რა არის Google Vertex AI?

რა არის Google Vertex-ის ხელოვნური ინტელექტი?

თუ ხელოვნური ინტელექტის ხელსაწყოებს ხშირად აკვირდებით და გაინტერესებთ, სად ხდება ნამდვილი მაგია - სწრაფი დახვეწიდან დაწყებული, წარმოებასა და მონიტორინგამდე - სწორედ ამ ხელსაწყოს შესახებ გსმენიათ გამუდმებით. Google-ის Vertex AI მოდელირების მოედნებს, MLO-ებს, მონაცემთა კავშირებსა და ვექტორულ ძიებას ერთ, საწარმოს დონის სივრცეში აერთიანებს. დაიწყეთ ეტაპობრივად, შემდეგ კი მასშტაბირდით. გასაკვირია, რომ ორივეს ერთ ჭერქვეშ მოხვედრა იშვიათია.

ქვემოთ მოცემულია მარტივი ტური. ჩვენ ვუპასუხებთ მარტივ კითხვას - რა არის Google Vertex AI? - და ასევე გაჩვენებთ, თუ როგორ ერგება ის თქვენს მოთხოვნებს, რა უნდა სცადოთ პირველ რიგში, როგორ მოქმედებს ხარჯები და როდის არის ალტერნატივები უფრო გონივრული. მოიკრიბეთ ძალები. აქ ბევრი რამ არის, მაგრამ გზა უფრო მარტივია, ვიდრე ერთი შეხედვით ჩანს. 🙂

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 რა არის ხელოვნური ინტელექტის ტრენერი?
განმარტავს, თუ როგორ ახდენენ ხელოვნური ინტელექტის ტრენერები მოდელების დახვეწას ადამიანური უკუკავშირისა და ეტიკეტირების გზით.

🔗 რა არის ხელოვნური ინტელექტის არბიტრაჟი: სიმართლე პოპულარული სიტყვის მიღმა
აანალიზებს ხელოვნური ინტელექტის არბიტრაჟს, მის ბიზნეს მოდელს და ბაზრის შედეგებს.

🔗 რა არის სიმბოლური ხელოვნური ინტელექტი: ყველაფერი, რაც უნდა იცოდეთ
მოიცავს სიმბოლური ხელოვნური ინტელექტის ლოგიკაზე დაფუძნებულ მსჯელობას და რით განსხვავდება ის მანქანური სწავლებისგან.

🔗 რა პროგრამირების ენა გამოიყენება ხელოვნური ინტელექტისთვის
ადარებს Python-ს, R-ს და სხვა ენებს ხელოვნური ინტელექტის განვითარებისა და კვლევისთვის.

🔗 რა არის ხელოვნური ინტელექტი, როგორც სერვისი
განმარტავს AIaaS პლატფორმებს, სარგებელს და იმას, თუ როგორ იყენებენ ბიზნესები ღრუბელზე დაფუძნებულ ხელოვნური ინტელექტის ინსტრუმენტებს.

რა არის Google Vertex-ის ხელოვნური ინტელექტი? 🚀

Google Vertex AI არის სრულად მართული, ერთიანი პლატფორმა Google Cloud-ზე ხელოვნური ინტელექტის სისტემების შესაქმნელად, ტესტირებისთვის, განსათავსებლად და სამართავად, რომელიც მოიცავს როგორც კლასიკურ მანქანურ სწავლებას, ასევე თანამედროვე გენერაციულ ხელოვნურ ინტელექტს. ის აერთიანებს მოდელის სტუდიას, აგენტის ინსტრუმენტებს, არხებს, ბლოკნოტებს, რეესტრებს, მონიტორინგს, ვექტორულ ძიებას და მჭიდრო ინტეგრაციას Google Cloud მონაცემთა სერვისებთან [1].

მარტივად რომ ვთქვათ: ეს არის ადგილი, სადაც თქვენ ქმნით პროტოტიპებს საბაზისო მოდელებით, არეგულირებთ მათ, განათავსებთ უსაფრთხო საბოლოო წერტილებზე, ავტომატიზირებთ მილსადენებს და აკონტროლებთ და მართავთ ყველაფერს. რაც მთავარია, ეს ხდება ერთ ადგილას - რაც უფრო მნიშვნელოვანია, ვიდრე პირველივე დღეს ჩანს [1].

სწრაფი რეალურ სამყაროში მუშაობის სქემა: გუნდები ხშირად სტუდიაში ქმნიან მოთხოვნებს, აერთებენ მინიმალისტურ ბლოკნოტს შეყვანა/გამოსვლა რეალურ მონაცემებთან შესამოწმებლად, შემდეგ კი ამ აქტივებს რეგისტრირებულ მოდელად, საბოლოო წერტილად და მარტივ პროცესორად აქცევენ. მეორე კვირა, როგორც წესი, მონიტორინგისა და შეტყობინებების გაგზავნის საგანია. საქმე გმირობაში კი არა, განმეორებადობაშია.

რა ხდის Google Vertex-ის ხელოვნურ ინტელექტს შესანიშნავს ✅

  • ერთი სახურავი სასიცოცხლო ციკლისთვის - პროტოტიპი სტუდიაში, ვერსიების რეგისტრაცია, ჯგუფური ან რეალურ დროში განთავსება, შემდეგ დრიფტისა და პრობლემების მონიტორინგი. ნაკლები წებოვანი კოდი. ნაკლები ჩანართები. მეტი ძილი [1].

  • Model Garden + Gemini მოდელები - აღმოაჩინეთ, მოახდინეთ პერსონალიზაცია და განათავსეთ Google-ისა და პარტნიორების მოდელები, მათ შორის უახლესი Gemini ოჯახის მოდელები, ტექსტური და მულტიმოდალური სამუშაოებისთვის [1].

  • აგენტის შემქმნელი - შექმენით დავალებებზე ორიენტირებული, მრავალსაფეხურიანი აგენტები, რომლებსაც შეუძლიათ ინსტრუმენტებისა და მონაცემების ორკესტრირება შეფასების მხარდაჭერით და მართული გაშვების დროით [2].

  • საიმედოობის მილსადენები - სერვერის გარეშე ორკესტრირება განმეორებითი ტრენინგის, შეფასების, რეგულირებისა და განლაგებისთვის. მადლობას გადაუხდით საკუთარ თავს, როდესაც მესამე გადამზადება დაიწყება [1].

  • მასშტაბური ვექტორული ძიება - მაღალი მასშტაბის, დაბალი შეყოვნების ვექტორული მოძიება RAG-ისთვის, რეკომენდაციებისა და სემანტიკური ძიებისთვის, აგებული Google-ის საწარმოო დონის ინფრასტრუქტურაზე [3].

  • ფუნქციების მართვა BigQuery-ის გამოყენებით - შეინახეთ თქვენი ფუნქციების მონაცემები BigQuery-ში და განათავსეთ ფუნქციები ონლაინ Vertex AI Feature Store-ის მეშვეობით, ოფლაინ მაღაზიის დუბლირების გარეშე [4].

  • Workbench ბლოკნოტები - მართული Jupyter გარემო, რომელიც დაკავშირებულია Google Cloud სერვისებთან (BigQuery, Cloud Storage და ა.შ.) [1].

  • პასუხისმგებლიანი ხელოვნური ინტელექტის ვარიანტები - უსაფრთხოების ინსტრუმენტები პლუს მონაცემთა ნულოვანი შენარჩუნების კონტროლი (შესაბამისად კონფიგურირების შემთხვევაში) გენერაციული სამუშაო დატვირთვებისთვის [5].

ძირითადი ნაწილები, რომლებსაც რეალურად შეეხებით 🧩

1) Vertex AI Studio - სადაც იდეები იზრდება 🌱

ინტერფეისის საშუალებით საძირკვლის მოდელების დაკვრა, შეფასება და მორგება. შესანიშნავია სწრაფი იტერაციებისთვის, მრავალჯერადი გამოყენების მოთხოვნებისთვის და „დაწკაპუნების“ შემდეგ წარმოებაზე გადასაცემად [1].

2) მოდელების ბაღი - თქვენი მოდელების კატალოგი 🍃

Google-ისა და პარტნიორების მოდელების ცენტრალიზებული ბიბლიოთეკა. დაათვალიერეთ, პერსონალიზირება გაუკეთეთ და განათავსეთ რამდენიმე დაწკაპუნებით - რეალური საწყისი წერტილი საგანძურის ძიების ნაცვლად [1].

3) აგენტის შემქმნელი - საიმედო ავტომატიზაციისთვის 🤝

როდესაც აგენტები დემო ვერსიებიდან რეალურ სამუშაოზე გადადიან, თქვენ გჭირდებათ ინსტრუმენტები, დამიწება და ორკესტრირება. Agent Builder უზრუნველყოფს საყრდენ კონსტრუქციას (სესიები, მეხსიერების ბანკი, ჩაშენებული ინსტრუმენტები, შეფასებები), რათა მრავალაგენტიანი გამოცდილება არ დაიშალოს რეალური სამყაროს არეულობის გამო [2].

4) მილსადენები - რადგან მაინც გაიმეორებთ 🔁

ავტომატიზირეთ ML და gen-AI სამუშაო პროცესები სერვერის გარეშე ორკესტრირების გამოყენებით. მხარს უჭერს არტეფაქტების თვალყურის დევნებას და რეპროდუცირებად გაშვებებს - წარმოიდგინეთ ეს, როგორც თქვენი მოდელების CI [1].

5) სამუშაო მაგიდა - ბლოკნოტების მართვა იაკის საპარსის გარეშე 📓

შექმენით უსაფრთხო JupyterLab გარემო BigQuery-ზე, ღრუბლოვან საცავზე და სხვა მრავალზე მარტივი წვდომით. მოსახერხებელია კვლევისთვის, ფუნქციების ინჟინერიისა და კონტროლირებადი ექსპერიმენტებისთვის [1].

6) მოდელების რეესტრი - ვერსიონირება, რომელიც უცვლელი რჩება 🗃️

მოდელების, ვერსიების, შტოების თვალყურის დევნება და უშუალოდ საბოლოო წერტილებზე განლაგება. რეესტრი ინჟინერიაზე გადაცემას გაცილებით ნაკლებად რთულს ხდის [1].

7) ვექტორული ძიება - RAG, რომელიც არ ენანება 🧭

სემანტიკური მოძიების მასშტაბირება Google-ის წარმოების ვექტორული ინფრასტრუქტურით - სასარგებლოა ჩატის, სემანტიკური ძიებისა და რეკომენდაციებისთვის, სადაც შეყოვნება მომხმარებლისთვის ხილულია [3].

8) Feature Store - შეინარჩუნეთ BigQuery, როგორც სიმართლის წყარო 🗂️

BigQuery-ში არსებული მონაცემებიდან ფუნქციების მართვა და ონლაინ რეჟიმში განთავსება. ნაკლები კოპირება, ნაკლები სინქრონიზაციის სამუშაოები, მეტი სიზუსტე [4].

9) მოდელის მონიტორინგი - ენდე, მაგრამ გადაამოწმე 📈

დაგეგმეთ დრიფტის შემოწმებები, დააყენეთ შეტყობინებები და თვალყური ადევნეთ წარმოების ხარისხს. როგორც კი ტრაფიკი შეიცვლება, ეს [1] დაგჭირდებათ.

როგორ ჯდება ის თქვენს მონაცემთა დასტაში 🧵

  • BigQuery - მონაცემებით ვარჯიში, პარტიული პროგნოზების ცხრილებში დაბრუნება და პროგნოზების ანალიტიკაში ან აქტივაციაში გადატანა [1][4].

  • ღრუბლოვანი საცავი - შეინახეთ მონაცემთა ნაკრებები, არტეფაქტები და მოდელის გამომავალი მონაცემები ბლობ ფენის ხელახლა გამოგონების გარეშე [1].

  • Dataflow & friends - მართული მონაცემთა დამუშავების გაშვება მილსადენებში წინასწარი დამუშავების, გამდიდრების ან ნაკადის ინფერენციის მიზნით [1].

  • საბოლოო წერტილები ან ჯგუფური - აპლიკაციებისა და აგენტებისთვის რეალურ დროში საბოლოო წერტილების განთავსება ან მთელი ცხრილების შესაფასებლად ჯგუფური დავალებების შესრულება - სავარაუდოდ, ორივეს გამოიყენებთ [1].

ხშირად გამოყენებული შემთხვევები, რომლებიც რეალურად გამოდგება 🎯

  • ჩატი, თანაპილოტები და აგენტები - თქვენს მონაცემებზე დამიწებით, ხელსაწყოების გამოყენებით და მრავალსაფეხურიანი ნაკადებით. აგენტის შემქმნელი შექმნილია საიმედოობისთვის და არა მხოლოდ სიახლის [2].

  • RAG და სემანტიკური ძიება - გააერთიანეთ Vector Search Gemini-სთან, რათა უპასუხოთ კითხვებს თქვენი საკუთრების კონტენტის გამოყენებით. სიჩქარე უფრო მნიშვნელოვანია, ვიდრე ჩვენ ვვარაუდობთ [3].

  • პროგნოზირებადი ML - ცხრილური ან გამოსახულების მოდელების მომზადება, საბოლოო წერტილში განთავსება, დრიფტის მონიტორინგი, ზღურბლების გადაკვეთისას მილსადენებით ხელახლა მომზადება. კლასიკური, მაგრამ კრიტიკული [1].

  • ანალიტიკის გააქტიურება - BigQuery-სთვის პროგნოზების დაწერა, აუდიტორიის შექმნა და კამპანიების ან პროდუქტის შესახებ გადაწყვეტილებების მიღება. სასიამოვნო ციკლი, როდესაც მარკეტინგი მონაცემთა მეცნიერებას ხვდება [1][4].

შედარების ცხრილი - Vertex AI პოპულარული ალტერნატივების წინააღმდეგ 📊

მოკლე მიმოხილვა. მსუბუქად კრიტიკული. გაითვალისწინეთ, რომ ზუსტი შესაძლებლობები და ფასები განსხვავდება სერვისისა და რეგიონის მიხედვით.

პლატფორმა საუკეთესო აუდიტორია რატომ მუშაობს
Vertex AI Google Cloud-ის გუნდები, ხელოვნური ინტელექტისა და მანქანური სწავლების თაობის ნაზავი გაერთიანებული სტუდია, მილსადენები, რეესტრი, ვექტორული ძიება და BigQuery-ს ძლიერი კავშირები [1].
AWS SageMaker AWS-პირველ რიგში მყოფ ორგანიზაციებს სჭირდებათ ML-ის ღრმა ინსტრუმენტები განვითარებული, სრული სასიცოცხლო ციკლის მქონე მანქანური სწავლების სერვისი ტრენინგისა და განლაგების ფართო არჩევანით.
Azure ML Microsoft-თან შეთანხმებული საწარმოს IT ინტეგრირებული ML სასიცოცხლო ციკლი, დიზაინერის ინტერფეისი და მმართველობა Azure-ზე.
Databricks ML Lakehouse-ის გუნდები, ნოუთბუქებზე მომუშავე ნაკადები ძლიერი მონაცემებზე დაფუძნებული სამუშაო პროცესები და წარმოების ML შესაძლებლობები.

დიახ, ფრაზირება არათანაბარია - რეალური ცხრილები ზოგჯერ არათანაბარია.

ფასები მარტივ ინგლისურ ენაზე 💸

ძირითადად სამ რამეში იხდით:

  1. გენერაციული ზარების მოდელის გამოყენება

  2. გამოთვალეთ ინდივიდუალური ტრენინგისა და რეგულირების სამუშაოები.

  3. ემსახურება ონლაინ საბოლოო წერტილებს ან პაკეტურ დავალებებს.

ზუსტი ციფრებისა და უახლესი ცვლილებებისთვის, იხილეთ Vertex AI-ის ოფიციალური ფასების გვერდები და მისი გენერაციული შეთავაზებები. რჩევა, რომლისთვისაც მოგვიანებით მადლობას გადაიხდით: გადახედეთ სტუდიური და საწარმოო საბოლოო წერტილების მიწოდების ვარიანტებსა და კვოტებს, სანამ რაიმე მძიმე პროდუქტს გამოუშვებთ [1][5].

უსაფრთხოება, მმართველობა და პასუხისმგებლიანი ხელოვნური ინტელექტი 🛡️

Vertex AI უზრუნველყოფს პასუხისმგებლიანი AI-ს ხელმძღვანელობას და უსაფრთხოების ინსტრუმენტებს, ასევე კონფიგურაციის გზებს მონაცემთა ნულოვანი შენახვის მისაღწევად (მაგალითად, მონაცემთა ქეშირების გამორთვით და კონკრეტული ჟურნალებიდან უარის თქმით, სადაც ეს შესაძლებელია) [5]. შეუთავსეთ ეს როლებზე დაფუძნებულ წვდომას, კერძო ქსელს და აუდიტის ჟურნალებს შესაბამისობაზე ორიენტირებული აწყობისთვის [1].

როდესაც Vertex-ის ხელოვნური ინტელექტი იდეალურია და როდესაც ის ზედმეტია 🧠

  • იდეალურია , თუ გსურთ ერთიანი გარემო თაობის ხელოვნური ინტელექტისა და მანქანური სწავლებისთვის, მჭიდრო BigQuery ინტეგრაცია და წარმოების გზა, რომელიც მოიცავს არხებს, რეესტრს და მონიტორინგს. თუ თქვენი გუნდი მოიცავს მონაცემთა მეცნიერებასა და აპლიკაციების ინჟინერიას, საერთო ზედაპირი დაგეხმარებათ.

  • თუ მხოლოდ მსუბუქი მოდელის გამოძახება ან ერთჯერადი პროტოტიპი გჭირდებათ, რომელსაც მართვა, გადამზადება ან მონიტორინგი არ დასჭირდება, ეს ზედმეტად ძვირი ჯდება

მოდით, ვიყოთ გულახდილები: პროტოტიპების უმეტესობა ან კვდება, ან ეშვები ეზრდება. მეორე შემთხვევას Vertex AI უმკლავდება.

სწრაფი დასაწყისი - 10 წუთიანი გასინჯვის ტესტი ⏱️

  1. გახსენით Vertex AI Studio მოდელის პროტოტიპის შესაქმნელად და შეინახეთ თქვენთვის სასურველი რამდენიმე მოთხოვნა. გაახალისეთ თქვენი რეალური ტექსტითა და სურათებით [1].

  2. Workbench- ის მინიმალისტურ აპლიკაციაში ან რვეულში ჩასვით . ლამაზი და ელეგანტურად მოწყობილი [1].

  3. დაარეგისტრირეთ აპლიკაციის დამხმარე მოდელი ან რეგულირებული აქტივი მოდელების რეესტრში , რათა არ გადააჭარბოთ უსახელო არტეფაქტების რაოდენობას [1].

  4. შექმენით მილსადენი , რომელიც ჩატვირთავს მონაცემებს, აფასებს შედეგებს და განათავსებს ახალ ვერსიას მეტსახელის ქვეშ. განმეორებადობა აჯობებს გმირულ მოქმედებებს [1].

  5. დაამატეთ მონიტორინგი დრიფტის დასაფიქსირებლად და ძირითადი შეტყობინებების დასაყენებლად. თქვენი მომავალი მე ამისთვის ყავას გიყიდით [1].

არასავალდებულო, მაგრამ ჭკვიანური: თუ თქვენი გამოყენების შემთხვევა ძიების ან საუბრის საგანია, დაამატეთ ვექტორული ძებნა და დამიწება პირველივე დღიდან. ეს განსხვავებაა კარგსა და გასაკვირად სასარგებლოს შორის [3].

რა არის Google Vertex AI? - შემოკლებული ვერსია 🧾

რა არის Google Vertex AI? ეს არის Google Cloud-ის ყოვლისმომცველი პლატფორმა AI სისტემების შესაქმნელად, განსათავსებლად და სამართავად - მოთხოვნიდან წარმოებამდე - ჩაშენებული ხელსაწყოებით აგენტებისთვის, არხებისთვის, ვექტორული ძიებისთვის, ბლოკნოტებისთვის, რეესტრებისა და მონიტორინგისთვის. ის გამოხატავს თავის მოსაზრებებს ისე, რომ ეხმარება გუნდებს წარმატებულად მუშაობაში [1].

ალტერნატივები ერთი შეხედვით - სწორი ზოლის არჩევა 🛣️

თუ AWS-ში უკვე ღრმად ხართ ჩახედული, SageMaker-ი თქვენთვის მშობლიური ვერსია იქნება. Azure-ის მაღაზიები ხშირად Azure ML-ს . თუ თქვენი გუნდი ნოუთბუქებსა და ტბის სახლებში ცხოვრობს, Databricks ML შესანიშნავია. არცერთი მათგანი არ არის არასწორი - როგორც წესი, თქვენი მონაცემთა სიმძიმისა და მართვის მოთხოვნები გადამწყვეტია.

ხშირად დასმული კითხვები - სწრაფი სროლა 🧨

  • Vertex AI მხოლოდ გენერაციული AI-სთვისაა? No-Vertex AI ასევე მოიცავს კლასიკურ მანქანური სწავლების ტრენინგს და მომსახურებას MLOps ფუნქციებით მონაცემთა მეცნიერებისა და მანქანური სწავლების ინჟინრებისთვის [1].

  • შემიძლია BigQuery-ს ჩემს მთავარ მაღაზიად შენარჩუნება? დიახ - გამოიყენეთ Feature Store BigQuery-ში ფუნქციების მონაცემების შესანახად და მათი ონლაინ რეჟიმში განსათავსებლად, ოფლაინ მაღაზიის დუბლირების გარეშე [4].

  • Vertex AI ეხმარება RAG-ს? დიახ - Vector Search შექმნილია ამისთვის და ინტეგრირდება დანარჩენ სტეკთან [3].

  • როგორ გავაკონტროლო ხარჯები? დაიწყეთ მცირედით, გაზომეთ და გადახედეთ კვოტებს/პროვიზებს და სამუშაო დატვირთვის კლასის ფასებს მასშტაბირებამდე [1][5].

ცნობები

[1] Google Cloud - Vertex AI-ის შესავალი (ერთიანი პლატფორმის მიმოხილვა) - წაიკითხეთ მეტი

[2] Google Cloud - Vertex AI Agent Builder-ის მიმოხილვა - წაიკითხეთ მეტი

[3] Google Cloud - გამოიყენეთ Vertex AI ვექტორული ძიება Vertex AI RAG Engine-თან ერთად - წაიკითხეთ მეტი

[4] Google Cloud - შესავალი ფუნქციების მართვაში Vertex AI-ში - წაიკითხეთ მეტი

[5] Google Cloud - მომხმარებლის მონაცემების შენახვა და მონაცემების ნულოვანი შენახვა Vertex AI-ში - წაიკითხეთ მეტი

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ

ბლოგზე დაბრუნება