אימון מודל באמצעות Gemini Enterprise Agent Platform ו-Python SDK

במדריך הזה נסביר איך להשתמש ב-Agent Platform SDK ל-Python כדי ליצור מודל באימון מותאם אישית. אתם מריצים קוד בקובץ notebook‏ (IPYNB) שמשתמש בקונטיינר של Docker כדי לאמן וליצור את המודל. המדריך מיועד למדעני נתונים שחדשים ב-Gemini Enterprise Agent Platform ומכירים את Notebooks, את Python ואת תהליך העבודה של למידת מכונה (ML).

התהליך מתחיל במסוף Google Cloud , שבו יוצרים את הפרויקט שבו תעבדו. בפרויקט, משתמשים ב-Vertex AI Workbench כדי ליצור מסמך Notebook ב-Jupyter. סביבת ה-Notebook היא המקום שבו מריצים קוד שמוריד ומכין מערך נתונים, ואז משתמשים במערך הנתונים כדי ליצור ולאמן מודל. בסוף המדריך, המודל המאומן יוצר חיזויים.

מטרת המדריך הזה היא להסביר לכם את כל השלבים שנדרשים כדי ליצור תחזיות בפחות משעה. מערך הנתונים שבו משתמשים הוא קטן יחסית, כדי שאימון המודל לא יימשך זמן רב. בסיום, תוכלו ליישם את מה שלמדתם על מערכי נתונים גדולים יותר. ככל שמערך הנתונים גדול יותר, כך התחזיות מדויקות יותר.

שלבי המדריך

  1. דרישות מוקדמות – יצירת חשבון ופרויקט ב- Google Cloud.

  2. יצירת notebook – יצירה והכנה של Jupyter notebook והסביבה שלו. אתם משתמשים ב-notebook כדי להריץ קוד שיוצר את קבוצת הנתונים, יוצר ומאמן את המודל ומפיק את החיזויים.

  3. יצירת מערך נתונים – מורידים מערך נתונים שזמין לכולם ב-BigQuery, ומשתמשים בו כדי ליצור מערך נתונים בטבלה ב-Gemini Enterprise Agent Platform. מערך הנתונים מכיל את הנתונים שמשמשים לאימון המודל.

  4. יצירת סקריפט אימון – יוצרים סקריפט Python שמעבירים למשימת האימון. הסקריפט פועל כשמשימת האימון מאמנת ויוצרת את המודל.

  5. אימון מודל – שימוש במערך הנתונים הטבלאי כדי לאמן ולפרוס מודל. אתם משתמשים במודל כדי ליצור את התחזיות.

  6. יצירת תחזיות – שימוש במודל כדי ליצור תחזיות. בקטע הזה מוסבר גם איך למחוק את המשאבים שנוצרו במהלך המדריך, כדי שלא תחויבו שלא לצורך.

מה אתם משיגים

במדריך הזה מוסבר איך להשתמש ב-Agent Platform SDK ל-Python כדי:

  • יצירת קטגוריה של Cloud Storage לאחסון מערך נתונים
  • עיבוד מראש של נתונים לאימון
  • שימוש בנתונים המעובדים כדי ליצור מערך נתונים ב-BigQuery
  • שימוש במערך הנתונים ב-BigQuery כדי ליצור מערך נתונים טבלאי ב-Gemini Enterprise Agent Platform
  • יצירה ואימון של מודל בהתאמה אישית
  • פריסת המודל עם האימון בהתאמה אישית בנקודת קצה (endpoint)
  • יצירת חיזוי
  • ביטול הפריסה של המודל
  • למחוק את כל המשאבים שנוצרו במדריך כדי שלא תחויבו יותר

משאבים שניתן לחייב עליהם

במדריך הזה משתמשים במשאבים שניתן לחייב, שמשויכים לשירותים של Gemini Enterprise Agent Platform, ‏ BigQuery ו-Cloud Storage Google Cloud . למידע נוסף, קראו את המאמרים הבאים:

כדי למנוע חיובים נוספים, בשלב האחרון של המדריך מוסבר איך להסיר את כל המשאבים של Google Cloud שניתן לחייב עליהם.