大约一年前，谷歌宣布推出 Vertex AI，这是一个托管人工智能平台，旨在帮助公司加速人工智能模型的部署。为了纪念这项服务的周年纪念和谷歌应用机器学习峰会的启动，谷歌今天早上宣布了前往 Vertex 的新功能，包括用于人工智能系统训练和“基于示例”的解释的专用服务器。
谷歌云集团产品经理亨利·塔彭通过电子邮件告诉 TechCrunch：“我们一年前推出了 Vertex AI，目标是启用新一代人工智能，使数据科学家和工程师能够完成富有成就感和创造性的工作。” “我们今天推出的新 Vertex AI 功能将继续加速跨组织部署机器学习模型，并使 AI 民主化，以便更多人可以在生产中部署模型、持续监控并通过 AI 推动业务影响。”
正如 Google 历来所宣传的那样，Vertex 的优势在于它将用于 AI 的 Google Cloud 服务整合到统一的 UI 和 API 下。谷歌声称，包括福特、希捷、Wayfair、Cashapp、Cruise 和 Lowe’s 在内的客户使用该服务在单一环境中构建、训练和部署机器学习模型——将模型从实验转移到生产。
Vertex 与来自 Amazon Web Services 和 Azure 等云提供商的托管 AI 平台竞争。从技术上讲，它属于称为 MLOps 的平台类别，这是企业运行 AI 的一组最佳实践。德勤预测，到 2025 年，MLOps 市场价值将达到 40 亿美元，自 2019 年以来增长近 12 倍。
Gartner预计，像 Vertex 这样的托管服务的出现将导致云市场在 2021 年增长 18.4%，预计云计算将占全球 IT 总支出的 14.2%。 Gartner 在 2020 年 11 月的一项研究中写道：“随着企业增加对移动性、协作和其他远程工作技术和基础设施的投资，公共云的增长 [将] 持续到 2024 年。”
新能力
Vertex 的新功能之一是 AI Training Reduction Server，谷歌称这项技术可以优化 Nvidia GPU 上多系统分布式训练的带宽和延迟。在机器学习中，“分布式训练”是指将训练系统的工作分散到多台机器、GPU、CPU 或定制芯片上，从而减少完成训练所需的时间和资源。
“这显着减少了大型语言工作负载（如BERT ）所需的训练时间，并进一步实现了不同方法之间的成本平价，”谷歌云 AI 副总裁兼总经理 Andrew Moore 今天在谷歌云博客上的一篇文章中表示。 “在许多关键任务业务场景中，缩短的培训周期使数据科学家能够在部署窗口的限制内训练具有更高预测性能的模型。”
在预览版中，Vertex 现在还具有表格工作流，旨在为模型创建过程带来更大的可定制性。正如 Moore 解释的那样，表格工作流允许用户选择他们希望 Google 的“AutoML”技术处理工作流的哪些部分，以及他们想自己设计哪些部分。 AutoML 或自动化机器学习——不是谷歌云或 Vertex 独有的——包含任何自动化人工智能开发方面的技术，并且可以触及从原始数据集开始到构建准备部署的机器学习模型的开发阶段。 AutoML 可以节省时间，但并不总是能胜过人工操作——尤其是在需要精确度的地方。
“表格工作流的元素也可以集成到您现有的 Vertex AI 管道中，”摩尔说。 “我们添加了新的托管算法，包括 TabNet 等高级研究模型、用于特征选择的新算法、模型蒸馏等等。”
对于开发管道而言，Vertex 还获得了与无服务器 Spark 的集成（预览版），后者是 Apache 维护的用于数据处理的开源分析引擎的无服务器版本。现在，Vertex 用户可以启动无服务器 Spark 会话来交互式地开发代码。
在其他地方，客户可以分析 Neo4j 平台中的数据特征，然后使用与 Neo4j 建立新合作伙伴关系的 Vertex 部署模型。而且 – 由于 Google 和 Labelbox 之间的合作 – 现在可以更轻松地从 Vertex 仪表板访问 Labelbox 的图像、文本、音频和视频数据的数据标签服务。大多数 AI 模型都需要标签来学习进行预测；模型训练识别标签（也称为注释）和示例数据（例如，标题“青蛙”和青蛙照片）之间的关系。
如果数据被贴错标签，Moore 会提供基于示例的解释作为解决方案。在预览版中，新的 Vertex 功能利用“基于示例”的解释来帮助诊断和处理数据问题。当然，没有任何可解释的 AI 技术可以捕捉到每一个错误。计算语言学家 Vagrant Gautam 告诫不要过度信任用于解释 AI 的工具和技术。
“谷歌有一些限制文档和一份关于可解释人工智能的更详细的白皮书，但任何地方都没有提到这些[今天的 Vertex AI 公告]，”他们通过电子邮件告诉 TechCrunch。 “公告强调，‘技能熟练程度不应成为参与的门槛’，他们提供的新功能可以‘为非软件专家扩展人工智能’。我担心的是，非专家对 AI 和 AI 可解释性的信心超出了他们应有的程度，现在各种 Google 客户可以更快地构建和部署模型，而不会停下来询问这是否是一个首先需要机器学习解决方案的问题，并称他们的模型是可解释的（因此是值得信赖的和好的），而不知道他们的特定案例的限制的全部程度。”
尽管如此，Moore 建议当与其他模型审计实践结合使用时，基于示例的解释可能是一个有用的工具。
“数据科学家不需要成为基础架构工程师或运营工程师，也可以在不断变化的环境中保持模型的准确性、可解释性、可扩展性、抗灾性和安全性，”Moore 补充道。 “我们的客户需要工具来轻松管理和维护机器学习模型。 “
原文： https://techcrunch.com/2022/06/09/google-expands-vertex-its-managed-ai-service-with-new-features/