ຖ້າທ່ານເຄີຍຄົ້ນຫາເຄື່ອງມື AI ແລະສົງໄສວ່າມະຫັດສະຈັນແບບ end-to-end ທີ່ແທ້ຈິງເກີດຂຶ້ນຢູ່ໃສ - ຕັ້ງແຕ່ການປັບແຕ່ງຢ່າງວ່ອງໄວຈົນເຖິງການຜະລິດດ້ວຍການຕິດຕາມກວດກາ - ນີ້ແມ່ນສິ່ງທີ່ທ່ານໄດ້ຍິນຢູ່ເລື້ອຍໆ. Vertex AI ຂອງ Google ລວມສະໜາມເດັກຫຼິ້ນແບບຈຳລອງ, MLOps, ການເຊື່ອມຕໍ່ຂໍ້ມູນ, ແລະການຄົ້ນຫາເວັກເຕີເຂົ້າກັນເປັນບ່ອນດຽວ, ລະດັບວິສາຫະກິດ. ເລີ່ມຕົ້ນຈາກ scraper, ຈາກນັ້ນຂະຫຍາຍ. ມັນເປັນເລື່ອງທີ່ຫາຍາກຢ່າງໜ້າປະຫຼາດໃຈທີ່ຈະເອົາທັງສອງຢ່າງມາໄວ້ພາຍໃຕ້ຫຼັງຄາດຽວກັນ.
ຂ້າງລຸ່ມນີ້ແມ່ນການທ່ອງທ່ຽວແບບງ່າຍໆ. ພວກເຮົາຈະຕອບຄຳຖາມງ່າຍໆ - Google Vertex AI ແມ່ນຫຍັງ? - ແລະຍັງສະແດງໃຫ້ເຫັນວ່າມັນເໝາະສົມກັບຊຸດຂອງທ່ານແນວໃດ, ສິ່ງທີ່ຄວນລອງກ່ອນ, ລາຄາປະຕິບັດແນວໃດ, ແລະເວລາທີ່ທາງເລືອກອື່ນມີຄວາມໝາຍຫຼາຍກວ່າ. ລະມັດລະວັງ. ມີຫຼາຍສິ່ງຫຼາຍຢ່າງຢູ່ທີ່ນີ້, ແຕ່ເສັ້ນທາງງ່າຍກວ່າທີ່ມັນເບິ່ງ. 🙂
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ຄູຝຶກ AI ແມ່ນຫຍັງ
ອະທິບາຍວິທີທີ່ຜູ້ຝຶກສອນ AI ປັບປຸງຮູບແບບຕ່າງໆຜ່ານຄຳຕິຊົມ ແລະ ການຕິດສະຫຼາກຂອງມະນຸດ.
🔗 arbitrage AI ແມ່ນຫຍັງ: ຄວາມຈິງທີ່ຢູ່ເບື້ອງຫຼັງຄຳສັບທີ່ນິຍົມ
ແບ່ງແຍກການຫາກຳໄລຈາກ AI, ຮູບແບບທຸລະກິດຂອງມັນ, ແລະ ຜົນສະທ້ອນຂອງຕະຫຼາດ.
🔗 AI ສັນຍາລັກແມ່ນຫຍັງ: ທຸກຢ່າງທີ່ເຈົ້າຕ້ອງຮູ້
ກວມເອົາເຫດຜົນທີ່ອີງໃສ່ເຫດຜົນຂອງ AI ແບບສັນຍາລັກ ແລະ ວິທີທີ່ມັນແຕກຕ່າງຈາກການຮຽນຮູ້ຂອງເຄື່ອງຈັກ.
🔗 ພາສາການຂຽນໂປຣແກຣມໃດທີ່ໃຊ້ສຳລັບ AI
ປຽບທຽບ Python, R, ແລະພາສາອື່ນໆສຳລັບການພັດທະນາ ແລະ ການຄົ້ນຄວ້າ AI.
🔗 AI ແມ່ນຫຍັງໃນຖານະເປັນການບໍລິການ
ອະທິບາຍແພລດຟອມ AIaaS, ຜົນປະໂຫຍດ ແລະ ວິທີທີ່ທຸລະກິດນຳໃຊ້ເຄື່ອງມື AI ທີ່ອີງໃສ່ຄລາວ.
Google Vertex AI ແມ່ນຫຍັງ? 🚀
Google Vertex AI ເປັນແພລດຟອມແບບລວມສູນ ແລະ ມີການຈັດການຢ່າງຄົບຖ້ວນໃນ Google Cloud ສຳລັບການສ້າງ, ການທົດສອບ, ການນຳໃຊ້ ແລະ ການຄຸ້ມຄອງລະບົບ AI - ເຊິ່ງກວມເອົາທັງ ML ແບບຄລາສສິກ ແລະ AI ແບບສ້າງສັນທີ່ທັນສະໄໝ. ມັນລວມເອົາສະຕູດິໂອແບບຈຳລອງ, ເຄື່ອງມືຕົວແທນ, ທໍ່ສົ່ງ, ປື້ມບັນທຶກ, ການລົງທະບຽນ, ການຕິດຕາມກວດກາ, ການຄົ້ນຫາເວັກເຕີ ແລະ ການເຊື່ອມໂຍງທີ່ແໜ້ນແຟ້ນກັບການບໍລິການຂໍ້ມູນ Google Cloud [1].
ເວົ້າງ່າຍໆ: ມັນແມ່ນບ່ອນທີ່ທ່ານສ້າງແບບຈຳລອງດ້ວຍແບບຈຳລອງພື້ນຖານ, ປັບແຕ່ງພວກມັນ, ນຳໃຊ້ເພື່ອຮັບປະກັນຈຸດສິ້ນສຸດ, ອັດຕະໂນມັດດ້ວຍທໍ່ສົ່ງ, ແລະຮັກສາທຸກຢ່າງໃຫ້ຕິດຕາມກວດກາ ແລະ ຄວບຄຸມ. ສິ່ງສຳຄັນ, ມັນເຮັດສິ່ງນີ້ຢູ່ບ່ອນດຽວ - ເຊິ່ງມີຄວາມສຳຄັນຫຼາຍກວ່າທີ່ມັນເບິ່ງຄືວ່າໃນມື້ທຳອິດ [1].
ຮູບແບບການເຮັດວຽກຕົວຈິງແບບໄວໆ: ທີມງານມັກຈະຮ່າງ prompts ໃນ Studio, ເຊື່ອມຕໍ່ປື້ມບັນທຶກຂະໜາດນ້ອຍເພື່ອທົດສອບ I/O ທຽບກັບຂໍ້ມູນຕົວຈິງ, ຈາກນັ້ນສົ່ງເສີມຊັບສິນເຫຼົ່ານັ້ນໃຫ້ເປັນຮູບແບບທີ່ລົງທະບຽນແລ້ວ, ຈຸດສິ້ນສຸດ, ແລະ pipeline ງ່າຍໆ. ອາທິດທີສອງມັກຈະເປັນການຕິດຕາມກວດກາ ແລະ ການແຈ້ງເຕືອນ. ຈຸດສຳຄັນບໍ່ແມ່ນ heroic - ມັນແມ່ນການເຮັດຊ້ຳອີກ.
ສິ່ງທີ່ເຮັດໃຫ້ Google Vertex AI ທີ່ດີເລີດ ✅
-
ຫລັງຄາດຽວສຳລັບວົງຈອນຊີວິດ - ສ້າງແບບຈຳລອງໃນສະຕູດິໂອ, ລົງທະບຽນລຸ້ນຕ່າງໆ, ນຳໃຊ້ເປັນຊຸດ ຫຼື ແບບເວລາຈິງ, ຈາກນັ້ນຕິດຕາມກວດກາການເລື່ອນ ແລະ ບັນຫາຕ່າງໆ. ລະຫັດກາວໜ້ອຍລົງ. ແຖບໜ້ອຍລົງ. ການນອນຫຼັບຫຼາຍຂຶ້ນ [1].
-
ຮູບແບບສວນຕົວແບບ + ຮູບແບບ Gemini - ຄົ້ນພົບ, ປັບແຕ່ງ ແລະ ນຳໃຊ້ຮູບແບບຕ່າງໆຈາກ Google ແລະ ຄູ່ຮ່ວມງານ, ລວມທັງຄອບຄົວ Gemini ລຸ້ນລ່າສຸດ, ສຳລັບວຽກງານຂໍ້ຄວາມ ແລະ ຫຼາຍຮູບແບບ [1].
-
ຕົວສ້າງຕົວແທນ - ສ້າງຕົວແທນຫຼາຍຂັ້ນຕອນທີ່ເນັ້ນໃສ່ໜ້າວຽກ ເຊິ່ງສາມາດຈັດການເຄື່ອງມື ແລະ ຂໍ້ມູນດ້ວຍການສະໜັບສະໜູນການປະເມີນຜົນ ແລະ ເວລາແລ່ນທີ່ມີການຈັດການ [2].
-
ທໍ່ສົ່ງສຳລັບຄວາມໜ້າເຊື່ອຖື - ການປະສານງານແບບບໍ່ມີເຊີບເວີສຳລັບການຝຶກອົບຮົມ, ການປະເມີນຜົນ, ການປັບແຕ່ງ ແລະ ການນຳໃຊ້ທີ່ເຮັດຊ້ຳໄດ້. ເຈົ້າຈະຂອບໃຈຕົວເອງເມື່ອການຝຶກອົບຮົມຄືນໃໝ່ຄັ້ງທີສາມມາຮອດ [1].
-
ການຄົ້ນຫາເວັກເຕີໃນຂອບເຂດ - ການດຶງຂໍ້ມູນເວັກເຕີໃນຂອບເຂດສູງ, ມີຄວາມໜ່ວງຊ້າຕ່ຳສຳລັບ RAG, ຄຳແນະນຳ, ແລະ ການຄົ້ນຫາຄວາມໝາຍ, ສ້າງຂຶ້ນໃນໂຄງສ້າງພື້ນຖານລະດັບການຜະລິດຂອງ Google [3].
-
ການຈັດການຄຸນສົມບັດດ້ວຍ BigQuery - ຮັກສາຂໍ້ມູນຄຸນສົມບັດຂອງທ່ານໃນ BigQuery ແລະ ໃຫ້ບໍລິການຄຸນສົມບັດຕ່າງໆທາງອອນລາຍຜ່ານ Vertex AI Feature Store ໂດຍບໍ່ຕ້ອງເຮັດຊ້ຳຮ້ານຄ້າອອບໄລນ໌ [4].
-
ປື້ມບັນທຶກ Workbench - ສະພາບແວດລ້ອມ Jupyter ທີ່ມີການຈັດການທີ່ເຊື່ອມຕໍ່ກັບການບໍລິການ Google Cloud (BigQuery, Cloud Storage, ແລະອື່ນໆ) [1].
-
ຕົວເລືອກ AI ທີ່ມີຄວາມຮັບຜິດຊອບ - ເຄື່ອງມືຄວາມປອດໄພບວກກັບ ການເກັບຮັກສາຂໍ້ມູນສູນ (ເມື່ອຕັ້ງຄ່າຢ່າງເໝາະສົມ) ສຳລັບວຽກງານທີ່ສ້າງຂຶ້ນ [5].
ຊິ້ນສ່ວນຫຼັກທີ່ເຈົ້າຈະໄດ້ແຕະຕ້ອງແທ້ໆ 🧩
1) Vertex AI Studio - ບ່ອນທີ່ການກະຕຸ້ນເຕີບໃຫຍ່ຂຶ້ນ 🌱
ຫຼິ້ນ, ປະເມີນຜົນ ແລະ ປັບແຕ່ງຮູບແບບພື້ນຖານໃນ UI. ດີເລີດສຳລັບການເຮັດຊ້ຳຢ່າງໄວວາ, ການກະຕຸ້ນເຕືອນທີ່ໃຊ້ຄືນໄດ້, ແລະ ການສົ່ງຕໍ່ໃຫ້ການຜະລິດເມື່ອບາງສິ່ງບາງຢ່າງ "ຄລິກ" [1].
2) ສວນແບບຈຳລອງ - ລາຍການແບບຈຳລອງຂອງເຈົ້າ 🍃
ຫ້ອງສະໝຸດສູນກາງຂອງ Google ແລະຮູບແບບຄູ່ຮ່ວມງານ. ເລືອກເບິ່ງ, ປັບແຕ່ງ ແລະ ນຳໃຊ້ໄດ້ພາຍໃນສອງສາມຄລິກ - ຈຸດເລີ່ມຕົ້ນຕົວຈິງແທນທີ່ຈະເປັນການລ່າສົມບັດ [1].
3) ຕົວສ້າງຕົວແທນ - ສຳລັບລະບົບອັດຕະໂນມັດທີ່ໜ້າເຊື່ອຖືໄດ້ 🤝
ໃນຂະນະທີ່ຕົວແທນພັດທະນາຈາກການສາທິດໄປສູ່ວຽກງານຕົວຈິງ, ທ່ານຕ້ອງການເຄື່ອງມື, ການວາງພື້ນຖານ, ແລະ ການປະສານງານ. Agent Builder ສະໜອງພື້ນຖານ (Sessions, Memory Bank, ເຄື່ອງມືໃນຕົວ, ການປະເມີນຜົນ) ດັ່ງນັ້ນປະສົບການຂອງຕົວແທນຫຼາຍຄົນຈຶ່ງບໍ່ລົ້ມລົງພາຍໃຕ້ຄວາມວຸ້ນວາຍໃນໂລກຕົວຈິງ [2].
4) ທໍ່ສົ່ງ - ເພາະວ່າເຈົ້າຈະເຮັດຊ້ຳຕົວເອງຢູ່ແລ້ວ🔁
ເຮັດໃຫ້ຂະບວນການເຮັດວຽກ ML ແລະ gen-AI ເປັນອັດຕະໂນມັດດ້ວຍຕົວຈັດການແບບບໍ່ມີເຊີບເວີ. ຮອງຮັບການຕິດຕາມສິ່ງປະດິດ ແລະ ການແລ່ນທີ່ສາມາດສ້າງຊ້ຳໄດ້ - ຄິດເຖິງມັນເປັນ CI ສຳລັບຮູບແບບຂອງທ່ານ [1].
5) ໂຕະເຮັດວຽກ - ປື້ມບັນທຶກທີ່ມີການຈັດການໂດຍບໍ່ມີການໂກນໜວດ 📓
ປັບປຸງສະພາບແວດລ້ອມ JupyterLab ທີ່ປອດໄພດ້ວຍການເຂົ້າເຖິງ BigQuery, Cloud Storage ແລະອື່ນໆອີກງ່າຍໆ. ສະດວກສຳລັບການສຳຫຼວດ, ວິສະວະກຳຄຸນສົມບັດ ແລະການທົດລອງທີ່ຄວບຄຸມ [1].
6) ການລົງທະບຽນແບບຈຳລອງ - ລຸ້ນທີ່ທົນທານ 🗃️
ຕິດຕາມຮູບແບບ, ເວີຊັນ, ເຊື້ອສາຍ, ແລະ ການນຳໃຊ້ໂດຍກົງໄປຍັງຈຸດສິ້ນສຸດ. ການລົງທະບຽນເຮັດໃຫ້ການມອບໝາຍໃຫ້ວິສະວະກຳມີຄວາມອ່ອນໄຫວໜ້ອຍລົງ [1].
7) ການຄົ້ນຫາເວັກເຕີ - ຜ້າປູທີ່ບໍ່ຕິດຂັດ 🧭
ການຂະຫຍາຍການດຶງຂໍ້ມູນຄວາມໝາຍດ້ວຍໂຄງສ້າງພື້ນຖານເວັກເຕີການຜະລິດຂອງ Google - ເປັນປະໂຫຍດສຳລັບການສົນທະນາ, ການຄົ້ນຫາຄວາມໝາຍ, ແລະ ການແນະນຳບ່ອນທີ່ຄວາມໜ่วงເວລາສາມາດເບິ່ງເຫັນໄດ້ໂດຍຜູ້ໃຊ້ [3].
8) ຮ້ານຄຸນສົມບັດ - ຮັກສາ BigQuery ເປັນແຫຼ່ງຄວາມຈິງ 🗂️
ຈັດການ ແລະ ໃຫ້ບໍລິການຄຸນສົມບັດຕ່າງໆທາງອອນລາຍຈາກຂໍ້ມູນທີ່ຢູ່ໃນ BigQuery. ການຄັດລອກໜ້ອຍລົງ, ວຽກຊິ້ງໜ້ອຍລົງ, ແລະ ຄວາມຖືກຕ້ອງຫຼາຍຂຶ້ນ [4].
9) ການຕິດຕາມກວດກາແບບຈຳລອງ - ໄວ້ວາງໃຈ, ແຕ່ຕ້ອງກວດສອບ 📈
ກຳນົດເວລາກວດສອບການດຣິຟ, ຕັ້ງຄ່າການແຈ້ງເຕືອນ, ແລະ ຕິດຕາມຄຸນນະພາບການຜະລິດ. ເມື່ອການຈະລາຈອນປ່ຽນໄປໃນແຕ່ລະນາທີ, ທ່ານຈະຕ້ອງການສິ່ງນີ້ [1].
ມັນເຂົ້າກັບຊຸດຂໍ້ມູນຂອງທ່ານແນວໃດ 🧵
-
BigQuery - ຝຶກອົບຮົມດ້ວຍຂໍ້ມູນຢູ່ທີ່ນັ້ນ, ສົ່ງການຄາດຄະເນແບບກຸ່ມກັບຄືນໄປຫາຕາຕະລາງ, ແລະໂອນການຄາດຄະເນເຂົ້າໃນການວິເຄາະ ຫຼື ການເປີດໃຊ້ງານຕາມລຳດັບຕໍ່ໄປ [1][4].
-
ບ່ອນເກັບຂໍ້ມູນໃນຄລາວ - ເກັບຮັກສາຊຸດຂໍ້ມູນ, ສິ່ງປະດິດ ແລະ ຜົນຜະລິດຂອງຮູບແບບໂດຍບໍ່ຕ້ອງສ້າງຊັ້ນ blob ຄືນໃໝ່ [1].
-
Dataflow & ໝູ່ເພື່ອນ - ດໍາເນີນການປະມວນຜົນຂໍ້ມູນທີ່ມີການຈັດການພາຍໃນທໍ່ສົ່ງຂໍ້ມູນສໍາລັບການປະມວນຜົນກ່ອນ, ການເສີມ, ຫຼື ການອະນຸມານການສະຕຣີມມິງ [1].
-
ຈຸດສິ້ນສຸດ ຫຼື ກຸ່ມ - ນຳໃຊ້ຈຸດສິ້ນສຸດໃນເວລາຈິງສຳລັບແອັບ ແລະ ຕົວແທນ, ຫຼື ດຳເນີນວຽກກຸ່ມເພື່ອໃຫ້ຄະແນນຕາຕະລາງທັງໝົດ - ທ່ານອາດຈະໃຊ້ທັງສອງຢ່າງ [1].
ກໍລະນີການນຳໃຊ້ທົ່ວໄປທີ່ໃຊ້ໄດ້ຜົນແທ້🎯
-
ການສົນທະນາ, ຜູ້ຮ່ວມນຳທາງ, ແລະ ຕົວແທນ - ດ້ວຍການເຊື່ອມຕໍ່ກັບຂໍ້ມູນຂອງທ່ານ, ການໃຊ້ເຄື່ອງມື, ແລະ ກະແສຂໍ້ມູນຫຼາຍຂັ້ນຕອນ. Agent Builder ຖືກອອກແບບມາເພື່ອຄວາມໜ້າເຊື່ອຖື, ບໍ່ພຽງແຕ່ຄວາມແປກໃໝ່ເທົ່ານັ້ນ [2].
-
RAG ແລະ ການຄົ້ນຫາຄວາມໝາຍ - ລວມການຄົ້ນຫາແບບ Vector ກັບ Gemini ເພື່ອຕອບຄຳຖາມໂດຍໃຊ້ເນື້ອຫາທີ່ເປັນເຈົ້າຂອງຂອງທ່ານ. ຄວາມໄວມີຄວາມສຳຄັນຫຼາຍກວ່າທີ່ພວກເຮົາທຳທ່າ [3].
-
ML ແບບຄາດເດົາ - ຝຶກອົບຮົມຮູບແບບຕາຕະລາງ ຫຼື ຮູບພາບ, ນຳໃຊ້ໄປຍັງຈຸດສິ້ນສຸດ, ຕິດຕາມກວດກາການເລື່ອນໄປມາ, ຝຶກອົບຮົມຄືນໃໝ່ດ້ວຍທໍ່ສົ່ງຂໍ້ມູນເມື່ອຂ້າມຂອບເຂດຈຳກັດ. ແບບຄລາສສິກ, ແຕ່ສຳຄັນ [1].
-
ການເປີດໃຊ້ງານການວິເຄາະ - ຂຽນການຄາດຄະເນໃສ່ BigQuery, ສ້າງຜູ້ຊົມ, ແລະ ຟີດແຄມເປນ ຫຼື ການຕັດສິນໃຈຜະລິດຕະພັນ. ເປັນວົງຈອນທີ່ດີເມື່ອການຕະຫຼາດພົບກັບວິທະຍາສາດຂໍ້ມູນ [1][4].
ຕາຕະລາງປຽບທຽບ - Vertex AI ທຽບກັບທາງເລືອກທີ່ນິຍົມ 📊
ພາບລວມໄວ. ມີຄວາມຄິດເຫັນເລັກນ້ອຍ. ຈົ່ງຈື່ໄວ້ວ່າຄວາມສາມາດ ແລະ ລາຄາທີ່ແນ່ນອນແມ່ນແຕກຕ່າງກັນໄປຕາມການບໍລິການ ແລະ ພາກພື້ນ.
| ແພລດຟອມ | ຜູ້ຊົມທີ່ດີທີ່ສຸດ | ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້ |
|---|---|---|
| Vertex AI | ທີມງານໃນ Google Cloud, ການປະສົມ gen-AI + ML | ສະຕູດິໂອ, ທໍ່ສົ່ງຂໍ້ມູນ, ການລົງທະບຽນ, ການຄົ້ນຫາເວັກເຕີ ແລະ ສາຍພົວພັນທີ່ເຂັ້ມແຂງຂອງ BigQuery [1]. |
| AWS SageMaker | ອົງກອນທຳອິດຂອງ AWS ຕ້ອງການເຄື່ອງມື ML ທີ່ເລິກເຊິ່ງ | ການບໍລິການ ML ທີ່ຄົບວົງຈອນອາຍຸການໃຊ້ງານ ພ້ອມດ້ວຍທາງເລືອກໃນການຝຶກອົບຮົມ ແລະ ການນຳໃຊ້ທີ່ກວ້າງຂວາງ. |
| Azure ML | ໄອທີວິສາຫະກິດທີ່ສອດຄ່ອງກັບ Microsoft | ວົງຈອນຊີວິດຂອງ ML ປະສົມປະສານ, UI ຂອງນັກອອກແບບ, ແລະ ການຄຸ້ມຄອງໃນ Azure. |
| Databricks ML | ທີມງານ Lakehouse, ກະແສທີ່ໜັກໜ່ວງຂອງປື້ມບັນທຶກ | ຂະບວນການເຮັດວຽກທີ່ເຂັ້ມແຂງກ່ຽວກັບຂໍ້ມູນພື້ນເມືອງ ແລະ ຄວາມສາມາດໃນການຜະລິດ ML. |
ແມ່ນແລ້ວ, ການໃຊ້ປະໂຫຍກບໍ່ສະໝໍ່າສະເໝີ - ບາງຄັ້ງຕາຕະລາງທີ່ແທ້ຈິງກໍ່ບໍ່ສະໝໍ່າສະເໝີ.
ຄ່າໃຊ້ຈ່າຍໃນພາສາອັງກິດງ່າຍໆ 💸
ສ່ວນຫຼາຍແລ້ວທ່ານຈ່າຍສໍາລັບສາມຢ່າງຄື:
-
ການນໍາໃຊ້ຮູບແບບ ສໍາລັບການໂທຫາແບບສ້າງ - ລາຄາຕາມປະລິມານວຽກ ແລະ ລະດັບການນໍາໃຊ້.
-
ຄິດໄລ່ ສຳລັບວຽກຝຶກອົບຮົມ ແລະ ການປັບແຕ່ງແບບກຳນົດເອງ.
-
ໃຫ້ບໍລິການ ສຳລັບຈຸດສິ້ນສຸດທາງອອນລາຍ ຫຼື ວຽກແບບເປັນກຸ່ມ.
ສຳລັບຕົວເລກທີ່ແນ່ນອນ ແລະ ການປ່ຽນແປງລ່າສຸດ, ໃຫ້ກວດສອບໜ້າລາຄາຢ່າງເປັນທາງການສຳລັບ Vertex AI ແລະ ສຳລັບການສະເໜີຜະລິດຕະພັນຂອງມັນ. ຄຳແນະນຳທີ່ທ່ານຈະຂອບໃຈຕົວເອງໃນພາຍຫຼັງ: ກວດສອບຕົວເລືອກການຈັດສັນ ແລະ ໂຄຕ້າສຳລັບຈຸດສິ້ນສຸດຂອງ Studio ທຽບກັບຈຸດສິ້ນສຸດການຜະລິດກ່ອນທີ່ທ່ານຈະສົ່ງສິນຄ້າທີ່ມີນ້ຳໜັກຫຼາຍ [1][5].
ຄວາມປອດໄພ, ການປົກຄອງ, ແລະ AI ທີ່ມີຄວາມຮັບຜິດຊອບ 🛡️
Vertex AI ໃຫ້ຄຳແນະນຳ ແລະ ເຄື່ອງມືຄວາມປອດໄພທີ່ມີຄວາມຮັບຜິດຊອບຂອງ AI, ບວກກັບເສັ້ນທາງການຕັ້ງຄ່າເພື່ອ ບັນລຸການຮັກສາຂໍ້ມູນສູນ ສຳລັບວຽກງານທີ່ສ້າງຂຶ້ນບາງຢ່າງ (ຕົວຢ່າງ, ໂດຍການປິດການໃຊ້ງານການເກັບຂໍ້ມູນ ແລະ ການເລືອກທີ່ຈະບໍ່ຮັບບັນທຶກສະເພາະບ່ອນທີ່ສາມາດໃຊ້ໄດ້) [5]. ຈັບຄູ່ກັບການເຂົ້າເຖິງຕາມບົດບາດ, ເຄືອຂ່າຍສ່ວນຕົວ, ແລະ ບັນທຶກການກວດສອບສຳລັບການສ້າງທີ່ເປັນມິດກັບຄວາມສອດຄ່ອງ [1].
ເມື່ອ Vertex AI ສົມບູນແບບ - ແລະເມື່ອມັນເກີນຄວາມສາມາດ 🧠
-
ເໝາະ ສຳລັບສະພາບແວດລ້ອມດຽວສຳລັບ gen-AI ແລະ ML, ການເຊື່ອມໂຍງ BigQuery ທີ່ແໜ້ນໜາ, ແລະເສັ້ນທາງການຜະລິດທີ່ປະກອບມີ pipelines, registry, ແລະການຕິດຕາມ. ຖ້າທີມງານຂອງທ່ານກວມເອົາວິທະຍາສາດຂໍ້ມູນ ແລະ ວິສະວະກຳແອັບພລິເຄຊັນ, ພື້ນຜິວທີ່ໃຊ້ຮ່ວມກັນຈະຊ່ວຍໄດ້.
-
ເກີນຄວາມຕ້ອງການ ຖ້າທ່ານພຽງແຕ່ຕ້ອງການການເອີ້ນແບບຈຳລອງນ້ຳໜັກເບົາ ຫຼື ຕົ້ນແບບດຽວທີ່ບໍ່ຕ້ອງການການຄຸ້ມຄອງ, ການຝຶກອົບຮົມຄືນໃໝ່ ຫຼື ການຕິດຕາມກວດກາ. ໃນກໍລະນີເຫຼົ່ານັ້ນ, ພື້ນຜິວ API ທີ່ງ່າຍດາຍກວ່າອາດຈະພຽງພໍສຳລັບຕອນນີ້.
ເວົ້າແທ້: ຕົ້ນແບບສ່ວນໃຫຍ່ອາດຈະຕາຍ ຫຼື ມີແຂ້ວງອກຂຶ້ນ. Vertex AI ຈັດການກັບກໍລະນີທີສອງ.
ເລີ່ມຕົ້ນໄວໆ - ການທົດສອບລົດຊາດພາຍໃນ 10 ນາທີ ⏱️
-
ເປີດ Vertex AI Studio ເພື່ອສ້າງຕົ້ນແບບດ້ວຍຮູບແບບ ແລະ ບັນທຶກບາງການກະຕຸ້ນທີ່ທ່ານມັກ. ເລີ່ມຕົ້ນດ້ວຍຂໍ້ຄວາມ ແລະ ຮູບພາບທີ່ແທ້ຈິງຂອງທ່ານ [1].
-
ສົ່ງຄຳສັ່ງທີ່ດີທີ່ສຸດຂອງທ່ານເຂົ້າໄປໃນແອັບ ຫຼື ປື້ມບັນທຶກຂະໜາດນ້ອຍຈາກ Workbench . ງາມ ແລະ ອ່ອນແອ [1].
-
ລົງທະບຽນຮູບແບບການສະໜັບສະໜູນ ຫຼື ຊັບສິນທີ່ຖືກປັບແຕ່ງຂອງແອັບໃນ Model Registry ເພື່ອວ່າທ່ານຈະບໍ່ຕ້ອງເສຍເວລາກັບສິ່ງປະດິດທີ່ບໍ່ມີຊື່ [1].
-
ສ້າງ Pipeline ທີ່ໂຫຼດຂໍ້ມູນ, ປະເມີນຜົນຜະລິດ, ແລະ ນຳໃຊ້ເວີຊັນໃໝ່ຢູ່ເບື້ອງຫຼັງ alias. ຄວາມສາມາດໃນການເຮັດຊ້ຳໄດ້ດີກວ່າ heroic [1].
-
ເພີ່ມ ການຕິດຕາມກວດກາ ເພື່ອຈັບການເຄື່ອນທີ່ ແລະ ຕັ້ງຄ່າການແຈ້ງເຕືອນພື້ນຖານ. ຕົວເຈົ້າເອງໃນອະນາຄົດຈະຊື້ກາເຟໃຫ້ເຈົ້າສຳລັບສິ່ງນີ້ [1].
ເປັນທາງເລືອກແຕ່ສະຫຼາດ: ຖ້າກໍລະນີການນຳໃຊ້ຂອງເຈົ້າແມ່ນການຄົ້ນຫາ ຫຼື ການສົນທະນາ, ໃຫ້ເພີ່ມ Vector Search ແລະ grounding ຕັ້ງແຕ່ມື້ທຳອິດ. ມັນແມ່ນຄວາມແຕກຕ່າງລະຫວ່າງສິ່ງທີ່ດີ ແລະ ມີປະໂຫຍດຢ່າງໜ້າປະຫລາດໃຈ [3].
Google Vertex AI ແມ່ນຫຍັງ? - ສະບັບສັ້ນ 🧾
Google Vertex AI ແມ່ນຫຍັງ? ມັນເປັນແພລດຟອມທີ່ຄົບວົງຈອນຂອງ Google Cloud ເພື່ອອອກແບບ, ນຳໃຊ້ ແລະ ຄວບຄຸມລະບົບ AI - ຕັ້ງແຕ່ການກະຕຸ້ນຈົນເຖິງການຜະລິດ - ດ້ວຍເຄື່ອງມືໃນຕົວສຳລັບຕົວແທນ, ທໍ່ສົ່ງ, ການຄົ້ນຫາເວັກເຕີ, ປື້ມບັນທຶກ, ການລົງທະບຽນ ແລະ ການຕິດຕາມກວດກາ. ມັນມີຄວາມຄິດເຫັນໃນວິທີທີ່ຊ່ວຍໃຫ້ທີມງານສົ່ງສິນຄ້າ [1].
ທາງເລືອກອື່ນໂດຍຫຍໍ້ - ການເລືອກເລນທີ່ຖືກຕ້ອງ 🛣️
ຖ້າທ່ານຄຸ້ນເຄີຍກັບ AWS ແລ້ວ, SageMaker ຈະຮູ້ສຶກວ່າເປັນແບບພື້ນເມືອງ. ຮ້ານຄ້າ Azure ມັກຈະມັກ Azure ML . ຖ້າທີມງານຂອງທ່ານອາໄສຢູ່ໃນປື້ມບັນທຶກ ແລະ lakehouses, Databricks ML ແມ່ນດີເລີດ. ບໍ່ມີອັນໃດຜິດ - ຄວາມຖ່ວງດຶງຂອງຂໍ້ມູນ ແລະ ຂໍ້ກຳນົດດ້ານການຄຸ້ມຄອງຂອງທ່ານມັກຈະເປັນຕົວກຳນົດ.
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ - ໄຟໄໝ້ໄວ 🧨
-
Vertex AI ສຳລັບ AI ທີ່ສ້າງສັນເທົ່ານັ້ນບໍ? No-Vertex AI ຍັງກວມເອົາການຝຶກອົບຮົມ ML ແບບຄລາສສິກ ແລະ ການໃຫ້ບໍລິການດ້ວຍຄຸນສົມບັດ MLOps ສຳລັບນັກວິທະຍາສາດຂໍ້ມູນ ແລະ ວິສະວະກອນ ML [1].
-
ຂ້ອຍສາມາດຮັກສາ BigQuery ເປັນຮ້ານຄ້າຫຼັກຂອງຂ້ອຍໄດ້ບໍ? ໄດ້ - ໃຊ້ Feature Store ເພື່ອຮັກສາຂໍ້ມູນຄຸນສົມບັດໃນ BigQuery ແລະໃຫ້ບໍລິການມັນທາງອອນລາຍໂດຍບໍ່ຕ້ອງເຮັດຊ້ຳຮ້ານຄ້າອອບໄລນ໌ [4].
-
Vertex AI ຊ່ວຍໃນ RAG ບໍ? Yes-Vector Search ຖືກສ້າງຂຶ້ນສຳລັບມັນ ແລະ ປະສົມປະສານກັບສ່ວນທີ່ເຫຼືອຂອງ stack [3].
-
ຂ້ອຍຈະຄວບຄຸມຄ່າໃຊ້ຈ່າຍໄດ້ແນວໃດ? ເລີ່ມຕົ້ນຈາກໜ້ອຍໆ, ວັດແທກ, ແລະ ທົບທວນໂຄຕ້າ/ການຈັດສັນ ແລະ ລາຄາລະດັບວຽກງານກ່ອນທີ່ຈະຂະຫຍາຍ [1][5].
ເອກະສານອ້າງອີງ
[1] Google Cloud - ການແນະນຳກ່ຽວກັບ Vertex AI (ພາບລວມຂອງແພລດຟອມແບບລວມສູນ) - ອ່ານຕື່ມ
[2] ພາບລວມຂອງ Google Cloud - Vertex AI Agent Builder - ອ່ານຕື່ມ
[3] Google Cloud - ໃຊ້ການຄົ້ນຫາເວັກເຕີ Vertex AI ກັບ Vertex AI RAG Engine - ອ່ານຕື່ມ
[4] Google Cloud - ການແນະນຳກ່ຽວກັບການຄຸ້ມຄອງຄຸນສົມບັດໃນ Vertex AI - ອ່ານຕື່ມ
[5] Google Cloud - ການຮັກສາຂໍ້ມູນລູກຄ້າ ແລະ ການຮັກສາຂໍ້ມູນສູນໃນ Vertex AI - ອ່ານຕື່ມ