez comment utiliser Agent Platform Feature Store avec un DataFrame Pandas. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Créer les ressources Featurestore, EntityType et Feature. Importer les valeurs de caractéristiques du DataFrame Pandas dans le type d'entité. Lire les valeurs des caractéristiques d'entités depuis le "Feature Store" en ligne dans le dataframe Pandas. Diffuser des valeurs de caractéristiques par lots à partir de votre Feature Store dans un dataframe Pandas. Diffuser en ligne avec des valeurs de caractéristiques mises à jour. Exactitude précise pour extraire les valeurs de caractéristiques pour l'entraînement.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Feature Store	Prédictions en ligne et par lot à l'aide d'Agent Platform Feature Store (ancien). Découvrez comment utiliser Agent Platform Feature Store pour importer des données de caractéristiques et y accéder pour les tâches de livraison en ligne et hors connexion, comme l'entraînement. En savoir plus sur Agent Platform Feature Store Étapes du tutoriel Créer les ressources Featurestore, EntityType et Feature. Importer des données de caractéristiques dans la ressource Featurestore. Publier des requêtes de prédiction en ligne à l'aide des caractéristiques importées Accéder aux caractéristiques importées dans des tâches hors connexion (par exemple, des tâches d'entraînement) Utiliser l'importation en flux continu pour importer une petite quantité de données	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Présentation de la prise en charge de l'IA générative sur Gemini Enterprise Agent Platform	Inférence par lot de LLM Gemini Enterprise Agent Platform avec des modèles optimisés pour RLHF. Dans ce tutoriel, vous allez utiliser Gemini Enterprise Agent Platform pour obtenir des prédictions à partir d'un grand modèle de langage réglé par RLHF. Pour en savoir plus, consultez la présentation de la compatibilité de l'IA générative avec Gemini Enterprise Agent Platform. Étapes du tutoriel Créer un job de pipeline Gemini Enterprise Agent Platform à l'aide d'un modèle prédéfini pour l'inférence groupée. Exécutez le pipeline à l'aide des pipelines Gemini Enterprise Agent Platform. Générer des résultats de prédiction sur un modèle pour un ensemble de données spécifique.	Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
generative_ai	Distiller un grand modèle de langage. Découvrez comment distiller et déployer un grand modèle de langage à l'aide d'un LLM Gemini Enterprise Agent Platform. Étapes du tutoriel Obtenez le modèle LLM Gemini Enterprise Agent Platform. Distiller le modèle(cela crée automatiquement un point de terminaison Gemini Enterprise Agent Platform et déploie le modèle sur ce point de terminaison). Effectuer une prédiction à l'aide du LLM Gemini Enterprise Agent Platform.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Embedding textuel	Recherche sémantique à l'aide d'embeddings. Dans ce tutoriel, nous vous expliquons comment créer un embedding généré à partir d'un texte et effectuer une recherche sémantique. En savoir plus sur l' embedding textuel. Étapes du tutoriel Installation et importations Créer un ensemble de données d'embeddings Créer un index Interroger l'index	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
generative_ai	Obtenir des embeddings de texte sur Gemini Enterprise Agent Platform Découvrez comment obtenir un embedding de texte à partir d'un modèle d'embedding de texte et d'un texte. Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
generative_ai	Obtenir des embeddings de texte sur Gemini Enterprise Agent Platform Découvrez comment obtenir un embedding de texte à partir d'un modèle d'embedding de texte et d'un texte. Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Régler des modèles de texte à l'aide du réglage supervisé	Régler un modèle PEFT avec Gemini Enterprise Agent Platform Découvrez comment utiliser un LLM Gemini Enterprise Agent Platform pour régler et déployer un grand modèle de langage PEFT. Pour en savoir plus, consultez Régler des modèles de texte à l'aide du réglage supervisé. Étapes du tutoriel Obtenez le modèle LLM Gemini Enterprise Agent Platform. Régler le modèle. Un point de terminaison Gemini Enterprise Agent Platform est alors automatiquement créé et le modèle y est déployé. Effectuer une prédiction à l'aide du LLM Gemini Enterprise Agent Platform. Effectuer une prédiction à l'aide de Vertex AI Inference	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
generative_ai	Ajuster les embeddings de texte sur Gemini Enterprise Agent Platform. Découvrez comment régler un modèle d'embedding de texte. Étapes du tutoriel	Colab GitHub Gemini Enterprise Agent Platform Workbench
API PaLM	Utiliser le SDK Agent Platform avec des grands modèles de langage. Découvrez comment fournir des données textuelles aux grands modèles de langage disponibles sur Gemini Enterprise Agent Platform pour tester, régler et déployer des modèles de langage d'IA générative. En savoir plus sur l'API PaLM Étapes du tutoriel Utiliser les points de terminaison de prédiction de l'API Gemini Enterprise Agent Platform PaLM pour recevoir des réponses d'IA génératives à un message. Utiliser le point de terminaison de l'embedding textuel pour recevoir la représentation vectorielle d'un message. Régler les requêtes d'un LLM en fonction des données d'entraînement d'entrée/de sortie.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Classification de données d'image	Classification d'images AutoML. Découvrez comment utiliser AutoML pour entraîner un modèle d'image, et comment utiliser Vertex AI Inference et Gemini Enterprise Agent Platform batch inference pour effectuer des prédictions en ligne et par lot. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la classification des données d'image Étapes du tutoriel Entraîner un modèle de classification d'images AutoML. Effectuer une prédiction par lot. Déployer le modèle sur un point de terminaison. Effectuer une prédiction en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Détection d'objets pour les données d'image	Détection d'objets dans des images AutoML. Découvrez comment utiliser AutoML pour entraîner un modèle d'image, et comment utiliser Vertex AI Inference et Gemini Enterprise Agent Platform Batch Prediction pour effectuer des prédictions en ligne et par lot. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la détection d'objets pour les données d'image Étapes du tutoriel Entraîner un modèle de détection d'objets AutoML. Effectuer une prédiction par lot. Déployer le modèle sur un point de terminaison. Effectuer une prédiction en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Classification de données tabulaires	Classification binaire tabulaire AutoML. Dans ce tutoriel, vous allez créer un modèle de classification binaire tabulaire AutoML et le déployer pour la prédiction en ligne à partir d'un script Python à l'aide du SDK Agent Platform. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la classification de données tabulaires. Étapes du tutoriel Créez une ressource d'ensemble de données Gemini Enterprise Agent Platform. Entraîner le modèle Afficher l'évaluation du modèle Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Effectuer une prédiction. Annuler le déploiement du modèle	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Entraînement personnalisé	Classification d'images personnalisée avec un conteneur d'entraînement personnalisé. Découvrez comment entraîner un modèle de classification d'images TensorFlow à l'aide d'un conteneur personnalisé et de l'entraînement Gemini Enterprise Agent Platform. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Empaqueter le code d'entraînement dans une application Python. Conteneuriser l'application d'entraînement à l'aide de Cloud Build et d'Artifact Registry. Créer un job d'entraînement de conteneur personnalisé dans Gemini Enterprise Agent Platform et l'exécuter. Évaluer le modèle généré à partir du job d'entraînement. Créez une ressource de modèle pour le modèle entraîné dans Model Registry. Exécutez un job d'inférence par lot Gemini Enterprise Agent Platform. Déployez la ressource de modèle sur un point de terminaison Gemini Enterprise Agent Platform. Exécuter un job de prédiction en ligne sur la ressource de modèle. Nettoyer les ressources créées.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Présentation de l'entraînement personnalisé	Classification d'images personnalisée avec un conteneur d'entraînement prédéfini. Découvrez comment entraîner un modèle de classification d'images TensorFlow à l'aide d'un conteneur prédéfini et de l'entraînement Gemini Enterprise Agent Platform. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la Présentation de l'entraînement personnalisé Étapes du tutoriel Empaqueter le code d'entraînement dans une application Python. Conteneuriser l'application d'entraînement à l'aide de Cloud Build et d'Artifact Registry. Créer un job d'entraînement de conteneur personnalisé dans Gemini Enterprise Agent Platform et l'exécuter. Évaluer le modèle généré à partir du job d'entraînement. Créez une ressource de modèle pour le modèle entraîné dans Model Registry. Exécutez un job d'inférence par lot Gemini Enterprise Agent Platform. Déployez la ressource de modèle sur un point de terminaison Gemini Enterprise Agent Platform. Exécuter un job de prédiction en ligne sur la ressource de modèle. Nettoyer les ressources créées.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Présentation de l'entraînement personnalisé	Modèle scikit-learn personnalisé avec conteneur d'entraînement prédéfini. Découvrez comment utiliser Vertex AI Training pour créer un modèle entraîné personnalisé. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la Présentation de l'entraînement personnalisé Étapes du tutoriel Créer un job personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle scikitlearn. Importer les artefacts de modèle entraîné en tant que ressource de modèle. Générer des prédictions par lot. Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Générer des prédictions en ligne. Annuler le déploiement de la ressource du modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Migrer vers Gemini Enterprise Agent Platform Présentation de l'entraînement personnalisé	Modèle XGBoost personnalisé avec conteneur d'entraînement prédéfini. Découvrez comment utiliser Vertex AI Training pour créer un modèle entraîné personnalisé. En savoir plus sur la migration vers Gemini Enterprise Agent Platform En savoir plus sur la Présentation de l'entraînement personnalisé Étapes du tutoriel Créer un job personnalisé Gemini Enterprise Agent Platform pour l'entraînement d'un modèle xgboost. Importer les artefacts de modèle entraîné en tant que ressource de modèle. Générer des prédictions par lot. Déployer la ressource du modèle sur une ressource de point de terminaison de déploiement. Générer des prédictions en ligne. Annuler le déploiement de la ressource du modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Réglage des hyperparamètres Gemini Enterprise Agent Platform Entraînement personnalisé	Réglage des hyperparamètres. Apprendre à utiliser l'hyperparamètre de Gemini Enterprise Agent Platform pour créer et régler un modèle entraîné personnalisé. En savoir plus sur le réglage des hyperparamètres dans Gemini Enterprise Agent Platform En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer un job de réglage des hyperparamètres Gemini Enterprise Agent Platform pour entraîner un modèle TensorFlow.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Documentation sur Google Artifact Registry	Premiers pas avec Google Artifact Registry. Découvrez comment utiliser Google Artifact Registry. Pour en savoir plus, consultez la documentation Google Artifact Registry. Étapes du tutoriel Créer un dépôt Docker privé. Ajouter des tags à une image de conteneur, spécifique au dépôt Docker privé. Transférer une image de conteneur vers le dépôt Docker privé. Extraire une image de conteneur à partir du dépôt Docker privé. Supprimer un dépôt Docker privé	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata	Assurer le suivi des paramètres et des métriques pour les jobs d'entraînement personnalisé Découvrez comment utiliser le SDK Agent Platform pour Python pour : Étapes du tutoriel Assurer le suivi des paramètres d'entraînement et des métriques de prédiction pour un job d'entraînement personnalisé. Extraire et effectuer l'analyse de tous les paramètres et métriques d'un test.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata	Assurer le suivi des paramètres et des métriques pour les modèles entraînés localement. Découvrez comment utiliser Vertex ML Metadata pour suivre les paramètres d'entraînement et les métriques d'évaluation. En savoir plus sur Vertex ML Metadata. Étapes du tutoriel Suivre les paramètres et les métriques d'un modèle entraîné localement. Extraire et effectuer l'analyse de tous les paramètres et métriques d'un test.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex ML Metadata Pipelines Gemini Enterprise Agent Platform	Assurer le suivi des artefacts et des métriques pendant les exécutions de Gemini Enterprise Agent Platform Pipelines à l'aide de Vertex ML Metadata. Découvrez comment suivre les artefacts et les métriques avec Vertex ML Metadata dans les exécutions de Gemini Enterprise Agent Platform Pipelines. En savoir plus sur Vertex ML Metadata. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Utiliser le SDK Kubeflow Pipelines pour créer un pipeline de ML qui s'exécute sur Gemini Enterprise Agent Platform. Le pipeline crée un ensemble de données, entraîne un modèle scikitlearn et déploie le modèle sur un point de terminaison. Écrire des composants de pipeline personnalisés qui génèrent des artefacts et des métadonnées. Comparer les exécutions de pipelines Gemini Enterprise Agent Platform, dans la console Google Cloud et par programmation. Assurer la traçabilité des artefacts générés par le pipeline. Interroger les métadonnées d'exécution du pipeline.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Evaluation Classification de données tabulaires	Évaluer les résultats de prédiction par lot à partir d'un modèle de classification AutoML Tabular. Découvrez comment entraîner un modèle de classification AutoML Tabular Gemini Enterprise Agent Platform et comment l'évaluer via un job de pipeline Gemini Enterprise Agent Platform à l'aide de google_cloud_pipeline_components : En savoir plus sur Gemini Enterprise Agent Platform Model Evaluation. En savoir plus sur la classification de données tabulaires. Étapes du tutoriel Créez une plate-forme Gemini Enterprise Agent Platform Dataset. Entraîner un modèle de classification AutoML Tabular sur la ressource Dataset. Importer le AutoML model resource entraîné dans le pipeline. Exécuter un job Batch Prediction. Évaluer le modèle AutoML à l'aide de Classification Evaluation component. Importer les métriques de classification dans la ressource de modèle AutoML.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Évaluation de modèle Gemini Enterprise Agent Platform Régression pour les données tabulaires	Évaluer les résultats de prédiction par lot à partir d'un modèle de régression tabulaire AutoML. Découvrez comment évaluer une ressource de modèle Gemini Enterprise Agent Platform via un job de pipeline Gemini Enterprise Agent Platform à l'aide de google_cloud_pipeline_components : En savoir plus sur Gemini Enterprise Agent Platform Model Evaluation. En savoir plus sur la régression des données tabulaires. Étapes du tutoriel Créez un ensemble de données Gemini Enterprise Agent Platform. Configurer une classe AutoMLTabularTrainingJob. Exécuter le job AutoMLTabularTrainingJob qui renvoie un modèle. Importer un AutoML model resource pré-entrainé dans le pipeline. Exécuter un job batch prediction dans le pipeline. Évaluer le modèle AutoML à l'aide de regression evaluation component. Importer les métriques de régression générées dans la ressource de modèle AutoML.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé de Gemini Enterprise Agent Platform Évaluation des modèles Gemini Enterprise Agent Platform	Évaluer les résultats de "BatchPrediction" à partir d'un modèle de classification tabulaire personnalisé. Dans ce tutoriel, vous allez entraîner un modèle scikit-learn "RandomForest", l'enregistrer dans Model Registry et apprendre à évaluer le modèle via un job de pipeline Gemini Enterprise Agent Platform utilisant le SDK Python des composants de pipeline Google Cloud. En savoir plus sur l'entraînement personnalisé de Gemini Enterprise Agent Platform En savoir plus sur l'évaluation des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Récupérer l'ensemble de données à partir de la source publique. Prétraiter les données localement et enregistrer les données de test dans BigQuery. Entraîner un modèle de classification RandomForest localement en utilisant le package Python scikitlearn. Créer un conteneur personnalisé dans Artifact Registry pour les prédictions. Importez le modèle dans Model Registry. Créer et exécuter un pipeline Gemini Enterprise Agent Platform qui	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Évaluation des modèles Gemini Enterprise Agent Platform Entraînement personnalisé	Évaluer les résultats de la prédiction par lot d'un modèle de régression tabulaire personnalisé. Découvrez comment évaluer une ressource de modèle Gemini Enterprise Agent Platform via un job de pipeline Gemini Enterprise Agent Platform à l'aide de composants de pipeline Google Cloud. En savoir plus sur l'évaluation des modèles Gemini Enterprise Agent Platform En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer un job d'entraînement personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle TensorFlow. Exécuter le job d'entraînement personnalisé. Récupérer et charger les artefacts du modèle Afficher l'évaluation du modèle Importer le modèle en tant que ressource de modèle Gemini Enterprise Agent Platform. Importer une ressource de modèle Gemini Enterprise Agent Platform pré-entraînée dans le pipeline. Exécuter un job "Batch prediction" (prédiction par lot) dans le pipeline. Évaluer le modèle à l'aide du "regression evaluation component" (composant d'évaluation de la régression). Importer les métriques de régression dans la ressource de modèle Gemini Enterprise Agent Platform.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Évaluation des modèles AutoSxS Gemini Enterprise Agent Platform	Vérifier l'alignement de l'outil d'évaluation automatique par rapport à un ensemble de données de préférences humaines Découvrez comment utiliser Gemini Enterprise Agent Platform Pipelines et google_cloud_pipeline_components pour vérifier l'alignement de l'outil d'évaluation automatique à l'aide de données de préférences humaines : En savoir plus sur l'évaluation des modèles AutoSxS Gemini Enterprise Agent Platform Étapes du tutoriel Créer un ensemble de données d'évaluation avec des prédictions et des données sur les préférences humaines. Prétraiter les données localement et les enregistrer dans Cloud Storage. Créer et exécuter un pipeline AutoSxS Gemini Enterprise Agent Platform qui génère les jugements et un ensemble de métriques AutoSxS à l'aide des jugements générés. Imprimer les jugements et les métriques AutoSxS. Nettoyer les ressources créées dans ce notebook.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Évaluation des modèles AutoSxS Gemini Enterprise Agent Platform	Évaluer un LLM dans Model Registry par rapport à un modèle tiers. Découvrez comment utiliser Gemini Enterprise Agent Platform Pipelines et google_cloud_pipeline_components pour évaluer les performances entre deux modèles LLM : En savoir plus sur l'évaluation des modèles AutoSxS de Gemini Enterprise Agent Platform. Étapes du tutoriel Récupérer l'ensemble de données à partir de la source publique. Prétraiter les données localement et enregistrer les données de test dans Cloud Storage. Créer et exécuter un pipeline AutoSxS Gemini Enterprise Agent Platform qui génère les jugements et évalue les deux modèles candidats à l'aide des jugements générés. Imprimer les jugements et les métriques d'évaluation. Nettoyer les ressources créées dans ce notebook.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring pour les prédictions par lot	Prédiction par lots Gemini Enterprise Agent Platform avec Model Monitoring. Découvrez comment utiliser le service de surveillance des modèles Gemini Enterprise Agent Platform pour détecter les dérives et les anomalies dans la prédiction par lot. En savoir plus sur Gemini Enterprise Agent Platform Model Monitoring pour les prédictions par lot Étapes du tutoriel Importer un modèle pré-entraîné en tant que ressource de modèle Gemini Enterprise Agent Platform. Générer des requêtes de prédiction par lot. Interpréter les statistiques, les visualisations et les autres données transmises par la fonctionnalité de surveillance de modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour les modèles tabulaires AutoML. Découvrez comment utiliser le service Gemini Enterprise Agent Platform Model Monitoring pour détecter les écarts et les dérives de caractéristiques dans les requêtes de prédiction d'entrée, pour les modèles tabulaires AutoML. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Entraîner un modèle AutoML. Déployer la ressource de modèle sur une ressource de point de terminaison Gemini Enterprise Agent Platform. Configurer la ressource de point de terminaison pour la surveillance de modèle. Générer des requêtes de prédiction synthétiques pour le décalage. Générer des requêtes de prédiction synthétiques pour la dérive. Attendre la notification d'alerte par e-mail.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour la prédiction en ligne dans les modèles d'image AutoML. Découvrez comment utiliser Gemini Enterprise Agent Platform Model Monitoring avec Gemini Enterprise Agent Platform Online Prediction et un modèle de classification d'images AutoML pour détecter une image hors distribution. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel 1. Entraîner un modèle de classification d'images AutoML. 2. Créer un point de terminaison. 3. Déployer le modèle sur le point de terminaison et configurer la surveillance de modèle. 4. Envoyer une prédiction en ligne contenant à la fois des images dans et hors distribution. 5. Utiliser Model Monitoring pour calculer le score d'anomalie sur chaque image. 6. Identifier les images de la requête de prédiction en ligne qui sont hors distribution.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour les modèles tabulaires personnalisés. Découvrez comment utiliser le service Gemini Enterprise Agent Platform Model Monitoring afin de détecter les écarts et dérives de caractéristiques dans les requêtes de prédiction d'entrée, pour les modèles tabulaires personnalisés. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Télécharger un modèle tabulaire personnalisé pré-entraîné. Importez le modèle préentraîné dans Model Registry. Déployer la ressource de modèle sur une ressource de point de terminaison Gemini Enterprise Agent Platform. Configurer la ressource de point de terminaison pour la surveillance de modèle. Générer des requêtes de prédiction synthétiques pour simuler le décalage. Attendre les notifications d'alerte par e-mail. Générer des requêtes de prédiction synthétiques pour simuler la dérive. Attendre les notifications d'alerte par e-mail.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour les modèles tabulaires personnalisés avec conteneur TensorFlow Serving. Découvrez comment utiliser le service Gemini Enterprise Agent Platform Model Monitoring afin de détecter les écarts et les dérives de caractéristiques dans les requêtes de prédiction d'entrée, pour les modèles tabulaires personnalisés, en utilisant un conteneur de déploiement personnalisé. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Télécharger un modèle tabulaire personnalisé pré-entraîné. Importer le modèle pré-entraîné en tant que ressource de modèle. Déployer la ressource de modèle sur une ressource de point de terminaison avec le binaire de diffusion "TensorFlow Serving". Configurer la ressource "Endpoint" pour la surveillance de modèle. Générer des requêtes de prédiction synthétiques pour le décalage. Attendre la notification d'alerte par e-mail. Générer des requêtes de prédiction synthétiques pour la dérive. Attendre la notification d'alerte par e-mail.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour la configuration des modèles tabulaires. Découvrez comment configurer le service Gemini Enterprise Agent Platform Model Monitoring pour détecter les écarts et dérives de caractéristiques dans les requêtes de prédiction d'entrée. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Télécharger un modèle tabulaire personnalisé pré-entraîné. Importer le modèle pré-entraîné en tant que ressource de modèle. Déployer la ressource de modèle sur la ressource de point de terminaison. Configurer la ressource de point de terminaison pour la surveillance de modèle. Détection des écarts et des dérives pour les entrées de caractéristiques. Détection des écarts et des dérives pour les attributions de caractéristiques. Génération automatique du "input schema" (schéma d'entrée) en envoyant 1 000 requêtes de prédiction. Répertorier, suspendre, reprendre et supprimer des jobs de surveillance Redémarrer le job de surveillance avec un "input schema" (schéma d'entrée) prédéfini Afficher les données surveillées journalisées.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring pour les modèles XGBoost. Découvrez comment utiliser le service Gemini Enterprise Agent Platform Model Monitoring afin de détecter les écarts et les dérives de caractéristiques dans les requêtes de prédiction d'entrée pour les modèles XGBoost. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Télécharger un modèle XGBoost pré-entraîné. Importez le modèle préentraîné dans Model Registry. Déployer la ressource de modèle sur une ressource de point de terminaison Gemini Enterprise Agent Platform. Configurer la ressource de point de terminaison pour la surveillance de modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Model Monitoring	Gemini Enterprise Agent Platform Model Monitoring avec les attributions de caractéristiques Vertex Explainable AI. Découvrez comment utiliser le service Gemini Enterprise Agent Platform Model Monitoring pour détecter les dérives et les anomalies dans les requêtes de prédiction provenant d'une ressource de modèle Gemini Enterprise Agent Platform déployée. En savoir plus sur la surveillance des modèles Gemini Enterprise Agent Platform Étapes du tutoriel Importer un modèle pré-entraîné en tant que ressource de modèle Gemini Enterprise Agent Platform. Créez une ressource de point de terminaison Gemini Enterprise Agent Platform. Déployer la ressource de modèle sur la ressource de point de terminaison. Configurer la ressource de point de terminaison pour la surveillance de modèle. Initialiser la distribution de référence pour la surveillance de modèle. Générer des requêtes de prédiction synthétiques. Découvrir comment interpréter les statistiques, les visualisations et les autres données transmises par la fonctionnalité de surveillance de modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
model_monitoring_v2	Surveillance de modèles pour le job de prédiction par lot des modèles personnalisés Gemini Enterprise Agent Platform. Dans ce tutoriel, vous allez effectuer les étapes suivantes : Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
model_monitoring_v2	Surveillance de modèles pour la prédiction en ligne des modèles personnalisés Gemini Enterprise Agent Platform. Dans ce tutoriel, vous allez effectuer les étapes suivantes : Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Model Registry	Premiers pas avec Model Registry Découvrez comment utiliser Model Registry pour créer et enregistrer plusieurs versions d'un modèle. En savoir plus sur Model Registry Étapes du tutoriel Créez et enregistrez une première version d'un modèle dans Model Registry. Créez et enregistrez une deuxième version d'un modèle dans Model Registry. Mettre à jour la version de modèle par défaut. Supprimer une version de modèle Ré-entraînement de la version de modèle suivante	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants AutoML Classification de données tabulaires	Pipelines AutoML Tabular utilisant google-cloud-pipeline-components. Découvrez comment utiliser les pipelines Gemini Enterprise Agent Platform et les composants de pipeline Google Cloud pour créer un modèle de classification tabulaire AutoML. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants AutoML. En savoir plus sur la classification de données tabulaires. Étapes du tutoriel Créer un pipeline KFP qui crée un ensemble de données Gemini Enterprise Agent Platform. Ajouter un composant au pipeline qui entraîne une ressource de modèle de classification tabulaire AutoML. Ajoutez un composant qui crée une ressource de point de terminaison Gemini Enterprise Agent Platform. Ajouter un composant qui déploie la ressource de modèle sur la ressource de point de terminaison. Compiler le pipeline KFP. Exécutez le pipeline KFP à l'aide de Gemini Enterprise Agent Platform Pipelines.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Méthodologie "challenger" ou "approuvé" pour le déploiement de modèles en production. Découvrez comment créer un pipeline Gemini Enterprise Agent Platform, qui entraîne une nouvelle version challenger d'un modèle, évalue le modèle et compare l'évaluation au modèle approuvé existant en production. Étapes du tutoriel Importer un modèle pré-entraîné (approuvé) dans Model Registry. Importer des métriques d'évaluation de modèle synthétique dans le modèle correspondant (approuvé). Créer une ressource de point de terminaison Gemini Enterprise Agent Platform Déployer le modèle approuvé sur la ressource de point de terminaison. Créez un pipeline Gemini Enterprise Agent Platform qui exécute les étapes suivantes	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Structurer les commandes de pipeline à l'aide du SDK KFP. Découvrez comment créer des pipelines à l'aide du SDK KFP, qui utilise des boucles et des conditions, y compris des exemples imbriqués. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Créer un pipeline KFP à l'aide de composants de flux de contrôle Compiler le pipeline KFP Exécuter le pipeline KFP à l'aide de Gemini Enterprise Agent Platform Pipelines	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants d'entraînement personnalisé	Entraînement personnalisé avec des composants de pipeline Google Cloud prédéfinis. Découvrez comment utiliser les pipelines Gemini Enterprise Agent Platform et les composants de pipeline Google Cloud pour créer un modèle personnalisé. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants d'entraînement personnalisé. Étapes du tutoriel Créer un pipeline KFP.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants de prédiction par lot Gemini Enterprise Agent Platform	Entraînement et prédiction par lot avec source et destination BigQuery pour un modèle de classification tabulaire personnalisé. Dans ce tutoriel, vous allez entraîner un modèle de classification tabulaire scikit-learn et créer un job de prédiction par lot via un pipeline Gemini Enterprise Agent Platform utilisant google_cloud_pipeline_components. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants de prédiction par lot de Gemini Enterprise Agent Platform Étapes du tutoriel Créer un ensemble de données dans BigQuery. Conserver des données en dehors de l'ensemble de données source pour la prédiction par lot. Créer un package Python personnalisé pour l'application d'entraînement. Importer le package Python dans Cloud Storage. Créer un pipeline Gemini Enterprise Agent Platform qui	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Optimisation des hyperparamètres Gemini Enterprise Agent Platform	Premiers pas avec les composants du pipeline de réglage des hyperparamètres Gemini Enterprise Agent Platform Découvrez comment utiliser les composants prédéfinis du pipeline Google Cloud pour les réglages d'hyperparamètres Gemini Enterprise Agent Platform. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur le réglage des hyperparamètres dans Gemini Enterprise Agent Platform Étapes du tutoriel Créer un pipeline pour	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Faites vos premiers pas avec la gestion des machines pour Gemini Enterprise Agent Platform Pipelines. Découvrez comment convertir un composant d'entraînement personnalisé autonome en un Gemini Enterprise Agent Platform CustomJob, où : Étapes du tutoriel Créer un composant personnalisé avec un job d'entraînement autonome. Exécuter un pipeline à l'aide des paramètres au niveau des composants pour les ressources de la machine Convertir le composant d'entraînement autonome en Gemini Enterprise Agent Platform CustomJob. Exécuter un pipeline à l'aide des paramètres de niveau de tâche personnalisée pour les ressources de la machine	Colab  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants AutoML	Pipelines de classification d'images AutoML utilisant google-cloud-pipeline-components. Découvrez comment utiliser les pipelines Gemini Enterprise Agent Platform et les composants de pipeline Google Cloud pour créer un modèle de classification d'images AutoML. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants AutoML. Étapes du tutoriel Créer un pipeline KFP.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants AutoML Régression pour les données tabulaires	Pipelines de régression tabulaire AutoML utilisant google-cloud-pipeline-components. Découvrez comment utiliser Gemini Enterprise Agent Platform Pipelines et Google Cloud Pipeline Components pour créer un modèle de régression tabulaire AutoML. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants AutoML En savoir plus sur la régression pour les données tabulaires Étapes du tutoriel Créer un pipeline KFP qui crée une ressource Dataset. Ajouter un composant au pipeline qui entraîne une ressource Model de régression tabulaire AutoML. Ajouter un composant qui crée une ressource Endpoint. Ajouter un composant qui déploie la ressource Model sur la ressource Endpoint. Compiler le pipeline KFP. Exécuter le pipeline KFP à l'aide de Gemini Enterprise Agent Platform Pipelines.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants BigQuery ML	Entraîner un modèle de prédiction d'acquisition à l'aide de Swivel, de BigQuery ML et de Gemini Enterprise Agent Platform Pipelines. Découvrez comment créer un pipeline BigQuery ML simple à l'aide de pipelines Agent Platform afin de calculer les embeddings de texte à partir du contenu d'articles et de les classer dans la catégorie *corporate acquisitions* (acquisitions d'entreprise). En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants BigQuery ML. Étapes du tutoriel Créer un composant pour le job Dataflow qui ingère des données dans BigQuery. Créer un composant pour réaliser des étapes de prétraitement à exécuter sur les données dans BigQuery. Créer un composant pour entraîner un modèle de régression logistique à l'aide de BigQuery ML Créer et configurer un pipeline Kubeflow DSL avec tous les composants créés. Compiler et exécuter le pipeline dans Gemini Enterprise Agent Platform Pipelines.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform Composants d'entraînement personnalisé	Entraîner, importer et déployer des modèles en utilisant les composants de pipeline Google Cloud. Découvrez comment utiliser les pipelines Gemini Enterprise Agent Platform et le composant de pipeline Google Cloud pour créer et déployer un modèle personnalisé. En savoir plus sur les pipelines Gemini Enterprise Agent Platform En savoir plus sur les composants d'entraînement personnalisé. Étapes du tutoriel Créer un pipeline KFP.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Pipelines Gemini Enterprise Agent Platform avec KFP 2.x Découvrez comment utiliser Gemini Enterprise Agent Platform Pipelines et KFP 2. Étapes du tutoriel Créer un pipeline KFP.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Composants légers basés sur des fonctions Python et E/S de composants. Découvrez comment utiliser le SDK KFP pour créer des composants légers basés sur des fonctions Python, puis comment utiliser Gemini Enterprise Agent Platform Pipelines pour exécuter le pipeline. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Créer des composants KFP basés sur des fonctions Python. Créer un pipeline KFP. Transmettre des artefacts et des paramètres entre les composants, à la fois par référence de chemin d'accès et par valeur. Utiliser la méthode "kfp.dsl.importer". Compiler le pipeline KFP. Exécuter le pipeline KFP à l'aide de Gemini Enterprise Agent Platform Pipelines	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Visualisation des métriques et comparaison des exécutions à l'aide du SDK KFP. Découvrez comment utiliser le SDK KFP pour Python afin de créer des pipelines générant des métriques d'évaluation. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Créer des composants KFP.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Méthodologie "multicontender" ou "champion" pour le déploiement de modèle en production : Découvrez comment créer un pipeline Gemini Enterprise Agent Platform, qui évalue les nouvelles données de production d'un modèle déployé par rapport à d'autres versions du modèle, afin de déterminer si un modèle concurrent devient le modèle champion de remplacement en production. Étapes du tutoriel Importer un modèle pré-entraîné (champion) dans Model Registry. Importez les métriques d'évaluation de l'entraînement de modèle synthétique dans le modèle correspondant (champion). Créez une ressource de point de terminaison Gemini Enterprise Agent Platform. Déployer le modèle champion sur la ressource de point de terminaison. Importez des versions supplémentaires (contender) du modèle déployé. Importez les métriques d'évaluation de l'entraînement de modèle synthétique dans les modèles correspondants (contender). Créez un pipeline Gemini Enterprise Agent Platform qui exécute les étapes suivantes	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Pipelines Gemini Enterprise Agent Platform	Présentation des pipelines pour KFP. Découvrez comment utiliser le SDK KFP pour Python afin de créer des pipelines générant des métriques d'évaluation. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Définir et compiler un pipeline Gemini Enterprise Agent Platform. Spécifier le compte de service à utiliser pour une exécution de pipeline. Exécuter le pipeline à l'aide du SDK Agent Platform pour Python et de l'API REST.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Composants AutoML Composants BigQuery ML	BigQuery ML et AutoML : prototypage rapide avec Gemini Enterprise Agent Platform Découvrez comment utiliser les pipelines Gemini Enterprise Agent Platform pour réaliser un prototypage rapide d'un modèle. En savoir plus sur les composants AutoML. En savoir plus sur les composants BigQuery ML. Étapes du tutoriel Créer un ensemble de données d'entraînement BigQuery et Gemini Enterprise Agent Platform. Entraîner un modèle BigQuery ML et AutoML. Extraire des métriques d'évaluation des modèles BigQuery ML et AutoML. Sélectionner le modèle le mieux entraîné. Déployer le modèle le mieux entraîné. Tester l'infrastructure du modèle déployé.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Inférence par lot Gemini Enterprise Agent Platform	Inférer par lot un modèle personnalisé avec filtrage des caractéristiques. Découvrez comment créer un modèle d'entraînement personnalisé à partir d'un script Python dans un conteneur Docker en utilisant le SDK Agent Platform pour Python, puis comment exécuter un job d'inférence par lot en incluant ou en excluant une liste de caractéristiques. En savoir plus sur l'inférence par lot Gemini Enterprise Agent Platform Étapes du tutoriel Créez un TrainingPipeline personnalisé Gemini Enterprise Agent Platform pour entraîner un modèle. Entraîner un modèle TensorFlow Envoyer un job de prédiction par lot.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Inference	Premiers pas avec le serveur NVIDIA Triton. Découvrez comment déployer un conteneur exécutant un serveur NVIDIA Triton avec une ressource de modèle Gemini Enterprise Agent Platform sur un point de terminaison Gemini Enterprise Agent Platform pour effectuer des prédictions en ligne. En savoir plus sur Vertex AI Inference. Étapes du tutoriel Télécharger les artefacts de modèle à partir de TensorFlow Hub. Créer le fichier de configuration de diffusion Triton pour le modèle. Créer un conteneur personnalisé avec une image de diffusion Triton pour le déploiement du modèle. Importer le modèle en tant que ressource de modèle Gemini Enterprise Agent Platform. Déployez la ressource de modèle Gemini Enterprise Agent Platform sur une ressource de point de terminaison Gemini Enterprise Agent Platform. Envoyer une requête de prédiction. Annuler le déploiement de la ressource de modèle et supprimer le point de terminaison.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Raw Predict	Premiers pas avec les fonctions TensorFlow Serving avec les prédictions brutes de Gemini Enterprise Agent Platform. Découvrez comment utiliser Gemini Enterprise Agent Platform Raw Prediction sur une ressource Gemini Enterprise Agent Platform Endpoint. En savoir plus sur la prédiction brute. Étapes du tutoriel Télécharger des artefacts de modèle de classification tabulaire pré-entraîné pour un Estimator TensorFlow 1.x. Importer le modèle d'estimateur TensorFlow en tant que ressource Gemini Enterprise Agent Platform Model. Créer une ressource Endpoint. Déployer la ressource Model sur une ressource Endpoint. Effectuer une prédiction brute en ligne sur l'instance de ressource Model déployée sur la ressource Endpoint.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Obtenir des prédictions à partir d'un modèle entraîné personnalisé	Premiers pas avec TensorFlow Serving avec Vertex AI Inference. Découvrez comment utiliser Vertex AI Inference sur une ressource Gemini Enterprise Agent Platform Endpoint avec le binaire de diffusion TensorFlow Serving. Pour en savoir plus, consultez Obtenir des prédictions à partir d'un modèle entraîné personnalisé. Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Points de terminaison privés	Faites vos premiers pas avec les points de terminaison privés Gemini Enterprise Agent Platform. Découvrez comment utiliser les ressources Gemini Enterprise Agent Platform Private Endpoint. En savoir plus sur les points de terminaison privés. Étapes du tutoriel Créer une ressource Private Endpoint. Configurer une connexion d'appairage VPC. Configurer le binaire de diffusion d'une ressource Model pour le déploiement sur une ressource Private Endpoint. Déployer une ressource Model sur une ressource Private Endpoint. Envoyer une requête de prédiction à un Private Endpoint.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Modèles de langage Gemini Enterprise Agent Platform	LLM Gemini Enterprise Agent Platform et prédiction par flux. Découvrez comment utiliser un LLM Gemini Enterprise Agent Platform pour télécharger un modèle LLM pré-entraîné, effectuer des prédictions et ajuster le modèle. En savoir plus sur les modèles de langage Gemini Enterprise Agent Platform Étapes du tutoriel Charger un modèle de génération de texte pré-entraîné. Effectuer une prédiction sans streaming. Charger un modèle de génération de texte pré-entraîné qui est compatible avec la diffusion en flux continu. Effectuer une prédiction en streaming. Charger un modèle de chat pré-entraîné. Organiser une session de chat interactif en local. Effectuer une prédiction par lot avec un modèle de génération de texte. Effectuer une prédiction par lot avec un modèle d'embedding textuel.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Conteneurs préconfigurés pour la prédiction	Diffuser des modèles d'image PyTorch avec des conteneurs prédéfinis sur Gemini Enterprise Agent Platform Découvrez comment empaqueter et déployer un modèle de classification d'images PyTorch à l'aide d'un conteneur Gemini Enterprise Agent Platform prédéfini avec TorchServe pour diffuser des prédictions en ligne et par lot. Apprenez-en plus sur les conteneurs prédéfinis pour la prédiction. Étapes du tutoriel Télécharger un modèle d'image pré-entraîné à partir de PyTorch Créer un gestionnaire de modèles personnalisés Empaqueter les artefacts de modèle dans un fichier d'archive de modèle Importer le modèle pour déploiement. Déployer un modèle pour la prédiction Effectuer des prédictions en ligne Effectuer des prédictions par lot	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Inférence Gemini Enterprise Agent Platform	Entraîner et déployer des modèles PyTorch avec des conteneurs prédéfinis sur Gemini Enterprise Agent Platform Découvrez comment créer, entraîner et déployer un modèle de classification d'images PyTorch à l'aide de conteneurs prédéfinis pour l'entraînement et la prédiction personnalisés. Étapes du tutoriel Empaqueter l'application d'entraînement dans une distribution source Python Configurer et exécuter un job d'entraînement dans un conteneur prédéfini Empaqueter les artefacts de modèle dans un fichier d'archive de modèle Importer le modèle pour déploiement. Déployer un modèle à l'aide d'un conteneur prédéfini pour la prédiction Effectuer des prédictions en ligne	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Présentation de Ray sur Gemini Enterprise Agent Platform	Premiers pas avec PyTorch sur Ray sur Gemini Enterprise Agent Platform. Découvrez comment distribuer efficacement le processus d'entraînement d'un modèle de classification d'images PyTorch en exploitant Ray sur Gemini Enterprise Agent Platform. En savoir plus sur Ray sur Gemini Enterprise Agent Platform Étapes du tutoriel Préparer le script d'entraînement Envoyer un job Ray à l'aide de l'API Ray Jobs Télécharger un modèle d'image entraîné à partir de PyTorch Créer un gestionnaire de modèles personnalisés Empaqueter les artefacts de modèle dans un fichier d'archive de modèle Enregistrer un modèle dans Model Registry Déployer le modèle dans un point de terminaison Gemini Enterprise Agent Platform Effectuer des prédictions en ligne	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Présentation de Ray sur Gemini Enterprise Agent Platform	Gestion des clusters Ray sur Gemini Enterprise Agent Platform Découvrez comment créer un cluster, lister les clusters existants, en obtenir un, le mettre à jour et le supprimer. En savoir plus sur Ray sur Gemini Enterprise Agent Platform Étapes du tutoriel Créer un cluster. Lister les clusters existants. Obtenir un cluster. Effectuez un scaling manuel du cluster à la hausse, puis à la baisse. Effectuer l'autoscaling d'un cluster Supprimer les clusters existants.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Ray sur Gemini Enterprise Agent Platform Spark sur Ray sur Gemini Enterprise Agent Platform	Spark sur Ray sur Gemini Enterprise Agent Platform. Découvrez comment utiliser RayDP pour exécuter des applications Spark sur un cluster Ray sur Gemini Enterprise Agent Platform. En savoir plus sur Ray sur Gemini Enterprise Agent Platform En savoir plus sur Spark sur Ray sur Gemini Enterprise Agent Platform Étapes du tutoriel Créer une image de conteneur Ray sur Gemini Enterprise Agent Platform personnalisée Créer un cluster Ray sur Gemini Enterprise Agent Platform à l'aide d'une image de conteneur personnalisée Exécuter Spark de manière interactive sur le cluster à l'aide de RayDP Exécuter une application Spark sur un cluster via l'API Ray Job Lire des fichiers à partir de Google Cloud Storage dans l'application Spark Pandas UDF dans l'application Spark sur Ray sur Gemini Enterprise Agent Platform Supprimer le cluster Ray sur Gemini Enterprise Agent Platform	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Training Gemini Enterprise Agent Platform Reduction Server	Entraînement distribué PyTorch avec Gemini Enterprise Agent Platform Reduction Server. Découvrez comment créer un job d'entraînement distribué PyTorch qui utilise le framework et les outils d'entraînement distribués PyTorch, puis comment exécuter le job d'entraînement sur le service Vertex AI Training avec Reduction Server. En savoir plus sur Vertex AI Training. En savoir plus sur Gemini Enterprise Agent Platform Reduction Server Étapes du tutoriel Créer une application d'entraînement distribué PyTorch. Empaqueter l'application d'entraînement avec des conteneurs prédéfinis. Créer un job personnalisé sur Gemini Enterprise Agent Platform avec Reduction Server Envoyer et surveiller la tâche	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé	Entraînement personnalisé à l'aide d'un package Python, d'un ensemble de données de texte géré et d'un conteneur TF Serving. Découvrez comment créer un modèle personnalisé en utilisant l'entraînement de package personnalisé Python et comment diffuser le modèle en utilisant un conteneur TensorFlow-Serving pour la prédiction en ligne. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer des fonctions utilitaires pour télécharger des données et préparer des fichiers CSV pour créer un ensemble de données géré Gemini Enterprise Agent Platform Télécharger des données Préparer des fichiers CSV pour créer un ensemble de données géré Créer un package d'entraînement personnalisé Python Créer un conteneur TensorFlow Serving Exécuter un entraînement de package personnalisé Python avec un ensemble géré de données de texte Déployer un modèle et créer un point de terminaison sur Gemini Enterprise Agent Platform Effectuer une prédiction sur le point de terminaison Créer un job de prédiction par lot sur le modèle	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Prévisions BigQuery ML ARIMA+ pour les données tabulaires	Entraîner un modèle BigQuery ML ARIMA_PLUS à l'aide de workflows tabulaires Gemini Enterprise Agent Platform. Découvrez comment créer le modèle BigQuery ML ARIMA_PLUS à l'aide d'un pipeline de plate-forme d'agents Gemini Enterprise à partir des composants du pipeline Google Cloud , puis comment effectuer une prédiction par lot à l'aide du pipeline de prédiction correspondant. En savoir plus sur les prévisions BigQuery ML ARIMA+ pour les données tabulaires. Étapes du tutoriel Entraîner le modèle BigQuery ML ARIMA_PLUS. Afficher l'évaluation du modèle BigQuery ML. Effectuer une prédiction par lot avec le modèle BigQuery ML.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Composants du pipeline Google Cloud Prophet pour les données tabulaires	Entraîner un modèle Prophet à l'aide des workflows tabulaires Gemini Enterprise Agent Platform Découvrez comment créer plusieurs modèles Prophet à l'aide d'un pipeline d'entraînement Gemini Enterprise Agent Platform à partir des composants du pipeline Google Cloud , puis comment effectuer une prédiction par lot à l'aide du pipeline de prédiction correspondant. En savoir plus sur les composants de pipeline Google Cloud. En savoir plus sur Prophet pour les données tabulaires. Étapes du tutoriel 1. Entraîner les modèles Prophet. 1. Afficher les métriques d'évaluation. 1. Effectuer une prédiction par lot avec les modèles Prophet.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Entraînement personnalisé	Entraînement personnalisé Vertex AI TensorBoard avec conteneur personnalisé. Découvrez comment créer un job d'entraînement personnalisé à l'aide de conteneurs personnalisés et comment surveiller votre processus d'entraînement sur Vertex AI TensorBoard en temps quasi réel. En savoir plus sur Vertex AI TensorBoard. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer un dépôt et une configuration Docker. Créer une image de conteneur personnalisée avec votre code d'entraînement personnalisé. Configurer le compte de service et les buckets Google Cloud Storage. Créer et lancer votre job d'entraînement personnalisé avec votre conteneur personnalisé.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Entraînement personnalisé	Entraînement personnalisé Vertex AI TensorBoard avec conteneur prédéfini. Découvrez comment créer un job d'entraînement personnalisé à l'aide de conteneurs prédéfinis et comment surveiller votre processus d'entraînement sur Vertex AI TensorBoard en temps quasi réel. En savoir plus sur Vertex AI TensorBoard. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Configurer le compte de service et les buckets Cloud Storage. Rédiger le code d'entraînement personnalisé. Empaqueter et importer votre code d'entraînement dans Google Cloud Storage. Créer et lancer votre job d'entraînement personnalisé avec Vertex AI TensorBoard activé pour la surveillance en temps quasi réel.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard	Régler les hyperparamètres de Vertex AI TensorBoard avec le tableau de bord HParams. Dans ce notebook, vous allez entraîner un modèle et effectuer un réglage des hyperparamètres à l'aide de TensorFlow. Étapes du tutoriel Adapter les exécutions de TensorFlow pour consigner les hyperparamètres et les métriques. Démarrer les exécutions et les enregistrer dans un répertoire parent. Visualiser les résultats dans le tableau de bord HParams de Vertex AI TensorBoard.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Profiler Vertex AI TensorBoard	Profiler les performances d'entraînement des modèles à l'aide de Cloud Profiler. Découvrez comment activer Profiler pour les jobs d'entraînement personnalisé. En savoir plus sur Profiler. En savoir plus sur Vertex AI TensorBoard. Étapes du tutoriel Configurer un compte de service et un bucket Cloud Storage. Créer une instance Vertex AI TensorBoard Créer et exécuter un job d'entraînement personnalisé qui active Profiler Afficher le tableau de bord Profiler pour déboguer les performances d'entraînement de votre modèle	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Profiler Vertex AI TensorBoard	Profiler les performances d'entraînement des modèles à l'aide de Cloud Profiler lors d'un entraînement personnalisé avec un conteneur prédéfini. Découvrez comment activer Profiler dans Gemini Enterprise Agent Platform pour des jobs d'entraînement personnalisé avec un conteneur prédéfini. En savoir plus sur Profiler. En savoir plus sur Vertex AI TensorBoard. Étapes du tutoriel Préparer votre code d'entraînement personnalisé et le charger en tant que package Python dans un conteneur prédéfini. Créer et exécuter un job d'entraînement personnalisé qui active Profiler Afficher le tableau de bord Profiler pour déboguer les performances d'entraînement de votre modèle	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI TensorBoard Pipelines Gemini Enterprise Agent Platform	Intégration de Vertex AI TensorBoard à Gemini Enterprise Agent Platform Pipelines. Découvrez comment créer un pipeline d'entraînement à l'aide du SDK KFP, l'exécuter dans Gemini Enterprise Agent Platform Pipelines et surveiller le processus d'entraînement dans Vertex AI TensorBoard en temps quasi réel. En savoir plus sur Vertex AI TensorBoard. En savoir plus sur les pipelines Gemini Enterprise Agent Platform Étapes du tutoriel Configurer un compte de service et des buckets Google Cloud Storage. Créer un pipeline KFP avec votre code d'entraînement personnalisé. Compiler et exécuter le pipeline KFP dans Gemini Enterprise Agent Platform Pipelines avec Vertex AI TensorBoard activé pour une surveillance en quasi-temps réel.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Réglage des hyperparamètres de Gemini Enterprise Agent Platform	Réglage des hyperparamètres Gemini Enterprise Agent Platform distribué. Dans ce notebook, vous créez un modèle entraîné personnalisé à partir d'un script Python dans un conteneur Docker. En savoir plus sur le réglage des hyperparamètres dans Gemini Enterprise Agent Platform Étapes du tutoriel L'entraînement à l'aide d'un package Python. Précision du rapport lors du réglage d'hyperparamètres Enregistrez les artefacts de modèle dans Cloud Storage à l'aide de Cloud StorageFuse.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Faites vos premiers pas avec Vertex AI Training pour LightGBM. Découvrez comment entraîner un modèle personnalisé LightGBM à l'aide de la méthode de conteneur personnalisé pour Vertex AI Training. Étapes du tutoriel L'entraînement à l'aide d'un package Python. Enregistrez les artefacts de modèle dans Cloud Storage à l'aide de Cloud StorageFuse. Créer un serveur de prédiction FastAPI. Créer une image de déploiement Dockerfile pour le serveur. Tester l'image de déploiement localement (facultatif et non destiné aux utilisateurs de Colab). Créez une ressource de modèle Gemini Enterprise Agent Platform. Exécuter un job de prédiction par lot. Déployer le modèle sur un point de terminaison et envoyer des requêtes de prédiction en ligne. Nettoyer les ressources créées.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement distribué Gemini Enterprise Agent Platform	Premiers pas avec l'entraînement distribué Gemini Enterprise Agent Platform Découvrez comment utiliser l'entraînement distribué Gemini Enterprise Agent Platform lors de l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur l'entraînement distribué de Gemini Enterprise Agent Platform Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Réglage des hyperparamètres de Gemini Enterprise Agent Platform	Exécuter le réglage des hyperparamètres pour un modèle TensorFlow. Découvrez comment exécuter un job de réglage des hyperparamètres Gemini Enterprise Agent Platform pour un modèle TensorFlow. En savoir plus sur le réglage des hyperparamètres dans Gemini Enterprise Agent Platform Étapes du tutoriel Modifier le code de l'application d'entraînement pour automatiser les réglages d'hyperparamètres. Conteneuriser le code de l'application d'entraînement. Configurer et lancer un job de réglage des hyperparamètres avec le SDK Gemini Enterprise Agent Platform pour Python.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Réglage des hyperparamètres Gemini Enterprise Agent Platform	Réglage des hyperparamètres Gemini Enterprise Agent Platform pour XGBoost Découvrez comment utiliser le service de réglage des hyperparamètres Gemini Enterprise Agent Platform pour entraîner un modèle XGBoost. En savoir plus sur le réglage des hyperparamètres dans Gemini Enterprise Agent Platform Étapes du tutoriel Effectuer l'entraînement à l'aide d'un package d'application d'entraînement Python. Précision du rapport lors du réglage d'hyperparamètres. Enregistrez les artefacts de modèle dans Cloud Storage à l'aide de Cloud StorageFuse. Répertorier le meilleur modèle.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Entraînement parallèle avec données d'image distribuées sur plusieurs nœuds pour la classification d'image PyTorch, sur un processeur utilisant l'entraînement Gemini Enterprise Agent Platform avec un conteneur personnalisé. Découvrez comment créer un job d'entraînement distribué PyTorch en utilisant le SDK Agent Platform pour Python et des conteneurs personnalisés. En savoir plus sur Vertex AI Training. Étapes du tutoriel Configurer votre projet Google Cloud	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vertex AI Training	Classification d'images PyTorch à l'aide d'un entraînement parallèle avec données distribuées sur plusieurs nœuds NCCL sur processeur et Gemini Enterprise Agent Platform. Découvrez comment créer un job d'entraînement distribué PyTorch en utilisant le SDK Agent Platform pour Python et des conteneurs personnalisés. En savoir plus sur Vertex AI Training. Étapes du tutoriel Créer un conteneur personnalisé à l'aide d'Artifact Registry et de Docker. Créer une instance TensorBoard Gemini Enterprise Agent Platform pour stocker votre test Gemini Enterprise Agent Platform. Exécutez un job d'entraînement Gemini Enterprise Agent Platform à l'aide du SDK Agent Platform pour Python.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé	Entraîner, régler et déployer un modèle de classification des sentiments d'après un texte PyTorch sur Gemini Enterprise Agent Platform. Découvrez comment créer, entraîner, régler et déployer un modèle PyTorch sur Gemini Enterprise Agent Platform. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Créer un package d'entraînement pour le modèle de classification de texte. Entraînez le modèle avec l'entraînement personnalisé sur Gemini Enterprise Agent Platform. Vérifier les artefacts de modèle créés. Créer un conteneur personnalisé pour les prédictions. Déployer le modèle entraîné sur un point de terminaison Gemini Enterprise Agent Platform à l'aide du conteneur personnalisé pour les prédictions. Envoyer des requêtes de prédiction en ligne au modèle déployé et les valider. Nettoyer les ressources créées dans ce notebook.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Intégration de PyTorch dans Gemini Enterprise Agent Platform	Entraînez un modèle PyTorch sur Gemini Enterprise Agent Platform avec des données de Cloud Storage. Découvrez comment créer un job d'entraînement à l'aide de PyTorch et d'un ensemble de données stocké sur Cloud Storage. En savoir plus sur l'intégration de PyTorch dans Gemini Enterprise Agent Platform Étapes du tutoriel Rédiger un script d'entraînement personnalisé qui entraîne votre modèle, et qui crée vos ensembles de données d'entraînement et de test. Exécuter une CustomTrainingJob à l'aide du SDK Agent Platform pour Python.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement distribué	Utiliser le script torchrun de PyTorch pour simplifier l'entraînement multinœud avec des conteneurs personnalisés. Découvrez comment entraîner un modèle ImageNet à l'aide du script torchrun de PyTorch sur plusieurs nœuds. Apprenez-en plus sur l'entraînement distribué. Étapes du tutoriel Créer un script shell pour démarrer un cluster ETCD sur le nœud maître Créer un script d'entraînement à l'aide du code du dépôt GitHub de PyTorch Elastic Créer des conteneurs qui téléchargent les données et démarrer un cluster ETCD sur l'hôte Entraîner le modèle à l'aide de plusieurs nœuds avec des GPU	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Entraînement personnalisé	Entraînement XGBoost distribué avec Dask. Découvrez comment créer un job d'entraînement distribué à l'aide de XGBoost avec Dask. En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Configurer les variables PROJECT_ID et LOCATION pour votre projet Google Cloud. Créer un bucket Cloud Storage pour stocker les artefacts de votre modèle. Créer un conteneur Docker personnalisé qui héberge votre code d'entraînement et transférer l'image du conteneur vers Artifact Registry. Exécuter un job CustomContainerTrainingJob du SDK Agent Platform	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
vector_search	Utiliser les embeddings multimodaux et Vector Search de Gemini Enterprise Agent Platform Découvrez comment encoder des embeddings de texte personnalisés, créer un index de voisin le plus proche et interroger les index. Étapes du tutoriel Convertir un ensemble de données d'images en embeddings. Créer un index. Importer des embeddings dans l'index. Créer un point de terminaison d'index. Déployer l'index sur le point de terminaison d'index. Effectuer une requête en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vector Search sur Gemini Enterprise Agent Platform	Utiliser Gemini Enterprise Agent Platform Vector Search pour les questions Stack Overflow Découvrez comment encoder des embeddings de texte personnalisés, créer un index de voisin le plus proche et interroger les index. En savoir plus sur Vector Search sur Gemini Enterprise Agent Platform Étapes du tutoriel Créer un index ANN. Créer un point de terminaison d'index avec un réseau VPC. Déployer un index ANN. Effectuer une requête en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vector Search sur Gemini Enterprise Agent Platform Embeddings Gemini Enterprise Agent Platform pour le texte	Utiliser Gemini Enterprise Agent Platform Vector Search et les embeddings Gemini Enterprise Agent Platform pour le texte dans les questions sur StackOverflow. Découvrez comment encoder des embeddings de texte, créer un index de voisin le plus proche et interroger les index. En savoir plus sur Vector Search sur Gemini Enterprise Agent Platform En savoir plus sur les embeddings Gemini Enterprise Agent Platform pour le texte Étapes du tutoriel Convertir un ensemble de données BigQuery en embeddings. Créer un index. Importer des embeddings dans l'index. Créer un point de terminaison d'index. Déployer l'index sur le point de terminaison d'index. Effectuer une requête en ligne.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Vector Search sur Gemini Enterprise Agent Platform	Créez un index Vector Search Gemini Enterprise Agent Platform. Découvrez comment créer un index de voisin le plus proche, interroger des index et valider les performances de l'index. En savoir plus sur Vector Search sur Gemini Enterprise Agent Platform Étapes du tutoriel Créer un index ANN et un index de force brute. Créer un point de terminaison d'index avec un réseau VPC. Déployer un index ANN et un index de force brute. Effectuer une requête en ligne. Calculer le rappel.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Vizier	Optimiser plusieurs objectifs avec Agent Platform Vizier. Découvrez comment utiliser Agent Platform Vizier pour optimiser une étude multi-objectif. En savoir plus sur Agent Platform Vizier Étapes du tutoriel	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Agent Platform Vizier	Premiers pas avec Agent Platform Vizier Découvrez comment utiliser Agent Platform Vizier lors de l'entraînement avec Gemini Enterprise Agent Platform. En savoir plus sur Agent Platform Vizier Étapes du tutoriel Les réglages d'hyperparamètres avec un algorithme aléatoire. Réglage des hyperparamètres avec l'algorithme Agent Platform Vizier (bayésien). Proposer des essais et mettre à jour les résultats pour l'étude Agent Platform Vizier	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Vertex AI Training	Entraîner un modèle de classification à classes multiples pour le ciblage des annonces. Découvrez comment collecter des données à partir de BigQuery, les prétraiter et entraîner un modèle de classification à classes multiples sur un ensemble de données d'e-commerce. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur Vertex AI Training. Étapes du tutoriel Récupérer les données requises à partir de BigQuery. Prétraiter les données. Entraîner un modèle de classification TensorFlow (>=2.4). Évaluer la perte pour le modèle entraîné. Automatiser l'exécution du notebook à l'aide de la fonctionnalité d'exécuteur. Enregistrer le modèle dans un chemin d'accès Cloud Storage. Nettoyer les ressources créées.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Prévoir un volume de demande commerciale avec Gemini Enterprise Agent Platform et BigQuery ML. Découvrez comment créer un modèle ARIMA (moyenne mobile intégrée autorégressive) à partir de BigQuery ML et sur des données de vente au détail. En savoir plus sur Gemini Enterprise Agent Platform Workbench. En savoir plus sur BigQuery ML. Étapes du tutoriel Explorer les données Modéliser avec BigQuery et avec le modèle ARIMA. Évaluer le modèle. Évaluer les résultats du modèle à l'aide de BigQuery ML (sur les données d'entraînement). Évaluer les résultats du modèle EAM, EAMP, MSE et RMSE (sur les données de test). Utiliser la fonctionnalité d'exécuteur.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Analyse exploratoire interactive des données BigQuery dans un notebook. Découvrez les différentes façons d'explorer et d'obtenir des insights à partir de données BigQuery dans un environnement de notebook Jupyter. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur BigQuery ML. Étapes du tutoriel Utiliser Python et SQL pour interroger des données publiques dans BigQuery. Explorer l'ensemble de données à l'aide de BigQuery INFORMATION_SCHEMA. Créer des éléments interactifs pour explorer des parties intéressantes des données. Effectuer une corrélation exploratoire et une analyse de séries temporelles. Créer des sorties statiques et interactives dans les notebooks (tables et données). Enregistrer certaines sorties dans Cloud Storage.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Entraînement personnalisé	Créer un modèle de détection de fraude sur Gemini Enterprise Agent Platform Ce tutoriel explique comment créer des modèles et analyser des données à l'aide d'un ensemble de données financières synthétiques. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur l'entraînement personnalisé. Étapes du tutoriel Installation des bibliothèques requises. Lire l'ensemble de données à partir d'un bucket Cloud Storage. Effectuer une analyse exploratoire de l'ensemble de données. Prétraiter l'ensemble de données. Entraîner un modèle "random forest" à l'aide de scikitlearn. Enregistrer le modèle dans un bucket Cloud Storage. Créer une ressource de modèle Gemini Enterprise Agent Platform et la déployer sur un point de terminaison Exécuter l'outil WhatIf sur des données de test. Annuler le déploiement du modèle et nettoyer les ressources de modèle.	Colab GitHub Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Prédiction du taux de perte d'utilisateurs pour les développeurs de jeux vidéo à l'aide de Google Analytics 4 et de BigQuery ML. Découvrez comment entraîner et évaluer un modèle de tendances dans BigQuery ML. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur BigQuery ML. Étapes du tutoriel Explorer les données exportées à partir de Google Analytics 4 dans BigQuery. Préparer les données d'entraînement à l'aide des données démographiques, des données comportementales et des étiquettes (perte/absence de perte). Entraîner un modèle XGBoost à l'aide de BigQuery ML. Évaluer le modèle à l'aide de BigQuery ML. Utiliser BigQuery ML pour prédire les utilisateurs susceptibles de quitter votre application.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Formation Gemini Enterprise Agent Platform	Maintenance prédictive à l'aide de Gemini Enterprise Agent Platform Découvrez comment utiliser la fonctionnalité d'exécuteur de Gemini Enterprise Agent Platform Workbench pour automatiser un workflow afin d'entraîner et de déployer un modèle. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur la formation Gemini Enterprise Agent Platform Étapes du tutoriel Charger l'ensemble de données requis à partir d'un bucket Cloud Storage. Analyser les champs présents dans l'ensemble de données. Sélectionner les données requises pour le modèle de maintenance prédictive. Entraîner un modèle de régression XGBoost pour prédire la durée de vie utile restante. Évaluer le modèle. Exécuter le notebook en tant que job d'entraînement à l'aide de l'exécuteur. Déployer le modèle sur Gemini Enterprise Agent Platform Effectuer un nettoyage.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench BigQuery ML	Analyse de l'optimisation des prix sur les données de tarification CDM. L'objectif de ce notebook est de créer un modèle d'optimisation des prix à l'aide de BigQuery ML. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur BigQuery ML. Étapes du tutoriel Charger l'ensemble de données requis à partir d'un bucket Cloud Storage. Analyser les champs présents dans l'ensemble de données. Traiter les données pour créer un modèle. Créer un modèle de prévision BigQuery ML sur les données traitées. Obtenir des valeurs de prévision à partir du modèle BigQuery ML. Interpréter les prévisions pour identifier les meilleurs prix. Effectuer un nettoyage.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Dataproc sans serveur pour Spark	Condenser et analyser des données de BigQuery avec Dataproc. Ce tutoriel de notebook exécute un job Apache Spark qui extrait des données de l'ensemble de données BigQuery "GitHub Activity Data", interroge les données et réécrit les résultats dans BigQuery. En savoir plus sur Gemini Enterprise Agent Platform Workbench Apprenez-en davantage sur Dataproc sans serveur pour Spark. Étapes du tutoriel Configurer un projet Google Cloud et un cluster Dataproc. Configurer le connecteur sparkbigquery. Ingérer des données à partir de BigQuery dans un objet DataFrame Spark. Prétraiter les données ingérées. Demander le langage de programmation le plus fréquemment utilisé dans des dépôts monoglottes. Demander la taille moyenne (Mo) du code dans chaque langage stockée dans des dépôts monoglottes. Demander les fichiers de langage les plus fréquents dans des dépôts polyglottes. Réécrire les résultats de requête dans BigQuery. Supprimer les ressources créées pour ce tutoriel notebook.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench
Gemini Enterprise Agent Platform Workbench Dataproc	SparkML avec Dataproc et BigQuery. Ce tutoriel exécute un job Apache SparkML qui extrait les données de l'ensemble de données BigQuery, effectue une analyse exploratoire des données, nettoie les données, extrait des caractéristiques, entraîne le modèle, évalue le modèle, génère les résultats et enregistre le modèle dans un bucket Cloud Storage. En savoir plus sur Gemini Enterprise Agent Platform Workbench En savoir plus sur Dataproc. Étapes du tutoriel Configurer un projet Google Cloud et un cluster Dataproc. Créer un bucket Cloud Storage et un ensemble de données BigQuery. Configurer le connecteur sparkbigquery. Ingérer des données BigQuery dans un objet DataFrame Spark. Effectuer une analyse exploratoire des données (EDA). Visualiser les données avec des exemples. Nettoyer les données. Sélectionner les caractéristiques. Entraîner le modèle. Générer les résultats. Enregistrer le modèle dans un bucket Cloud Storage. Supprimer les ressources créées pour le tutoriel.	Colab  Colab Enterprise  GitHub  Gemini Enterprise Agent Platform Workbench