机器学习目前在学术界和工业界十分流行，大数据推荐为其最常见的使用场景，购物APP如何通过大数据分析和模型训练对每个用户进行分析，并且根据用户习惯推送适当的内容，这一切都依赖于机器学习。

Tensorflow 永远是机器学习绕不过去的机器学习软件库，至今为止仍是机器学习最流行的软件库。Tensorflow 最初由谷歌大脑团队开发，用于Google 的研究和生产，于2015年11月9日在 Apache 2.0开源许可证下发布。谷歌利用 Tensorflow 支持其谷歌翻译、谷歌地图、谷歌相册、Gmail 等多项业务，Tensorflow 使用了谷歌专为机器学习研发的集合电路 TPU，TPU 是一个可编程的人工智能加速器，提供高吞吐量的低精度计算（如8位），面向使用或运行模型而不是训练模型。Google 在公布 TPU 的时候就宣称他们已经在数据中心中运行 TPU 长达一年多，发现它们对机器学习提供一个数量级更优的每瓦特性能。

Tensorflow同样应用在谷歌云平台上，目前谷歌云平台上搭载了以下的机器学习工具：

• AutoML：分析图像、视频、text files、tabular data 的自定义机器学习训练模型；
  Natural Language AI：提取、分析和存储非结构语言的机器学习产品；
  Vision AI: 识别人脸、普通图像，从图像中识别情绪等；
  Translation AI：可以机器检测100多种语言，且进行自动翻译的语言识别和翻译工具；
  Vertex AI：无代码的AI 平台。

Vertex AI：无代码的AI 平台

谷歌云平台早在之前就已经搭载了AutoML、Natural Language AI、Translation AI 等机器学习工具，一直有大量强大的 AI/ML 产品，但并不总是清楚这些产品如何组合在一起，或者可以一起使用。例如，AutoML、AI Platform 以及用于视觉、语音和文本的各个 AI API 可以组合在一起。

于是在今年5月19日开幕的 I/O 2021 大会上，谷歌隆重介绍了 Vertex AI 。作为一个新的托管机器学习平台，其旨在帮助开发者更轻松地部署和维护其 AI 模型。Vertex AI 集合之前谷歌云已有的机器学习API，同时又开发一部分新功能，包括可提高实验速度的Vertex Vizie，和用来共享和重用机器学习功能的Vertex Feature Store，还有可以加速生产环境模型部署的Vertex Experiments。而Vertex AI也支持边缘人工智能应用，Vertex ML Edge Manager 让用户可以使用自动化流程和API，在边缘部署和监控模型。

Vertex AI仅需要其他机器学习平台，训练模型所需程序码的20％，不只大幅降低开发工作负担，也使得各种专业知识等级的数据科学家和机器学习工程师，都能拥有机器学习操作（MLOps）的能力，以便在整个开发过程中，有效地建构和管理机器学习专案生命周期。

Vertex AI 提供了四个概念的统一定义/实现：

Dataset 数据集：数据集可以是结构化的或非结构化的。 它具有管理的元数据，包括注释，并且可以存储在 GCP 上的任何位置。 意识到这就是愿景——目前仅支持 Cloud Storage 和 BigQuery。

Training pipeline 训练管道：训练管道是一系列容器化步骤，可用于使用数据集训练 ML 模型。 容器化有助于泛化、可再现性和可审计性。

Model 模型：是具有元数据的 ML 模型，该元数据是使用训练管道构建的或直接加载的（只要它采用兼容的格式）。

Endpoint 端点：用户可以调用端点进行在线预测和解释。 它可以有一个或多个模型，以及这些模型的一个或多个版本，并根据请求进行消歧。

在训练过程中，仅需要导入数据集，然后应用模型进行训练，即可简单得到预测的数据，当然这样的数据并不适用于生产环境，但是可以通过自己设置训练模型，导入自己的代码来进行调整，Vertex AI 的意义在于提供一个可以运行机器学习全生命流程的平台，从而简化机器学习，降低机器学习的门槛。

以上就是关于谷歌云Vertex AI 的介绍，如果有谷歌云及谷歌地图、谷歌办公套件的需求，欢迎随时联系我们Cloud Ace，不仅提供谷歌云服务，还有专职工程师协助使用谷歌云，公司可以零基础上手谷歌云，也没有后续使用上的担忧！