Google I/O: Vertex AI tritt als Rundum-sorglos-Plattform für Machine Learning an

Google hat auf der hauseigenen Entwicklermesse Google I/O eine einheitliche Cloud-Plattform für Machine-Learning-Anwendungen (ML) vorgestellt. Vertex AI kombiniert Services vom Training der ML-Modelle bis zum produktiven Einsatz. Die Plattform zielt auf Data Scientists und ML Engineers und soll den gesamten Lebenszyklus der Anwendungen über Machine Learning Operations (MLOps) abdecken.

Vertex AI kombiniert diverse Angebote des Internetriesen mit einem zentralen User Interface und einer einheitlichen API. Die Plattform bietet Werkzeuge zum Erstellen und Trainieren, Ausrollen und Verwalten von ML-Modellen.

Zentralisiert und automatisiert

Data Scientists können die Modelle wahlweise manuell trainieren oder auf AutoML (Automated Machine Learning) zurückgreifen. Letzteres ist eine relativ junge Disziplin, die das Erstellen von ML-Modellen weitgehend automatisiert. Statt Modelle iterativ beim Training manuell anzupassen, erfolgt die Optimierung des Modells auf Basis der eingegebenen Trainingsdaten automatisch. Google hat ebenso wie andere Cloud-Anbieter AutoML seit geraumer Zeit im Portfolio.

Sonderheft zu Machine Learning

Das iX-Developer-Sonderheft "Machine Learning" behandelt auf 148 Seiten unter anderem ML-Frameworks, Textanalyse, Reinforcement Learning und die Produktivstellung von Modellen. Im Fokus steht die praktische Anwendung, und zu den meisten Artikeln existieren Jupyter-Notebooks als Basis für eigene ML-Projekte.

Ein Artikel vergleicht die Cloud-Angebote rund um Machine Learning von Google, Microsoft, Amazon und Co. Ein weiterer Artikel beschäftigt sich mit dem Verwalten und Bereitstellen von ML-Modellen.

Die Plattform bietet das wohl von Google intern genutzte Toolkit für typische ML-Anwendungszwecke wie Computer Vision, Textanalyse, Konversation und die Analyse strukturierter Daten. Die Modelle liegen in einem zentralen Repository. Vertex Vizier ist ein Werkzeug zum Optimieren der Hyperparameter. Die Plattform bietet zudem Dienste wie Vertex Data Labeling zum händischen Labeln von Daten durch Menschen und Vertex Explainable AI, das Einblick in die Arbeit der Modelle gibt und beim Nachvollziehen der Ergebnisse helfen soll. Schließlich existiert eine direkte Anbindung für Jupyter Notebooks.

Pipelines und Features

Vertex Pipelines helfen beim Automatisieren des MLOps-Prozesses. Sie bestehen aus diversen Komponenten, die jeweils einen Schritt im Workflow über Code abbilden und mehrere Eingaben und Ausgaben sowie ein zugehöriges Container-Image aufweisen. Eine typische ML-Ops-Pipeline hat eine Komponente zum Aufnehmen und eine zum Vorverarbeiten der Daten. Anschließend folgen Komponenten zum Trainieren und Evaluieren der Modelle. Schließlich übernimmt eine Komponente das Deployment des Modells in den produktiven Betrieb. Dort kümmern sich weitere Komponenten um das Monitoring und die Verwaltung des Modells.

Neben dem Repository für die Modelle bietet die Plattform einen Bereich zum zentralisierten Organisieren und Speichern von ML-Features. Der dafür verantwortliche Vertex Feature Store hat allerdings zum Start der Plattform noch Preview-Status. Weitere Details zu Vertex AI lassen sich dem Google-Cloud-Blog entnehmen.

(rme)