Definition Was ist Vertex AI?

Anbieter zum Thema

Confluent Germany GmbH

Snowflake Computing GmbH

Fivetran Germany GmbH

Vertex AI ist ein voll gemanagter Cloud-Service der Google Cloud Platform (GCP). Er stellt eine Machine-Learning-Plattform für alle Lebenszyklen von Machine-Learning-Anwendungen bereit – vom Training der Modelle bis zu ihrem produktiven Einsatz. KI-Tools wie AutoML, AI Platform und viele weitere sind über eine einheitliche Benutzeroberfläche und API erreichbar. Die Plattform ist für Datenwissenschaftler und ML-Engineers konzipiert und deckt das MLOps-Konzept (Machine Learning Operations) ab

Unter dem Produktnamen Vertex AI bietet Google einen voll gemanagten Cloud-Service für maschinelles Lernen an. Die Machine-Learning-Plattform wird auf der Google Cloud Platform (GCP) produziert und deckt alle Lebenszyklen von ML-Anwendungen ab. KI-Tools wie AutoML, AI Platform, Vertex Data Labeling, Vertex Vizier, Vertex Explainable AI und viele mehr sind über eine einheitliche Benutzeroberfläche verfügbar. APIs und Client-Bibliotheken sind ebenfalls vereinheitlicht.

Mit Vertex AI lassen sich Datensets hochladen und vorbereiten, Modelle bereitstellen, trainieren, produktiv betreiben und verwalten und Vorhersagen anfordern. Das Training der ML-Modelle ist sowohl automatisiert als auch benutzerdefiniert möglich. Die Plattform deckt das Machine-Learning-Operations-Konzept (MLOps-Konzept) ab. ML-Workflows lassen sich über Pipelines automatisieren. Um eigene Modelle zu trainieren und zu betreiben, benötigen Anwender keine eigene KI-Infrastruktur. Vertex AI ist speziell für Datenwissenschaftler, KI-Entwickler und ML-Engineers konzipiert und stellt die benötigten Google-Cloud-Services für maschinelles Lernen und Künstliche Intelligenz an einem Ort zur Verfügung. Auch ML-Einsteiger können mit Vertex AI ohne große Einarbeitungszeit und mit minimalen Code-Anforderungen schnell mit eigenen ML-Modellen starten.

Vertex AI wurde auf der Entwicklermesse Google I/O vorgestellt und im Jahr 2021 gelauncht. Einsetzbar ist Vertex AI für zahlreiche Anwendungen wie Natural Language Processing (NLP), Computer Vision, Analysen strukturierter Daten und vieles mehr. Die Kosten für den Cloud-Service Vertex AI sind nutzungsabhängig. In Rechnung gestellt werden Modelltraining, Vorhersagen und die Nutzung verschiedener Ressourcen der Google Cloud Platform. Die Preise unterscheiden sich nicht von denen bereits bestehender Produkte (beispielsweise für das Training mit AutoML).

Komponenten und Features von Vertex AI

Vertex AI ist eine mächtige, umfangreiche ML-Plattform mit vielen Features und Komponenten. Über eine einheitliche Benutzeroberfläche und API sind der gesamte Workflow für das Erstellen, Betreiben und Verwalten von Modellen und Anwendungen des maschinellen Lernens abgedeckt. Im Folgenden ein kurzer Überblick über einige wichtige Features und Komponenten:

Modelle lassen sich mit AutoML automatisiert trainieren und in einem zentralen Modell-Repository speichern. Benutzerdefiniertes Training mit individuell abgestimmten Hyperparametern, verschiedenen Maschinentypen und verteilten Trainingsjobs ist mit AI Platform Training möglich. Modelle können in Vertex AI bereitgestellt und Online-Vorhersagen abgerufen werden. Um ein Dataset für das benutzerdefinierte Training von Modellen aufzubereiten und mit Labeln zu versehen, lässt sich die Label-Erstellung für Text-, Bild- und Videodaten durch Menschen anfordern.

Vertex AI Feature Store ist für die Verwaltung der zugrundeliegenden Infrastruktur und das Bereitstellen, Freigeben und Wiederverwenden von ML-Features vorgesehen. Rechen- und Speicherressourcen lassen sich bereitstellen und skalieren. Vertex AI ist über die Vertex AI Workbench nativ in BigQuery, Dataproc und Spark eingebunden. Jupyter-Notebook-basierte Entwicklungsumgebungen lassen sich in den ML-Workflow einbinden. Die gesamte ML-Arbeit ist Jupyter-basiert ausführbar. Vertex AI Deep Learning Container erlaubt das Erstellen von Modellen in konsistenten, einfach portierbaren Umgebungen. Open-Source-Frameworks wie PyTorch, TensorFlow oder scikit-learn werden über benutzerdefinierte Container unterstützt.

Weitere Features und Komponenten von Vertex AI sind unter anderem:

• Vertex AI Edge Manager – Bereitstellen und Überwachen von Edge-Inferenzen und automatisierten Prozessen über APIs

• Vertex ML Metadata – Verfolgen von ML-Workflows mit Python SDK

• Vertex AI Model Monitoring – automatische Überwachung von Modellen

• Vertex AI Matching Engine – Service zum Abgleich von Vektorähnlichkeiten

• Vertex Explainable AI – Einblicke in die Vorhersagen der Modelle

• Vertex-AI-Prediction – Onlinebereitstellung von Modellen und Batch-Vorhersagen

• Vertex AI Training – vordefinierte Algorithmen und verwalteter Service für das Modelltraining

• Vertex AI Vizier – Optimierungsservice für das Tuning von Hyperparametern

• Vertex AI Tensorboard – Tool für das Visualisieren und Nachverfolgen von Machine-Learning-Tests

• Vertex AI REST API – RESTful API zum Erstellen, Verwalten und Ausführen gehosteter Modelle

Vertex AI Pipelines

Zur Automatisierung, Überwachung und Steuerung von MLOps-Prozessen lassen sich Vertex AI Pipelines einsetzen. ML-Pipelines basieren auf Containern. Sie sind portabel und skalierbar. Die ML-Workflows sind mit den Pipelines serverlos automatisiert. Der Workflow einer Pipeline ist als gerichtetes, azyklisches Diagramm abgebildet. Die verschiedenen Arbeitsschritte eines Workflows sind über unterschiedliche Komponenten dargestellt. Es lassen sich vordefinierte Komponenten verwenden oder benutzerspezifische Komponenten erstellen. Jede Komponenten besteht aus Eingaben, Ausgaben und Container-Image. Eine Pipeline besteht typischerweise aus Komponenten für das Laden und Aufbereiten der Daten, das Trainieren und Evaluieren der Modelle sowie für die produktive Bereitstellung der trainierten Modelle. Die produktiven Modelle lassen sich im Rahmen des ML-Workflows mit weiteren Komponenten überwachen und managen. Eine typische Pipeline kann folgendermaßen aussehen:

• Laden der Trainingsdaten

• Aufbereiten der Trainingsdaten

• Trainieren des Modells

• Bewerten des Modells

• Bereitstellen des trainierten und bewerteten Modells für Vorhersagen

(ID:48493007)