Jei žvalgėtės į dirbtinio intelekto įrankius ir svarstėte, kur vyksta tikroji magija nuo pradžios iki galo – nuo greito pritaikymo iki gamybos su stebėjimu – tai yra tai, apie ką nuolat girdite. „Google“ „Vertex AI“ sujungia modelių žaidimų aikšteles, daugiapakopes operacines sistemas, duomenų sujungimus ir vektorinę paiešką vienoje, įmonės lygio vietoje. Pradėkite nuo nulio, tada plėskite. Stebėtinai retai pavyksta gauti abu po vienu stogu.
Žemiau pateikiamas aiškus vadovas. Atsakysime į paprastą klausimą – kas yra „Google Vertex“ dirbtinis intelektas? – ir parodysime, kaip jis tinka jūsų sistemai, ką išbandyti pirmiausia, kaip keičiasi išlaidos ir kada alternatyvos yra prasmingesnės. Prisisekite. Čia yra daug galimybių, bet kelias paprastesnis, nei atrodo. 🙂
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kas yra dirbtinio intelekto treneris
Paaiškina, kaip dirbtinio intelekto mokytojai tobulina modelius naudodami žmonių atsiliepimus ir ženklinimą.
🔗 Kas yra dirbtinio intelekto arbitražas: tiesa, slypinti už šio madingo žodžio
Išskaido dirbtinio intelekto arbitražą, jo verslo modelį ir rinkos pasekmes.
🔗 Kas yra simbolinis dirbtinis intelektas: viskas, ką reikia žinoti
Aptariamas simbolinio dirbtinio intelekto loginis samprotavimas ir kuo jis skiriasi nuo mašininio mokymosi.
🔗 Kokia programavimo kalba naudojama dirbtiniam intelektui
Palygina Python, R ir kitas dirbtinio intelekto kūrimo ir tyrimų kalbas.
🔗 Kas yra dirbtinis intelektas kaip paslauga?
Paaiškina AIaaS platformas, privalumus ir kaip įmonės naudoja debesijos pagrindu veikiančius AI įrankius.
Kas yra „Google Vertex“ dirbtinis intelektas? 🚀
„Google Vertex AI“ yra visiškai valdoma, vieninga „Google Cloud“ platforma, skirta dirbtinio intelekto sistemų kūrimui, testavimui, diegimui ir valdymui, apimanti tiek klasikinį mašininį mokymąsi, tiek modernų generatyvinį dirbtinį intelektą. Ji apjungia modelių studiją, agentų įrankius, srautus, užrašines, registrus, stebėjimą, vektorių paiešką ir glaudų integravimą su „Google Cloud“ duomenų paslaugomis [1].
Paprastai tariant: tai vieta, kur kuriate prototipus naudodami pamatinius modelius, juos derinate, diegiate saugiuose galiniuose taškuose, automatizuojate naudodami srautus ir viską stebite bei valdote. Svarbiausia, kad visa tai daroma vienoje vietoje – o tai yra svarbiau, nei atrodo pirmą dieną [1].
Greitas realaus pasaulio modelis: komandos dažnai braižo užduotis studijoje, prijungia minimalų užrašų knygutę, kad patikrintų įvesties/išvesties duomenis pagal realius duomenis, o tada perkelia šiuos išteklius į registruotą modelį, galinį tašką ir paprastą srautą. Antroji savaitė paprastai skirta stebėjimui ir įspėjimams. Esmė ne didvyriškumas, o pakartojamumas.
Kas daro „Google Vertex“ dirbtinį intelektą nuostabiu ✅
-
Vienas stogas visam gyvavimo ciklui – prototipas studijoje, versijų registravimas, diegimas paketiniu arba realiuoju laiku, tada stebėjimas, ar nėra nukrypimų ir problemų. Mažiau sujungimo kodo. Mažiau skirtukų. Daugiau miego [1].
-
„Model Garden“ + „Gemini“ modeliai – atraskite, pritaikykite ir diegkite „Google“ ir partnerių modelius, įskaitant naujausią „Gemini“ šeimą, teksto ir daugiarūšiam darbui [1].
-
Agentų kūrimo priemonė – kurti į užduotis orientuotus, kelių žingsnių agentus, kurie gali valdyti įrankius ir duomenis su vertinimo palaikymu ir valdoma vykdymo aplinka [2].
-
Patikimumo užtikrinimas naudojant „Pilines“ – beserveris orkestravimas pasikartojančiam mokymui, vertinimui, derinimui ir diegimui. Padėkosite sau, kai ateis trečiasis pakartotinis mokymas [1].
-
Mastelio keitimo vektorių paieška – didelio masto, mažo vėlavimo vektorių paieška RAG, rekomendacijoms ir semantinei paieškai, sukurta naudojant „Google“ gamybinės klasės infrastruktūrą [3].
-
Funkcijų valdymas naudojant „BigQuery“ – tvarkykite savo funkcijų duomenis „BigQuery“ sistemoje ir pateikite funkcijas internete per „Vertex AI Feature Store“ nedubliuodami neprisijungus pasiekiamos saugyklos [4].
-
„Workbench“ užrašinės – valdomos „Jupyter“ aplinkos, sujungtos su „Google Cloud“ paslaugomis („BigQuery“, „Cloud Storage“ ir kt.) [1].
-
Atsakingo dirbtinio intelekto parinktys – saugos įrankiai ir duomenų saugojimo kontrolė (tinkamai sukonfigūruota) generatyviniams darbo krūviams [5].
Svarbiausios dalys, kurias iš tikrųjų paliesite 🧩
1) „Vertex AI Studio“ – vieta, kur užauga raginimai 🌱
Paleiskite, įvertinkite ir derinkite pagrindinius modelius vartotojo sąsajoje. Puikiai tinka greitoms iteracijoms, pakartotinai naudojamoms užduotims ir perdavimui gamybai, kai tik kažkas „suspjauna“ [1].
2) Modelių sodas – jūsų modelių katalogas 🍃
Centralizuota „Google“ ir partnerių modelių biblioteka. Naršykite, tinkinkite ir diegkite vos keliais paspaudimais – tai tikras atspirties taškas, o ne lobių paieška [1].
3) Agentų kūrimo priemonė – patikimam automatizavimui 🤝
Agentams pereinant nuo demonstracinių versijų prie realaus darbo, reikia įrankių, pagrindo ir orkestravimo. „Agent Builder“ teikia pastolius (seansus, atminties banką, integruotus įrankius, vertinimus), kad kelių agentų patirtis nesugriūtų dėl realaus pasaulio netvarkos [2].
4) Vamzdynai – nes vis tiek pasikartosite 🔁
Automatizuokite mašininio mokymosi ir dirbtinio intelekto darbo eigas naudodami serverių neturintį orkestratorių. Palaiko artefaktų sekimą ir atkuriamus paleidimus – įsivaizduokite tai kaip savo modelių integraciją [1].
5) Darbastalis – valdomi užrašų knygelės be jokių papildomų problemų 📓
Sukurkite saugias „JupyterLab“ aplinkas su lengva prieiga prie „BigQuery“, debesies saugyklos ir kt. Patogu tyrinėjimams, funkcijų inžinerijai ir kontroliuojamiems eksperimentams [1].
6) Modelių registras – išliekančios versijos 🗃️
Stebėkite modelius, versijas, kilmę ir diegkite tiesiogiai galiniuose taškuose. Registras leidžia daug paprasčiau perduoti duomenis inžinerijos įstaigoms [1].
7) Vektorinė paieška – RAG, kuris neužstringa 🧭
Semantinės paieškos mastelio keitimas naudojant „Google“ gamybos vektorių infrastruktūrą – naudinga pokalbiams, semantinei paieškai ir rekomendacijoms, kai delsa matoma vartotojui [3].
8) Funkcijų saugykla – „BigQuery“ teikite kaip tiesos šaltinį 🗂️
Tvarkykite ir pateikite funkcijas internete, naudodami „BigQuery“ esančius duomenis. Mažiau kopijavimo, mažiau sinchronizavimo užduočių, didesnis tikslumas [4].
9) Modelių stebėjimas – pasitikėk, bet patikrink 📈
Suplanuokite dreifo patikras, nustatykite įspėjimus ir stebėkite gamybos kokybę. Jums to prireiks vos pasikeitus srautui [1].
Kaip tai telpa į jūsų duomenų rinkinį 🧵
-
„BigQuery“ – apmokykite su ten esančiais duomenimis, perkelkite paketines prognozes atgal į lenteles ir perkelkite prognozes į analizės arba aktyvinimo sistemą [1][4].
-
Debesų saugykla – saugokite duomenų rinkinius, artefaktus ir modelių rezultatus neišradinėdami „blob“ sluoksnio [1].
-
„Dataflow“ ir „friends“ – vykdo valdomą duomenų apdorojimą vamzdynuose, kad būtų galima atlikti išankstinį apdorojimą, praturtinimą arba srautinį išvadų teikimą [1].
-
Galiniai taškai arba paketinis apdorojimas – diegkite realiuoju laiku veikiančius galinius taškus programoms ir agentams arba vykdykite paketines užduotis, kad įvertintumėte visas lenteles – greičiausiai naudosite abu [1].
Įprasti naudojimo atvejai, kurie iš tikrųjų pasiekia rezultatų 🎯
-
Pokalbiai, antrieji pilotai ir agentai – pagrįstai jūsų duomenimis, įrankių naudojimu ir kelių žingsnių srautais. „Agent Builder“ sukurtas patikimumui, o ne vien naujumui [2].
-
RAG ir semantinė paieška – derinkite „Vector Search“ su „Gemini“, kad atsakytumėte į klausimus naudodami savo patentuotą turinį. Greitis yra svarbesnis, nei mes manome [3].
-
Nuspėjamasis mašininis mokymasis (ML) – lentelinių arba vaizdinių modelių apmokymas, diegimas galiniame taške, dreifo stebėjimas, pakartotinis apmokymas su srautais, kai peržengiamos ribos. Klasikinis, bet labai svarbus [1].
-
Analizės aktyvinimas – rašykite prognozes į „BigQuery“, kurkite auditorijas ir teikkite informaciją apie kampanijas ar produktus. Puikus ciklas, kai rinkodara susitinka su duomenų mokslu [1][4].
Palyginimo lentelė – „Vertex AI“ ir populiarios alternatyvos 📊
Trumpa apžvalga. Šiek tiek subjektyvi nuomonė. Atminkite, kad tikslios funkcijos ir kainos priklauso nuo paslaugos ir regiono.
| Platforma | Geriausia auditorija | Kodėl tai veikia |
|---|---|---|
| Vertex AI | „Teams“ „Google Cloud“ debesyje, dirbtinio intelekto ir mašininio mokymosi derinys | Vieninga studija, srautai, registras, vektorių paieška ir stiprūs „BigQuery“ ryšiai [1]. |
| AWS SageMaker | AWS pagrindu veikiančioms organizacijoms, kurioms reikalingi gilūs mašininio mokymosi įrankiai | Brandi, viso gyvavimo ciklo mašininio mokymosi paslauga su plačiomis mokymo ir diegimo galimybėmis. |
| Azure mašininis mokymasis | „Microsoft“ suderintos įmonės IT | Integruotas mašininio mokymosi gyvavimo ciklas, dizainerio vartotojo sąsaja ir valdymas „Azure“ platformoje. |
| Databricks mašininis mokymasis | „Lakehouse“ komandos, srautai su daugybe užrašų knygelių | Stiprios duomenimis pagrįstos darbo eigos ir mašininio mokymosi galimybės gamyboje. |
Taip, formuluotės yra netolygios – tikros lentelės kartais tokios ir yra.
Kainos paprastais žodžiais 💸
Dažniausiai mokate už tris dalykus:
-
Modelio naudojimas generatyviniams skambučiams, įkainotas pagal darbo krūvį ir naudojimo klasę.
-
Skaičiuokite pagal individualius mokymo ir derinimo darbus.
-
Aptarnaujama internetiniams galiniams įrenginiams arba paketinėms užduotims.
Tikslius skaičius ir naujausius pakeitimus rasite oficialiuose „Vertex AI“ ir jos generatyvinių pasiūlymų kainodaros puslapiuose. Patarimas, už kurį vėliau sau padėkosite: prieš siūlydami ką nors sudėtingo [1][5], peržiūrėkite „Studio“ ir gamybinių galinių įrenginių aprūpinimo parinktis ir kvotas.
Saugumas, valdymas ir atsakingas dirbtinis intelektas 🛡️
„Vertex AI“ teikia atsakingo dirbtinio intelekto naudojimo gaires ir saugos įrankius, taip pat konfigūravimo būdus, kad būtų pasiektas nulinis duomenų saugojimas tam tikrose generatyvinėse darbo krūviuose (pavyzdžiui, išjungiant duomenų kaupimą talpykloje ir atsisakant konkrečių žurnalų, kai taikoma) [5]. Derinkite tai su vaidmenimis pagrįsta prieiga, privačiais tinklais ir audito žurnalais, kad būtų užtikrinta atitiktis reikalavimus atitinkanti kompiliacija [1].
Kada „Vertex“ dirbtinis intelektas yra tobulas, o kada – perteklinis 🧠
-
Puikiai tinka, jei norite vienos aplinkos dirbtiniam intelektui ir mašininiam mokymuisi, glaudaus „BigQuery“ integravimo ir gamybos proceso, apimančio srautus, registrą ir stebėjimą. Jei jūsų komanda dirba su duomenų mokslu ir programų inžinerija, bendras paviršius praverčia.
-
Perteklinis sprendimas, jei reikia tik lengvo modelio iškvietimo arba vieno tikslo prototipo, kuriam nereikės valdymo, perkvalifikavimo ar stebėjimo. Tokiais atvejais kol kas gali pakakti paprastesnės API sąsajos.
Būkime atviri: dauguma prototipų arba miršta, arba jiems užsiaugina iltys. Antruoju atveju sprendžia „Vertex AI“.
Greita pradžia – 10 minučių skonio testas ⏱️
-
Atidarykite „Vertex AI Studio“ , kad sukurtumėte prototipą su modeliu ir išsaugotumėte keletą jums patinkančių raginimų. Pakelkite ratus tikru tekstu ir vaizdais [1].
-
Įkelkite savo geriausią užduotį į minimalistinę programėlę ar užrašų knygutę iš „Workbench“ . Gražu ir paprasta [1].
-
Užregistruokite programėlės pagrindinį modelį arba suderintą išteklių modelių registre , kad nereikėtų švaistytis neįvardytais artefaktais [1].
-
Sukurkite srautą , kuris įkelia duomenis, įvertina rezultatus ir diegia naują versiją su slapyvardžiu. Pakartojamumas pranoksta herojiškumą [1].
-
Pridėkite stebėjimą , kad galėtumėte pastebėti dreifą ir nustatyti pagrindinius įspėjimus. Jūsų būsimas „aš“ už tai nupirks jums kavos [1].
Pasirinktinai, bet sumanu: jei jūsų naudojimo atvejis yra paieškų ar plepus, nuo pirmos dienos pridėkite „Vector Search“ ir įžeminimą. Tai skirtumas tarp gražaus ir stebėtinai naudingo [3].
Kas yra „Google Vertex“ dirbtinis intelektas? – trumpa versija 🧾
Kas yra „Google Vertex AI“? Tai „Google Cloud“ universali platforma, skirta dirbtinio intelekto sistemoms projektuoti, diegti ir valdyti – nuo paraginimo iki gamybos – su integruotais agentų, srautų, vektorių paieškos, užrašinių, registrų ir stebėjimo įrankiais. Ji pagrįsta nuomonėmis, kurios padeda komandoms dirbti [1].
Alternatyvų apžvalga – tinkamos juostos pasirinkimas 🛣️
Jei jau gerai išmanote AWS, „SageMaker“ jums tiks. „Azure“ komandos dažnai renkasi „Azure ML“ . Jei jūsų komanda gyvena nešiojamuosiuose kompiuteriuose ir privačiuose namuose, „Databricks ML“ yra puikus pasirinkimas. Nė vienas iš šių variantų nėra klaidingas – dažniausiai lemia jūsų duomenų svarba ir valdymo reikalavimai.
DUK – greita ugnis 🧨
-
Ar „Vertex AI“ skirtas tik generatyviniam DI? „No-Vertex AI“ taip pat apima klasikinį mašininio mokymosi mokymą ir aptarnavimą su MLOps funkcijomis duomenų mokslininkams ir mašininio mokymosi inžinieriams [1].
-
Ar galiu „BigQuery“ palikti kaip pagrindinę saugyklą? Taip – naudokite „Feature Store“, kad galėtumėte tvarkyti funkcijų duomenis „BigQuery“ sistemoje ir pateikti juos internete, nedubliuodami neprisijungus pasiekiamos saugyklos [4].
-
Ar „Vertex AI“ padeda su RAG? Tam sukurta „Yes-Vector Search“ programa, kuri integruojasi su likusia paieškos sistema [3].
-
Kaip kontroliuoti išlaidas? Pradėkite nuo mažų išlaidų, išmatuokite ir peržiūrėkite kvotas / aprūpinimą ir darbo krūvio klasės kainodarą prieš didindami [1][5].
Nuorodos
[1] „Google Cloud“ – įvadas į „Vertex AI“ (vieningos platformos apžvalga) – skaitykite daugiau
[2] „Google Cloud“ – „Vertex AI“ agentų kūrimo priemonės apžvalga – skaitykite daugiau
[3] „Google Cloud“ – „Vertex AI“ vektorių paieškos naudojimas su „Vertex AI RAG“ varikliu – skaitykite daugiau
[4] „Google Cloud“ – Įvadas į funkcijų valdymą „Vertex AI“ – skaitykite daugiau
[5] „Google Cloud“ – klientų duomenų saugojimas ir nulinis duomenų saugojimas naudojant „Vertex AI“ – skaitykite daugiau