El CEO de Alphabet dijo una vez: “El aprendizaje automático es una forma central y transformadora mediante la cual estamos repensando cómo lo estamos haciendo todo”.
Un estudio de noviembre de 2020 realizado por Gartner predijo un tasa de crecimiento cercana al 20% para servicios administrados como Vertex AI. Gartner dijo que a medida que las empresas inviertan más en movilidad y tecnologías e infraestructura de colaboración remota, el crecimiento en la industria de la nube pública se mantendrá hasta 2024.
Vertex AI reemplaza los servicios heredados como AI Platform Training and Prediction, AI Platform Data Labeling, AutoML Natural Language, AutoML Vision, AutoML Video, AutoML Tables y Deep Learning Containers. Echemos un vistazo a cómo le ha ido a la plataforma y qué ha cambiado durante el último año.
¿Qué es la IA de Google Vertex?
Google Vertex AI es una plataforma de aprendizaje automático (ML) basada en la nube para implementar y mantener modelos de inteligencia artificial (AI). La plataforma de operaciones de aprendizaje automático (MLOps) combina el aprendizaje automático automatizado (AutoML) y AI Platform en una interfaz de programación de aplicaciones (API), una biblioteca de clientes y una interfaz de usuario (UI) unificadas.
Anteriormente, los científicos de datos tenían que ejecutar millones de conjuntos de datos para entrenar algoritmos, pero la pila de tecnología Vertex hace el trabajo pesado ahora. Tiene el poder de cómputo para resolver problemas complejos y hacer fácilmente miles de millones de iteraciones. Vertex también presenta los mejores algoritmos para necesidades específicas.
Vertex AI utiliza un flujo de trabajo de ML estándar que consta de etapas como recopilación de datos, preparación de datos, capacitación, evaluación, implementación y predicción. Aunque Vertex AI tiene muchas características, veremos algunas de sus características clave aquí.
- Todo el flujo de trabajo de ML bajo un paraguas de IU unificado: Vertex AI viene con una interfaz de usuario y una API unificadas para cada servicio de Google Cloud basado en IA.
- Se integra con frameworks comunes de código abierto: Vertex AI se combina fácilmente con frameworks de código abierto de uso común como PyTorch y TensorFlow y es compatible con otras herramientas de ML a través de contenedores personalizados.
- Acceso a API preentrenadas para diferentes conjuntos de datos: Vertex AI facilita la integración de video, imágenes, traducción y procesamiento de lenguaje natural (NLP) con aplicaciones existentes. Capacita a las personas con experiencia y esfuerzos mínimos para entrenar modelos ML para satisfacer sus necesidades comerciales.
- Integración de datos e IA de extremo a extremo: Vertex AI Workbench permite que Vertex AI se integre de forma nativa con Dataproc, Dataflow y BigQuery. Como resultado, los usuarios pueden desarrollar o ejecutar modelos ML en BigQuery o exportar datos desde BigQuery y ejecutar modelos ML desde Vertex AI Workbench.
¿Qué incluye la última actualización?
Google entiende que la investigación es la única forma de convertirse en una organización que da prioridad a la IA. Muchas de las ofertas de productos de Google comenzaron inicialmente como proyectos de investigación internos. El Proyecto AlphaFold de DeepMind llevó a ejecutar modelos de predicción de proteínas en Vertex AI.
De manera similar, la investigación de redes neuronales proporcionó la base para Vertex AI NAS, que permite a los equipos de ciencia de datos entrenar modelos con menores requisitos de latencia y potencia. Por lo tanto, la empatía juega un papel importante cuando se consideran los casos de uso de IA. Algunas de las ofertas más recientes dentro de Vertex AI de Google incluyen:
Reduction Server
Según Google, el reduction server de entrenamiento de IA es una tecnología avanzada que optimiza la latencia y el ancho de banda del entrenamiento distribuido multisistema, que es una forma de diversificar el entrenamiento de ML en múltiples máquinas, GPU (unidades de procesamiento de gráficos), CPU (unidades de procesamiento central), o fichas personalizadas. Como resultado, reduce el tiempo y utiliza menos recursos para completar la capacitación.
Tabular Workflows
Esta característica tiene como objetivo personalizar el proceso de creación del modelo ML. Los flujos de trabajo tabulares permiten a los usuarios decidir qué partes del flujo de trabajo quieren que la tecnología AutoML maneje y qué lado les gusta diseñar ellos mismos.
Vertex AI permite que los elementos de Tabular Workflow se integren en las canalizaciones existentes. Google también agregó los últimos algoritmos administrados, incluidos modelos de investigación avanzados como TabNet, algoritmos avanzados para la selección de características, destilación de modelos y muchas más funciones.
Serverless Apache Spark
Vertex AI se ha sido integrado con Serverless Apache Spark, un motor de análisis de datos unificado de código abierto pero a gran escala. Los usuarios de Vertex AI pueden participar fácilmente en una sesión de Spark sin servidor para el desarrollo de código interactivo.
La asociación de Google y Neo4j permite a los usuarios de Vertex analizar características de datos en la plataforma de Neo4j y luego implementar modelos ML con Vertex. De manera similar, la colaboración entre Labelbox y Google hizo posible acceder a los servicios de etiquetado de datos de Labelbox para varios conjuntos de datos (imágenes y texto entre algunos) desde el tablero de Vertex.
Example-based Explanations
Cuando los datos se convierten en datos mal etiquetados, example-based explanations ofrece una mejor solución. La nueva función de Vertex aprovecha las explicaciones basadas en ejemplos para diagnosticar y resolver problemas de datos.
Resolución de problemas con Vertex AI
Google afirma que Vertex AI requiere un 80% menos de líneas de codificación que otras plataformas para entrenar modelos AI/ML con bibliotecas personalizadas, y sus herramientas personalizadas admiten codificación ML avanzada. Las herramientas MLOps de Vertex AI eliminan la complejidad del mantenimiento del modelo de autoservicio, optimizando las operaciones de canalización de ML y Vertex Feature Store para servir, compartir y usar funciones de ML avanzadas.
Los científicos de datos sin capacitación formal en IA/ML pueden usar Vertex AI, ya que ofrece herramientas para administrar datos, crear prototipos, experimentar e implementar modelos de ML. También les permite interpretar y monitorear los modelos AI/ML en producción.
Un año después del lanzamiento de Vertex, Google se está alineando hacia las aplicaciones del mundo real. La misión de la empresa es resolver problemas humanos, como se muestra en Google I/O. Esto probablemente signifique que sus esfuerzos se dirigirán a encontrar una forma transformadora de hacer las cosas a través de la IA.