本部分介绍 Gemini Enterprise Agent Platform 服务，它们可帮助您使用机器学习 (ML) 工作流实现机器学习操作 (MLOps)。
部署模型后，模型必须与环境中变化的数据保持同步，以获得最佳性能并保持相关性。MLOps 是一套有助于提高机器学习系统的稳定性和可靠性的做法。
Gemini Enterprise Agent Platform MLOps 工具可帮助您与 AI 团队协作，并通过预测模型监控、提醒、诊断和具有可操作性的解释来改进模型。所有工具都是模块化的，因此您可以根据需要将它们集成到现有系统中。
如需详细了解 MLOps，请参阅机器学习中的持续交付和自动化流水线和 MLOps 从业人员指南。
编排工作流：手动执行多步机器学习处理可能非常耗时且容易出错。为了自动执行、监控和管理流水线， Google Cloud 提供了根据架构范围量身定制的编排器：
Gemini Enterprise Agent Platform Pipelines：一种无服务器编排器，非常适合使用 Kubeflow Pipelines 或 TFX 在 Agent Platform 生态系统内严格运行的自包含、容器原生机器学习工作流。对于纯模型训练和部署循环，这是阻力最小的选择。
Managed Service for Apache Airflow：全代管式 Apache Airflow 环境，非常适合端到端企业 MLOps。如果您的流水线需要异构性（例如在 BigQuery 或 Dataflow 中编排数据流水线、在 Agent Platform 中进行训练，以及将预测结果推送到外部 CRM 或数据湖），Managed Airflow 可充当统一控制平面。它提供了一个包含 1,000 多个预构建集成的庞大库，可消除自定义容器技术债务。除了编写 Airflow Python DAG 之外，Managed Airflow 还提供编排流水线，这是一个声明式 YAML 框架，提供开箱即用的执行引擎矩阵，用于在 Managed Service for Apache Spark 上运行 PySpark 作业，或在 BigQuery 上运行 SQL 作业。
管理和扩缩训练作业：高效管理训练所需的计算资源是 MLOps 的核心挑战，尤其是在从实验阶段扩展到生产阶段时。Vertex AI Training 通过提供灵活的全托管式服务和计算选项来解决此问题，以适应整个机器学习生命周期。
对于实验和可变工作负载，自定义训练涉及按需预配资源的默认无服务器平台，可提供最大的灵活性。
对于大规模、可预测的工作负载，Gemini Enterprise Agent Platform 训练集群在预留集群上提供持久的专用环境，可确保资源可用性、提供稳定的性能，并帮助高利用率团队优化费用。
跟踪在机器学习系统中使用的元数据：在数据科学中，跟踪在机器学习工作流中使用的参数、工件和指标非常重要，尤其是当您多次重复执行工作流时。
- 通过 Vertex ML Metadata，您可以记录在机器学习系统中使用的元数据、参数和工件。然后，您可以查询该元数据，以帮助分析、调试和审核机器学习系统或它所生成工件的性能。
确定使用场景的最佳模型：当您尝试新的训练算法时，您需要知道哪个经过训练的模型表现最佳。
借助 Vertex AI Experiments，您可以跟踪和分析不同的模型架构、超参数和训练环境，以确定最适合您的使用场景的模型。
Vertex AI TensorBoard 可帮助您跟踪、直观呈现和比较机器学习实验，以衡量模型的性能。
管理模型版本：将模型添加到中央存储库有助于您跟踪模型版本。
- Gemini Enterprise Agent Platform Model Registry 提供了模型的概览，以便您可以更好地组织、跟踪和训练新版本。在 Model Registry 中，您可以评估模型、将模型部署到端点、创建批量推理以及查看有关特定模型和模型版本的详细信息。
管理功能：跨多个团队重复使用机器学习功能时，您需要快速、高效地共享和应用功能。
- Vertex AI Feature Store 提供了一个用于整理、存储和提供机器学习特征的中央存储库。使用中央特征存储区，组织可以大规模地重复使用机器学习特征，并加快开发和部署新的机器学习应用的速度。
监控模型质量：在生产环境中部署的模型在使用与训练数据类似的推理输入数据时表现最佳。当输入数据与用于训练模型的数据存在差异时，即使模型本身未更改，模型的性能也会降低。
- Gemini Enterprise Agent Platform Model Monitoring 会监控模型是否存在训练-应用偏差和推理数据倾斜，并在传入的推理数据偏离训练基准太远时向您发送提醒。您可以使用提醒和功能分布来评估是否需要重新训练模型。
伸缩 AI 和 Python 应用：Ray 是一种用于伸缩 AI 和 Python 应用的开源框架。Ray 提供了用于为机器学习 (ML) 工作流执行分布式计算和并行处理的基础设施。
- Ray on Agent Platform 旨在让您能够使用相同的开源 Ray 代码在 Gemini Enterprise Agent Platform 上编写程序和开发应用，并且只需极少的更改。然后，您可以在机器学习 (ML) 工作流中使用 Gemini Enterprise Agent Platform 与其他 Google Cloud 服务（例如 Vertex AI Inference 和 BigQuery）的集成。