Tutorial de Vertex AI: Dominar el Aprendizaje Automático con la Plataforma de Google

Vertex AI, una plataforma sólida de aprendizaje automático (ML), te invita a explorar un mundo de posibilidades para capacitar, implementar y personalizar modelos de ML y aplicaciones de IA. Abre la puerta para aprovechar el potencial de los grandes modelos de lenguaje (LLM) dentro de tus proyectos impulsados por IA.

Esta plataforma integra a la perfección los flujos de trabajo de ingeniería de datos, ciencia de datos e ingeniería de aprendizaje automático, fomentando la colaboración entre tus equipos. Al aprovechar un conjunto de herramientas compartido, Vertex AI te permite escalar aplicaciones y cosechar los frutos de la destreza de Google Cloud.

Opciones de Entrenamiento e Implementación: Explora tu Camino con Vertex AI

1. AutoML Brilliance: Con AutoML, la capacitación se vuelve sencilla. Los datos tabulares, de imágenes, texto o video se pueden entrenar sin código, evitando las complejidades de la preparación de datos.
2. Dominio Personalizado: Adéntrate en el ámbito del entrenamiento personalizado, donde reina el control absoluto. Tu marco de aprendizaje automático preferido da forma al viaje, tu código guía el proceso y las opciones de ajuste de hiperparámetros se convierten en tu brújula.
3. Exploración del Jardín Modelo: El jardín modelo te llama: un oasis de descubrimiento, pruebas, personalización e implementación. Aquí, Vertex AI se entrelaza con modelos y activos de código abierto, ofreciendo un rico campo de juego para la innovación.
4. Horizonte de IA Generativa: El horizonte se amplía con la IA generativa, otorgando acceso a los amplios modelos de IA generativa de Google. El texto, el código, las imágenes y la voz se convierten en tu lienzo, que puede ajustarse e implementarse dentro de tu ámbito impulsado por la IA.

Despliegue y MLOps: Una Sinfonía de Automatización y Escalabilidad

Después de la implementación del modelo, se despliegan las herramientas MLOps de Vertex AI: una sinfonía de automatización y escalabilidad que resuena a lo largo del ciclo de vida del aprendizaje automático.

Estas herramientas, implementadas en una infraestructura administrada, se adaptan a tus necesidades presupuestarias y de desempeño, ofreciendo una imagen de un viaje ágil y efectivo.

Tutorial de IA de Vertex: Primeros Pasos hacia el Dominio de la Inteligencia Artificial

Primeros Pasos: Requisitos Previos

Para completar con éxito este tutorial, necesitarás una suscripción activa a Google Cloud y el SDK de Google Cloud instalado en tu estación de trabajo. Con estas herramientas implementadas, estarás listo para sumergirte en el apasionante mundo de la IA y el aprendizaje automático.

Paso 1: Creación del Conjunto de Datos

La creación de un conjunto de datos es la base para construir un modelo de IA eficaz. En este paso, nos centraremos en cargar imágenes y etiquetarlas con fines de capacitación. Con Google Vertex AI AutoML, el proceso de capacitación requiere una intervención mínima, lo que lo hace ideal para quienes son nuevos en la IA o con experiencia limitada en codificación.

Para este tutorial, usaremos un conjunto de datos de imágenes que contienen rostros con y sin máscaras, creado por Prajna Bhandary. Empleó técnicas de aumento de imágenes para generar más de 600 imágenes para cada clase, proporcionando datos suficientes para que AutoML haga su magia.

Subir Imágenes a Google Cloud Storage

Comienza creando un depósito de Google Cloud Storage para almacenar tu conjunto de datos. Utiliza los siguientes comandos para iniciar el proceso de creación del depósito:

bashCopy code

BUCKET=j-mask-nomask REGION=EUROPE-WEST4 gsutil mb -l $REGION -c STANDARD gs://$BUCKET

Recuerda ajustar el nombre del depósito y la región según sea necesario.

A continuación, clona el repositorio de GitHub que contiene el conjunto de datos en tu máquina local:

bashCopy code

git clone https://github.com/prajnasb/observations.git

Navega hasta el directorio de datos y ejecuta los siguientes comandos para cargar imágenes en el depósito:

bashCopy code

gsutil cp -r con_mask gs://$BUCKET gsutil cp -r sin_mask gs://$BUCKET

Asegúrate de ejecutar estos comandos en ventanas de terminal separadas para cargar imágenes desde ambos directorios simultáneamente.

Paso 2: Generar un Archivo CSV

Para crear un archivo CSV que contenga la ruta y la etiqueta de cada imagen, usaremos un script BASH simple. Ejecuta los siguientes comandos para generar entradas para imágenes con máscaras:

bashCopy code

for filename in with_mask/*.jpg; do [ -e "$filename" ] || continue; echo "gs://$BUCKET/$filename,mask" >> mask-ds.csv; done

Repite el proceso para imágenes sin máscaras:

bashCopy code

for filename in without_mask/*.jpg; do [ -e "$filename" ] || continue; echo "gs://$BUCKET/$filename, no mask" >> mask-ds.csv; done

Carga el archivo CSV generado en el depósito:

bashCopy code

gsutil cp mask-ds.csv gs://$BUCKET

Paso 3: Crear un Conjunto de Datos de Vertex AI

Con tus datos listos, es hora de crear un conjunto de datos de Vertex AI. Sigue estos pasos:

1. Accede al panel de Vertex AI en Google Cloud Console y habilita la API.
2. Elige la región que desees y haz clic en «Crear conjunto de datos».
3. Proporciona un nombre para el conjunto de datos y selecciona «Clasificación de imágenes» con una sola etiqueta.
4. Importa archivos desde Cloud Storage seleccionando el archivo CSV que cargaste anteriormente.

El proceso de importación tardará unos minutos. Una vez completado, verás las imágenes etiquetadas y sin etiquetar en el conjunto de datos.

Aprovechando la Flexibilidad de Vertex AI

Vertex AI presenta un espectro de herramientas que incluyen el SDK de Python para el aprendizaje automático holístico dentro de Vertex AI Workbench, diversas interfaces como Google Cloud Console, la línea de comandos de gcloud y más, lo que garantiza adaptabilidad y empoderamiento en todos tus esfuerzos de IA.

¿Cómo se Puede Emplear Vertex AI para la Construcción e Implementación de Tus Modelos?

Utilización de Vertex AI para la Creación e Implementación de Modelos:

En el contexto de la creación e implementación de modelos, esta sección ofrece una visión integral del flujo de trabajo de aprendizaje automático facilitado por Vertex AI.

1. Preparación de Datos

Comienza con la extracción y el refinamiento de datos, realiza un análisis de datos exploratorio (EDA) para comprender el esquema de datos anticipado y los rasgos requeridos por el modelo de ML. Emplea modificaciones de datos e ingeniería de funciones, y segmenta los datos en conjuntos de entrenamiento, validación y prueba. Aprovecha los portátiles integrados Vertex AI Workbench para explorar y visualizar datos, donde la perfecta integración con Cloud Storage y BigQuery acelera el acceso y el procesamiento de datos. Para conjuntos de datos más grandes, optimiza el procesamiento con Dataproc Serverless Spark a través de Vertex AI Workbench, eliminando la necesidad de administrar clústeres de Dataproc individuales.

2. Formación Modelo

Profundiza en las metodologías de formación, eligiendo la que se adapte a las necesidades de formación de tu modelo. Para aquellos reacios a la codificación, la descripción general de AutoML ofrece una ruta de entrenamiento de modelos sin código. AutoML admite diversos tipos de datos como tabulares, imágenes, texto y vídeo. Alternativamente, adopta una capacitación personalizada elaborando tu código de capacitación dentro de tu marco de aprendizaje automático favorito.

Adapta tus modelos optimizando hiperparámetros a través de trabajos de ajuste personalizados o aprovecha la experiencia de Vertex AI Vizier en el ajuste de modelos ML complejos. Aprovecha los experimentos de Vertex AI para experimentar con distintas técnicas de aprendizaje automático y evaluar sus resultados.

3. Evaluación e Iteración del Modelo

Cambia el enfoque a la evaluación de modelos, refinando tu modelo en función de métricas de evaluación y mejoras iterativas. Utiliza métricas como la precisión y la recuperación para evaluar el rendimiento del modelo, aprovechando Vertex AI Model Registry para el control de versiones y las transiciones de producción. Ya sea a través del flujo de trabajo de Vertex AI Model Registry o Vertex AI Pipelines, las evaluaciones se pueden integrar perfectamente.

4. Servicio Modelo

Transición a la implementación de modelos con predicciones listas para producción. Implementa modelos entrenados a medida utilizando contenedores prediseñados o personalizados, que ofrecen predicciones en línea en tiempo real. Facilita predicciones por lotes asincrónicas sin implementación de endpoints. El tiempo de ejecución optimizado de TensorFlow reduce aún más la latencia y el costo, superando a los contenedores de TensorFlow Serving de código abierto. En escenarios que involucran modelos tabulares, Vertex AI Feature Store sirve como repositorio, facilitando el aprovisionamiento de funciones y el monitoreo del estado de las mismas. Vertex Explicable AI ayuda a la comprensión al atribuir características a las predicciones del modelo, al mismo tiempo que identifica instancias de conjuntos de datos de entrenamiento mal etiquetados.

5. Seguimiento del Modelo

Con tu modelo implementado en funcionamiento, supervisa atentamente su rendimiento. Aprovecha el monitoreo del modelo Vertex AI para examinar el sesgo del servicio de entrenamiento y la desviación de la predicción, notificándote rápidamente cuando los datos de predicción entrantes se desvíen significativamente de la línea de base establecida.

Conclusión: Vertex AI, tu Socio Integral en el Viaje de la IA

En resumen, Vertex AI ofrece una amplia gama de tutoriales que cubren varios flujos de trabajo de IA, abarcando tareas como la creación de conjuntos de datos a partir de datos tabulares, el entrenamiento de modelos de clasificación utilizando AutoML y la implementación de modelos para predicciones en línea. Para iniciar tu viaje con Vertex AI, puedes establecer un proyecto, configurar un entorno de desarrollo, instalar el SDK de Vertex AI para Python y explorar modelos y API de AI.

Además, puedes crear modelos de ML personalizados con Vertex AI a través de instrucciones paso a paso en videos de YouTube o crear canales de Vertex AI personalizados para MLOps utilizando un tutorial completo de Towards Data Science.

En general, Vertex AI sirve como una plataforma integrada que fusiona ingeniería de datos, ciencia de datos e ingeniería de aprendizaje automático, fomentando la colaboración entre equipos a través de herramientas compartidas y aprovechando las ventajas de las capacidades de Google Cloud. ¡Explora, aprende y domina el aprendizaje automático con Vertex AI!