Roberto Panai
Mitglied seit 2020
Mitglied seit 2020
This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud. MLOps is a discipline focused on the deployment, testing, monitoring, and automation of ML systems in production. Learners will get hands-on practice using Vertex AI Feature Store's streaming ingestion at the SDK layer.
Gemini Enterprise ist ein leistungsstarkes Tool, das das Fachwissen von Google in den Bereichen Suche und KI zusammenbringt. Mitarbeitende können damit bestimmte Informationen in Dokumentenspeichern, E‑Mails, Chats, Ticketsystemen und anderen Datenquellen über eine einzige Suchleiste finden. Der Gemini Enterprise-Assistent kann sie auch beim Brainstorming, der Recherche oder der Strukturierung von Dokumenten unterstützen und zum Beispiel Kollegen zu einem Kalendertermin einladen, um die Wissensarbeit und Zusammenarbeit zu beschleunigen. (Gemini Enterprise hieß früher Google Agentspace. In diesem Kurs kann es daher noch Verweise auf den alten Produktnamen geben.)
In diesem Kurs lernen Sie die KI- und ML-Funktionen von Google Cloud kennen. Der Schwerpunkt liegt auf der Entwicklung von Projekten mit generativer und prädiktiver KI. Dabei werden die verschiedenen Technologien, Produkte und Tools vorgestellt, die für den gesamten Lebenszyklus der Datenaufbereitung für KI verfügbar sind. Data Scientists, KI-Entwickler*innen und ML-Engineers können ihr Fachwissen durch interaktive Übungen erweitern.
Dieser Kurs vermittelt Ihnen das Wissen und die nötigen Tools, um die speziellen Herausforderungen zu erkennen, mit denen MLOps-Teams bei der Bereitstellung und Verwaltung von Modellen basierend auf generativer KI konfrontiert sind. Sie erfahren, wie KI-Teams durch Vertex AI dabei unterstützt werden, MLOps-Prozesse zu optimieren und mit Projekten erfolgreich zu sein, in denen generative KI zum Einsatz kommt.
This course explores the benefits of using Vertex AI Feature Store, how to improve the accuracy of ML models, and how to find which data columns make the most useful features. This course also includes content and labs on feature engineering using BigQuery ML, Keras, and TensorFlow.