- Analysis for Office, BigQuery, Google Analytics, Google Cloud Platform, KI
- Google Analytics, google cloud platform, Vertex AI
- 9 Min Lesezeit
Christopher Maier
Google Vertex AI ermöglicht die effiziente Entwicklung, Bereitstellung und Verwaltung von Machine Learning-Modellen. Das Wiki bietet einen Leitfaden für einen umfassenden Überblick über die zentralen Funktionen der Plattform, einschliesslich Model Registry, Online- und Batch-Vorhersagen sowie der Vektorsuche.
Das Tool Google Vertex AI ist entscheidend für die Optimierung von ML-Workflows, die Beschleunigung der Datenverarbeitung und die Verbesserung der Ergebnisgenauigkeit. Die Plattform eignet sich besonders für die Skalierung und Verwaltung von KI-Projekten in verschiedenen Unternehmensbereichen.
Inhaltsverzeichnis
- Vertiefte Einblicke in Google Vertex AI
- 1.1 Dashboard
- Vertiefte Einblicke in Google Vertex AI
- 1.2 Model Garden
- 2. Übersicht der wichtigsten Modelle und APIs in Google Vertex AI: Einsatzmöglichkeiten und Anwendungsfälle
- 3. Notebooks für Data Science und maschinelles Lernen
- 4. AI Studio
- 5. Effiziente Datenverwaltung für ML-Modelle
Vertiefte Einblicke in Google Vertex AI
1. APIs und vorgefertigte Modelle aktivieren: Optimale Nutzung von Google Vertex AI
1.1 Dashboard
Vertex AI ist eine umfassende Plattform, die eine Vielzahl von APIs zur Verfügung stellt, um den Einsatz von künstlicher Intelligenz in verschiedenen Anwendungsfällen zu ermöglichen. Um Vertex AI vollständig nutzen zu können, müssen die folgenden APIs aktiviert werden:
Darüber hinaus ermöglicht Vertex AI das Monitoring von spezifischen Metriken einzelner Services, um die Performance und Nutzung effektiv zu überwachen. Dies bietet wertvolle Einblicke in die betrieblichen Aspekte der Plattform und hilft bei der Optimierung der Anwendungen.
Vertiefte Einblicke in Google Vertex AI
1.2 Model Garden
Model Garden ist eine Sammlung von vorgefertigten Machine Learning-Modellen und -Tools, die in Google Cloud Vertex AI zur Verfügung stehen. Es ermöglicht Entwicklern und Data Scientists, schnell und einfach Modelle für eine Vielzahl von Anwendungsfällen zu erstellen, zu testen und bereitzustellen. Insgesamt stehen 153 Modelle zur Verfügung.
Die Modelle sind in drei Hauptkategorien unterteilt:
- Breites Wissen: Vielseitig einsetzbare Modelle, die auf grossen Datenmengen trainiert wurden.
- Anpassungsfähig: Kann für verschiedene Aufgaben optimiert und spezialisiert werden.
- Spezialisierung: Verfeinerte Versionen von Foundation Models, angepasst an spezifische Aufgaben.
- Erweiterte Anpassung: Benötigen zusätzliche Daten und Code für eine präzise Anpassung und Leistungssteigerung.
- Ready to use:Vorgefertigte Modelle für konkrete Aufgaben, gebrauchsfertig.
- Mögliche Feinabstimmung: Einige Lösungen erlauben Anpassungen mit eigenen Daten zur individuellen Optimierung.
Darüber hinaus können die Modelle in weitere Kategorien unterteilt werden:
- Language Models
- Tabular Models
- Document Models
- Multimodal Models
- Vision Models
- Speech Models
- Video Model
Eine weitere Möglichkeit, Modelle zu kategorisieren, ist nach ihren Features:
- Vertex AI Studio (sofort einsatzbereite Modelle, die in der Konsole getestet werden können, wie z.B. Gemini)
- API available (Modelle, die durch eine API aufgerufen werden können)
- Open source
- Notebook support
- Pipeline support
- One-click-deployement
Gemini 1.0 Pro: Gemini 1.0 Pro ist der Name des grossen Sprachmodells Gemini, das Sprache versteht und Es handelt sich um ein Basismodell, das für eine Vielzahl von Aufgaben der natürlichen Sprachverarbeitung geeignet ist, wie z.B. Zusammenfassungen, Befolgung von Anweisungen, Inhaltsgenerierung, Sentimentanalyse, Entitätsextraktion, Klassifikation usw. Zu den Inhalten, die Gemini 1.0 Pro erzeugen kann, gehören Zusammenfassungen von Dokumenten, Antworten auf Fragen, Labels zur Klassifizierung von Inhalten und vieles mehr.
Use Cases:
- Fragebeantwortung
- Klassifizierung
- Stimmungsanalyse
- Entitätsextraktion
Average Word Embedding Classifier: Der Average Word Embedding Classifier ist ein einfaches, leichtes Textklassifikationsmodell, das durchschnittliche Wortvektoren verwendet, um eine Textdarstellung zu erstellen und diese über ein zweischichtiges Netzwerk mit RELU-Aktivierung auswertet. Das Modell ist für den Einsatz auf Geräten konzipiert und kann mit MediaPipe Tasks TextClassifier auf verschiedenen Plattformen wie Android, iOS, Web und Desktop eingesetzt werden.
Use Cases:
- Text Klassifikation
Text Moderation: Die Textmoderation analysiert ein Dokument und identifiziert schädliche und sensible Kategorien, die auf den im Dokument gefundenen Text zutreffen.
Use Cases:
- Überprüfung auf potenziell anstössige Inhalte, die zu einer negativen Wahrnehmung der Marke führen könnten.
- Sicherstellen, dass nutzergenerierte und redaktionelle Inhalte markensicher für Werbung sind.
- Identifizierung von toxischen Kommentaren in Foren und Chat-Nachrichten, die Benutzer beleidigen und abschrecken könnten.
2.2 Tabular:
Claude 3 Opus: Claude 3 Opus von Anthropic ist das leistungsfähigste KI-Modell des Unternehmens und zeigt herausragende Fähigkeiten bei komplexen Aufgaben. Das Modell kann offene Aufgaben und unbekannte Szenarien mit beeindruckender Sprachgewandtheit und menschenähnlichem Verständnis bewältigen. Alle Claude 3 Modelle können Bilder verarbeiten, Text ausgeben und verfügen über ein 200K K
Use Cases:
- Aufgabenautomatisierung: Planung und Ausführung komplexer Aktionen über APIs und Datenbanken, interaktive P
- Forschung und Entwicklung (F&E): Review von Forschungsarbeiten, Ideenfindung und Hypothesengenerierung, Arzneimittelforschung.
- Strategie: Fortgeschrittene Analyse von Diagrammen und Grafiken, Finanz- und Markttrends, Prognosen.
- Visuelle Fähigkeiten: Bild- und Textverarbeitung zur Analyse und zum Verständnis von Diagrammen, Grafiken, technischen Zeichnungen, Berichten und anderen visuellen Medien.
AutoGluon: AutoGluon automatisiert maschinelle Lernverfahren, um eine hohe Vorhersageleistung in Ihren Anwendungen zu erzielen. Diese Version unterstützt jedoch nur tabellarische Daten, was es Ihnen ermöglicht, hochpräzise maschinelle Lern- und Deep-Learning-Modelle für solche Daten zu trainieren und zu implementieren. Durch einen einfachen Aufruf von fit() können Sie eine hohe Genauigkeit in standardmässigen überwachten Lernaufgaben (Klassifikation und Regression) erreichen, ohne die Komplexität der Datenbereinigung, Merkmalsextraktion, Hyperparameteroptimierung und Modellauswahl.
Use Cases:
- Vorhersage tabellarischer Daten: Vorhersage der Werte einer Zielspalte auf der Grundlage der anderen Spalten eines Tabellendatensatzes.
AutoML E2E: Der „Tabular Workflow for End-to-End AutoML“ ist eine komplette AutoML-Pipeline für Klassifikations- und Regressionsaufgaben, ähnlich der AutoML-API, bietet aber mehr Kontrolle über die einzelnen Prozessschritte. Die Pipeline umfasst automatisiertes Feature Engineering, Architektursuche und Hyperparameter-Tuning. Erfolgreiche Modelle durchlaufen mehrere Stufen, einschliesslich Kreuzvalidierung und Modellkombination, um die finale Modellauswahl zu optimieren. Die AutoML-Lösung wurde erfolgreich in einem Wettbewerb getestet und erreichte den zweiten Platz.
Use Cases:
- Marketing und Kundenanalyse: Schätzung der Bestellhäufigkeit, Wahrscheinlichkeit der Kundenabwanderung, Konversionswahrscheinlichkeit von Leads, Customer Lifetime Value, Kampagnenzuordnung.
- Ressourcennutzung: Wahrscheinlichkeit von Geräteausfällen, Schätzung von Angebot und Nachfrage bei Fahrern, Personalfluktuation, Lebenserwartung von Geräten.
- Risikomanagement: Schätzung von Schadenshöhe und – wahrscheinlichkeit, Betrugswahrscheinlichkeit, Ausfallwahrscheinlichkeit.
- Ranking: Optimale Produktplatzierung und Werbewirksamkeit.
2.3 Document:
Claude 3 Opus: siehe folgenden Abschnitt
Document AI OCR Processor: Document OCR erkennt und extrahiert Text aus Dokumenten in über 200 gedruckten und 50 handschriftlichen Sprachen. Es identifiziert Textblöcke, Absätze, Zeilen, Wörter und optional Symbole in PDFs und Bildern und kann Dokumente automatisch grade richten, um die Genauigkeit zu erhöhen. Zusätzlich ermöglicht es die Erkennung von Schriftstilen, Sprachhinweisen und die Bewertung der Bildqualität für eine optimierte Weiterverarbeitung.
Use Cases:
- Dokumenten-Digitalisierung: Text aus Dokumenten digitalisieren, Dateneingabe automatisieren, Datenqualität verbessern und verifizieren, programmatische Vorverarbeitung.
- Rechnungs- und Anspruchsverarbeitung: Extraktion von Daten aus Rechnungen, um Rechnungs- und Reklamationsprozesse zu automatisieren und Fehler zu reduzieren.
- Dokumentensuche & Q&A: Daten aus Dokumenten extrahieren, um automatisierte Prozesse für Fragen und Suchfunktionen zu ermöglichen.
- Vertragsmanagement: Daten aus Verträgen extrahieren, um deren Zugänglichkeit und Suchfähigkeit zu erhöhen und die korrekte Ausführung von Verträgen zu unterstützen.
- Archivierung: Papierdokumente in elektronische Formate umwandeln, um die Zugänglichkeit der Dokumente zu verbessern.
- Compliance: Daten aus Dokumenten extrahieren, um Compliance zu gewährleisten und inhaltsbasierte Moderation durchzuführen.
2.4 Multimodal:
Gemini 1.5 Pro: Das Gemini 1.5 Pro ist ein vielseitiges Basismodell, das sich besonders für multimodale Aufgaben wie visuelles Verstehen, Klassifizieren, Zusammenfassen und Generieren von Inhalten aus Bildern, Audios und Videos Es verarbeitet effizient visuelle und textuelle Eingaben wie Fotos, Dokumente, Infografiken und Screenshots. Das Modell ist Teil der Gemini-Modellfamilie, die verschiedene Grössen und Fähigkeiten bietet, einschliesslich spezialisierter Versionen für Text und visuelle Inhalte.
Use Cases:
- Visuelle Informationssuche: Kombination von externem Wissen mit Informationen, die aus Bildern oder Videos extrahiert wurden, um Fragen zu beantworten.
- Objekterkennung: Detaillierte Identifikation von Objekten in Bildern und Videos.
- Digitales Inhaltsverständnis: Extraktion von Informationen aus visuellen Inhalten wie Infografiken und Webseiten.
- Strukturierte Inhaltsproduktion: Generierung von Antworten basierend auf multimodalen Eingaben in Formaten wie HTML und JSON.
- Beschreibung und Untertitelung: Erstellung von Beschreibungen für Bilder und Videos in verschiedenen
- Schlussfolgern: Neuartige Informationserstellung ohne Memorieren oder Abrufen.
- Audio: Analyse von Sprachdateien für Zusammenfassungen, Transkriptionen und Q&A.
- Multimodale Verarbeitung: Gleichzeitige Verarbeitung verschiedener Medientypen wie Video und Audio.
2.5 Vision-, Speech- und Video-Modelle
Diese sind im Whitepaper enthalten.
3. Notebooks für Data Science und maschinelles Lernen
Notebooks sind interaktive Umgebungen, die die Integration von Code, Text und Visualisierungen in einem Dokument ermöglichen. Diese Umgebungen werden häufig in den Bereichen Data Science und Maschinelles Lernen eingesetzt, insbesondere für die explorative Datenanalyse, das Prototyping von Modellen und die Kommunikation von Ergebnissen.
3.1 Colab Enterprise
Colab Enterprise ist eine auf der Google Cloud-Plattform basierende Notebook-Umgebung, die speziell für Unternehmen entwickelt wurde, um eine skalierbare und sichere Plattform für die Zusammenarbeit an Data Science-Projekten zu bieten. Diese Umgebung unterstützt den Einsatz von leistungsstarken GPUs und CPUs, um den Anforderungen verschiedener Projekte gerecht zu werden. Colab Enterprise bietet zudem Sicherheitsmechanismen für die Datenverarbeitung und -speicherung und ermöglicht die Echtzeit-Zusammenarbeit mehrerer Benutzer an einem Projekt. Darüber hinaus ist eine nahtlose Integration mit anderen Google Cloud Services, wie BigQuery und Cloud Storage, möglich.
3.2 Workbench
Workbench ist eine auf Jupyter basierende Open-Source-Notebook-Plattform, die sowohl lokal auf einem Computer als auch in der Cloud betrieben werden kann. Die Plattform ist durch eine Vielzahl von Plugins und Erweiterungen in hohem Masse anpassbar und erweiterbar. Sie bietet eine flexible Arbeitsumgebung, die auf die spezifischen Bedürfnisse und Präferenzen von Data Scientists zugeschnitten werden kann. Da es sich bei der Workbench um ein Open-Source-Projekt handelt, ist der Quellcode frei verfügbar und kann von den Benutzern kostenlos genutzt und modifiziert werden.
4. AI Studio
4.1 Overview
Vertex AI Studio ist eine webbasierte Entwicklungsumgebung für Machine Learning (ML) auf der Google Cloud Platform (GCP). Es ermöglicht Teams aus Datenwissenschaftlern, ML-Ingenieuren und Geschäftsanwendern, ML-Modelle zu erstellen, zu trainieren und bereitzustellen, ohne Code schreiben zu müssen.
Vertex AI Studio bietet eine Reihe von Funktionen, die die Entwicklung von ML-Modellen vereinfachen, darunter:
- Eine Drag-and-Drop-Oberflächezum Erstellen von ML-Pipelines
- Vorab trainierte Modellefür verschiedene Aufgaben wie Bildklassifikation und Verarbeitung natürlicher Sprache
- Tools zum Trainieren und Optimieren von Modellen
- Möglichkeiten zur Bereitstellung von Modellen in der Produktion
Vertex AI Studio ist eine gute Wahl für Teams, die ML-Modelle schnell und einfach entwickeln und bereitstellen möchten. Es ist auch eine gute Wahl für Teams, die noch nicht mit ML vertraut sind, da es eine benutzerfreundliche Oberfläche und eine Reihe von vorgefertigten Funktionen bietet.
4.2 Multimodal
Vertex AI Studio unterstützt die Entwicklung multimodaler ML-Modelle, die Daten aus verschiedenen Modalitäten wie Bild, Text und Audio verarbeiten können. Dies ermöglicht die Entwicklung von leistungsfähigeren und vielseitigeren ML-Modellen.
Vertex AI Studio bietet eine Reihe von Funktionen, die die Entwicklung multimodaler Modelle unterstützen:
- Datenvorverarbeitungstoolszum Zusammenführen und Vorbereiten von Daten aus verschiedenen Modalitäten
- Modelle für multimodale Aufgabenwie Bild-Text-Zuordnung und Audio-Video-Erkennung
- Werkzeuge zur Evaluierung der Leistung multimodaler Modelle
Vertex AI Studio ist eine gute Wahl für Teams, die multimodale ML-Modelle entwickeln wollen. Es bietet eine Reihe von Funktionen, die die Entwicklung und Bereitstellung dieser Modelle erleichtern.
4.3 Language
Vertex AI Studio unterstützt die Entwicklung von Sprachmodellen, die Text verarbeiten und generieren können. Dies ermöglicht die Entwicklung von Anwendungen wie Chatbots, maschinelle Übersetzung und Textgenerierung. Vertex AI Studio bietet eine Reihe von Funktionen, die die Entwicklung von Sprachmodellen unterstützt:
- Vorab trainierte Sprachmodellefür verschiedene Sprachen
- Werkzeuge zum Trainieren von Sprachmodellen auf benutzerdefinierten Daten
- Werkzeuge zur Bewertung der Leistung von Sprachmodellen
Vertex AI Studio ist eine gute Wahl für Teams, die Sprachmodelle entwickeln wollen. Es bietet eine Reihe von Funktionen, die die Entwicklung und Bereitstellung dieser Modelle erleichtern.
4.4 Vision
Vertex AI Studio unterstützt die Entwicklung von Vision-Modellen, die Bilder und Videos verarbeiten können. Dies ermöglicht die Entwicklung von Anwendungen wie Bildklassifikation, Objekterkennung und Bildsegmentierung.
Vertex AI Studio bietet eine Reihe von Funktionen, die die Entwicklung von Bildverarbeitungsmodellen unterstützen:
- Vorab trainierte Vision-Modellefür verschiedene Aufgaben wie Bildklassifikation und Objekterkennung
- Werkzeuge zum Trainieren von Vision-Modellen auf benutzerdefinierten Daten
- Werkzeuge zur Evaluierung der Leistung von Vision-Modellen
Vertex AI Studio ist eine gute Wahl für Teams, die Vision-Modelle entwickeln wollen. Es bietet eine Reihe von Funktionen, die die Entwicklung und Bereitstellung dieser Modelle erleichtern.
4.5 Speech
Vertex AI Studio unterstützt die Entwicklung von Speech-Modellen, die Sprache verarbeiten und generieren können. Dies ermöglicht die Entwicklung von Anwendungen wie Spracherkennung, Sprachsynthese und Sprachübersetzung. Vertex AI Studio bietet eine Reihe von Funktionen zur Unterstützung der Entwicklung von Speech-Modellen, darunter:
- Vorab trainierte Speech-Modellefür verschiedene Sprachen
- Werkzeuge für das Training von Speech-Modellen auf benutzerdefinierten Daten
- Werkzeuge zur Evaluierung der Leistung von Speech-Modellen
Vertex AI Studio ist eine gute Wahl für Teams, die Speech-Modelle entwickeln möchten. Es bietet eine Reihe von Funktionen, die die Entwicklung und Bereitstellung dieser Modelle erleichtern. Hinweis: Speech wird in der aktuellen Version von Vertex AI Studio noch nicht vollständig unterstützt. Es befindet sich jedoch in der Entwicklung und wird in Kürze verfügbar sein.
5. Effiziente Datenverwaltung für ML-Modelle
5.1 Feature Store
Der Feature Store ist ein zentraler Speicherort für die Verwaltung von Merkmalen für Machine Learning (ML)-Modelle. Er ermöglicht es Datenwissenschaftlern und ML-Ingenieuren, Merkmale an einem Ort zu speichern, zu versionieren und wiederzuverwenden, was die Entwicklung und Bereitstellung von ML-Modellen vereinfacht. Der Feature Store bietet eine Reihe von Funktionen, die die Verwaltung von Merkmalen vereinfachen, darunter: Speicherung von Merkmalen in verschiedenen Formaten, einschliesslich numerischer Daten, kategorialer Daten und Textdaten Versionierung von Merkmalen, um Änderungen an Merkmalen im Laufe der Zeit zu verfolgen Wiederverwendung von Merkmalen in mehreren ML-Modellen Such- und Filterfunktionen, um die benötigten Merkmale zu finden Integration mit Vertex AI, um die Entwicklung und Bereitstellung von ML-Modellen zu vereinfachen.
Der Feature Store ist eine gute Wahl für Teams, die mehrere ML-Modelle verwenden und ihre Merkmale zentral verwalten möchten. Er kann dazu beitragen, die Entwicklung und Bereitstellung von ML-Modellen zu beschleunigen und die Qualität der ML-Modelle zu verbessern.
- Speicherung von Merkmalen in verschiedenen Formaten, einschliesslich numerischer Daten, kategorischer Daten und Textdaten
- Versionierung von Merkmalen, um Änderungen an Merkmalen im Laufe der Zeit zu verfolgen
- Wiederverwendung von Merkmalenin mehreren ML-Modellen
- Such- und Filterfunktionenzum Auffinden der benötigten Merkmale
- Integration mit Vertex AI zur Vereinfachung der Entwicklung und Bereitstellung von ML-Modellen
Der Feature Store ist eine gute Wahl für Teams, die mehrere ML-Modelle verwenden und ihre Merkmale zentral verwalten möchten. Er kann dazu beitragen, die Entwicklung und Bereitstellung von ML-Modellen zu beschleunigen und die Qualität der ML-Modelle zu verbessern.
Vertiefte Einblicke in Google Vertex AI
Entdecken Sie das volle Potenzial von Google Vertex AI für Ihr Unternehmen. Unsere Experten stehen bereit, um Sie bei der Implementierung dieser leistungsstarken Plattform zu unterstützen und massgeschneiderte KI-Lösungen für Ihre spezifischen Herausforderungen zu entwickeln.
Vereinbaren Sie jetzt ein kostenloses Beratungsgespräch und erfahren Sie, wie Sie mit Google Vertex AI:
- Ihre ML-Workflows optimieren
- Die Entwicklung von KI-Modellen beschleunigen
- Datengetriebene Entscheidungen treffen
- Ihrem Unternehmen einen Wettbewerbsvorteil verschaffen
Lassen Sie uns gemeinsam die Zukunft Ihres Unternehmens mit KI gestalten. Kontaktieren Sie uns noch heute und machen Sie den ersten Schritt in Richtung KI-gestützte Innovation!
