ប្រសិនបើអ្នកបានសាកល្បងឧបករណ៍ AI ហើយឆ្ងល់ថាតើវេទមន្តពិតប្រាកដពីដើមដល់ចប់កើតឡើងនៅឯណា - ចាប់ពីការកែលម្អរហ័សរហូតដល់ការផលិតជាមួយនឹងការតាមដាន - នេះគឺជាឧបករណ៍ដែលអ្នកតែងតែឮអំពីវា។ Vertex AI របស់ Google រួមបញ្ចូលសួនកុមារគំរូ MLOps ការភ្ជាប់ទិន្នន័យ និងការស្វែងរកវ៉ិចទ័រទៅក្នុងកន្លែងតែមួយសម្រាប់កម្រិតសហគ្រាស។ ចាប់ផ្តើមដោយសាមញ្ញ បន្ទាប់មកធ្វើមាត្រដ្ឋាន។ វាកម្រមានណាស់ក្នុងការទទួលបានទាំងពីរនៅក្រោមដំបូលតែមួយ។.
ខាងក្រោមនេះគឺជាដំណើរទស្សនកិច្ចដ៏សាមញ្ញមួយ។ យើងនឹងឆ្លើយសំណួរសាមញ្ញមួយ - តើ Google Vertex AI ជាអ្វី? - ហើយក៏បង្ហាញពីរបៀបដែលវាសមនឹងជង់របស់អ្នក អ្វីដែលត្រូវសាកល្បងមុនគេ របៀបដែលតម្លៃមានឥរិយាបទ និងពេលដែលជម្រើសផ្សេងទៀតសមហេតុផលជាង។ ប្រុងប្រយ័ត្ន។ មានច្រើនណាស់នៅទីនេះ ប៉ុន្តែផ្លូវគឺសាមញ្ញជាងអ្វីដែលវាមើលទៅ។ 🙂
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើគ្រូបង្វឹក AI ជាអ្វី?
ពន្យល់ពីរបៀបដែលគ្រូបង្វឹក AI កែលម្អគំរូតាមរយៈមតិប្រតិកម្ម និងការដាក់ស្លាករបស់មនុស្ស។.
🔗 តើការធ្វើអាជ្ញាកណ្តាល AI ជាអ្វី៖ ការពិតនៅពីក្រោយពាក្យចចាមអារ៉ាម
បំបែកការធ្វើអាជ្ញាកណ្តាលដោយ AI គំរូអាជីវកម្មរបស់វា និងផលវិបាកទីផ្សារ។.
🔗 តើ AI និមិត្តរូបជាអ្វី៖ អ្វីគ្រប់យ៉ាងដែលអ្នកត្រូវដឹង
គ្របដណ្តប់លើហេតុផលផ្អែកលើតក្កវិជ្ជារបស់ AI និមិត្តរូប និងរបៀបដែលវាខុសពីការរៀនរបស់ម៉ាស៊ីន។.
🔗 តើភាសាសរសេរកម្មវិធីណាដែលប្រើសម្រាប់ AI
ប្រៀបធៀប Python, R និងភាសាផ្សេងទៀតសម្រាប់ការអភិវឌ្ឍ និងការស្រាវជ្រាវ AI។.
🔗 តើ AI ជាអ្វីជាសេវាកម្មមួយ
ពន្យល់ពីវេទិកា AIaaS អត្ថប្រយោជន៍ និងរបៀបដែលអាជីវកម្មប្រើប្រាស់ឧបករណ៍ AI ដែលមានមូលដ្ឋានលើពពក។.
តើ Google Vertex AI ជាអ្វី? 🚀
Google Vertex AI គឺជាវេទិការួបរួម និងគ្រប់គ្រងយ៉ាងពេញលេញនៅលើ Google Cloud សម្រាប់ការបង្កើត ការសាកល្បង ការដាក់ពង្រាយ និងការគ្រប់គ្រងប្រព័ន្ធ AI ដែលគ្របដណ្តប់ទាំង ML បុរាណ និង AI បង្កើតថ្មីទំនើប។ វារួមបញ្ចូលគ្នានូវស្ទូឌីយោគំរូ ឧបករណ៍ភ្នាក់ងារ បំពង់បង្ហូរទិន្នន័យ សៀវភៅកត់ត្រា បញ្ជីឈ្មោះ ការត្រួតពិនិត្យ ការស្វែងរកវ៉ិចទ័រ និងការរួមបញ្ចូលយ៉ាងជិតស្និទ្ធជាមួយសេវាកម្មទិន្នន័យ Google Cloud [1]។
និយាយឲ្យសាមញ្ញទៅ វាជាកន្លែងដែលអ្នកបង្កើតគំរូដើមជាមួយនឹងគំរូគ្រឹះ លៃតម្រូវវា ដាក់ពង្រាយដើម្បីធានាចំណុចបញ្ចប់ ធ្វើស្វ័យប្រវត្តិកម្មជាមួយនឹងបំពង់បង្ហូរប្រេង និងរក្សាអ្វីៗគ្រប់យ៉ាងឲ្យត្រូវបានត្រួតពិនិត្យ និងគ្រប់គ្រង។ យ៉ាងសំខាន់ វាធ្វើបែបនេះនៅកន្លែងតែមួយ ដែលសំខាន់ជាងអ្វីដែលវាហាក់ដូចជានៅថ្ងៃដំបូង [1]។.
គំរូរហ័សក្នុងពិភពពិត៖ ក្រុមតែងតែគូសវាសការណែនាំនៅក្នុងស្ទូឌីយោ ភ្ជាប់សៀវភៅកត់ត្រាតិចតួចបំផុតដើម្បីសាកល្បង I/O ទល់នឹងទិន្នន័យពិត បន្ទាប់មកផ្សព្វផ្សាយទ្រព្យសកម្មទាំងនោះទៅជាគំរូដែលបានចុះបញ្ជី ចំណុចបញ្ចប់ និងបំពង់បង្ហូរទិន្នន័យសាមញ្ញមួយ។ សប្តាហ៍ទីពីរជាធម្មតាគឺការត្រួតពិនិត្យ និងការជូនដំណឹង។ ចំណុចសំខាន់មិនមែនជាវីរភាពទេ - វាគឺជាការធ្វើម្តងទៀតបាន។.
អ្វីដែលធ្វើឱ្យ Google Vertex AI អស្ចារ្យ ✅
-
ដំបូលតែមួយសម្រាប់វដ្តជីវិត - គំរូដើមនៅក្នុងស្ទូឌីយោ ចុះឈ្មោះកំណែ ដាក់ពង្រាយជាបាច់ ឬពេលវេលាជាក់ស្តែង បន្ទាប់មកតាមដានការរសាត់ និងបញ្ហា។ កូដកាវតិចជាង។ ផ្ទាំងតិចជាង។ ការគេងច្រើនជាង [1]។
-
ម៉ូដែល Model Garden + Gemini - ស្វែងរក ប្ដូរតាមបំណង និងដាក់ពង្រាយម៉ូដែលពី Google និងដៃគូ រួមទាំងគ្រួសារ Gemini ចុងក្រោយបំផុត សម្រាប់ការងារអត្ថបទ និងពហុម៉ូឌុល [1]។
-
កម្មវិធីបង្កើតភ្នាក់ងារ - បង្កើតភ្នាក់ងារពហុជំហាន ដែលផ្តោតលើភារកិច្ច ដែលអាចរៀបចំឧបករណ៍ និងទិន្នន័យជាមួយនឹងការគាំទ្រការវាយតម្លៃ និងពេលវេលាដំណើរការដែលបានគ្រប់គ្រង [2]។
-
បំពង់បង្ហូរប្រេងសម្រាប់ភាពជឿជាក់ - ការរៀបចំដោយគ្មានម៉ាស៊ីនមេសម្រាប់ការហ្វឹកហ្វឺន ការវាយតម្លៃ ការលៃតម្រូវ និងការដាក់ពង្រាយដែលអាចធ្វើម្តងទៀតបាន។ អ្នកនឹងដឹងគុណខ្លួនឯងនៅពេលដែលការហ្វឹកហ្វឺនឡើងវិញលើកទីបីចាប់ផ្តើម [1]។
-
ការស្វែងរកវ៉ិចទ័រក្នុងទ្រង់ទ្រាយធំ - ការទាញយកវ៉ិចទ័រក្នុងទ្រង់ទ្រាយធំ និងមានភាពយឺតយ៉ាវទាបសម្រាប់ RAG ការណែនាំ និងការស្វែងរកន័យវិទ្យា ដែលបង្កើតឡើងនៅលើហេដ្ឋារចនាសម្ព័ន្ធកម្រិតផលិតកម្មរបស់ Google [3]។
-
ការគ្រប់គ្រងមុខងារជាមួយ BigQuery - រក្សាទិន្នន័យមុខងាររបស់អ្នកនៅក្នុង BigQuery និងបម្រើមុខងារតាមអ៊ីនធឺណិតតាមរយៈ Vertex AI Feature Store ដោយមិនចាំបាច់ចម្លងហាងក្រៅបណ្តាញ [4]។
-
សៀវភៅកត់ត្រា Workbench - បរិស្ថាន Jupyter ដែលគ្រប់គ្រងបានភ្ជាប់ទៅសេវាកម្ម Google Cloud (BigQuery, Cloud Storage ជាដើម) [1]។
-
ជម្រើស AI ប្រកបដោយការទទួលខុសត្រូវ - ឧបករណ៍សុវត្ថិភាព បូករួមទាំង ការរក្សាទុកទិន្នន័យសូន្យ (នៅពេលកំណត់រចនាសម្ព័ន្ធសមស្រប) សម្រាប់បន្ទុកការងារដែលបង្កើតបាន [5]។
បំណែកស្នូលដែលអ្នកពិតជានឹងប៉ះ 🧩
១) Vertex AI Studio - ជាកន្លែងដែលការជំរុញឱ្យរីកចម្រើន 🌱
លេង វាយតម្លៃ និងលៃតម្រូវម៉ូដែលគ្រឹះនៅក្នុង UI។ ល្អសម្រាប់ការធ្វើម្តងទៀតយ៉ាងរហ័ស ការណែនាំដែលអាចប្រើឡើងវិញបាន និងការប្រគល់ទៅផលិតកម្មនៅពេលដែលអ្វីមួយ "ចុច" [1]។.
២) សួនគំរូ - កាតាឡុកគំរូរបស់អ្នក 🍃
បណ្ណាល័យកណ្តាលនៃគំរូ Google និងដៃគូ។ រកមើល ប្ដូរតាមបំណង និងដាក់ពង្រាយដោយគ្រាន់តែចុចពីរបីដងប៉ុណ្ណោះ - ជាចំណុចចាប់ផ្តើមពិតប្រាកដជំនួសឱ្យការប្រមាញ់កំណប់ [1]។.
៣) កម្មវិធីបង្កើតភ្នាក់ងារ - សម្រាប់ស្វ័យប្រវត្តិកម្មដែលអាចទុកចិត្តបាន 🤝
នៅពេលដែលភ្នាក់ងារវិវឌ្ឍពីការបង្ហាញទៅកាន់ការងារពិត អ្នកត្រូវការឧបករណ៍ មូលដ្ឋានគ្រឹះ និងការរៀបចំ។ Agent Builder ផ្តល់នូវប្រព័ន្ធទ្រទ្រង់ (វគ្គ ធនាគារអង្គចងចាំ ឧបករណ៍ដែលភ្ជាប់មកជាមួយ ការវាយតម្លៃ) ដូច្នេះបទពិសោធន៍ពហុភ្នាក់ងារមិនដួលរលំក្រោមភាពរញ៉េរញ៉ៃក្នុងពិភពពិតទេ [2]។.
៤) បំពង់បង្ហូរប្រេង - ពីព្រោះអ្នកនឹងធ្វើម្តងទៀតដោយខ្លួនឯង 🔁
ធ្វើស្វ័យប្រវត្តិកម្មលំហូរការងារ ML និង gen-AI ជាមួយឧបករណ៍រៀបចំដែលគ្មានម៉ាស៊ីនមេ។ គាំទ្រការតាមដានវត្ថុបុរាណ និងការដំណើរការដែលអាចបង្កើតឡើងវិញបាន - សូមគិតថាវាជា CI សម្រាប់ម៉ូដែលរបស់អ្នក [1]។.
៥) តុធ្វើការ - សៀវភៅកត់ត្រាដែលគ្រប់គ្រងដោយមិនចាំបាច់កោរសក់យ៉ាក 📓
បង្កើតបរិស្ថាន JupyterLab ដ៏មានសុវត្ថិភាពជាមួយនឹងការចូលប្រើ BigQuery, Cloud Storage និងច្រើនទៀតបានយ៉ាងងាយស្រួល។ ងាយស្រួលសម្រាប់ការរុករក វិស្វកម្មលក្ខណៈពិសេស និងការពិសោធន៍ដែលបានគ្រប់គ្រង [1]។.
៦) ការចុះបញ្ជីម៉ូដែល - កំណែដែលជាប់លាប់ 🗃️
តាមដានម៉ូដែល កំណែ ពូជពង្ស និងដាក់ពង្រាយដោយផ្ទាល់ទៅកាន់ចំណុចបញ្ចប់។ បញ្ជីឈ្មោះធ្វើឱ្យការប្រគល់ទៅឱ្យវិស្វកម្មមិនសូវមានភាពស្មុគស្មាញទេ [1]។.
៧) ការស្វែងរកវ៉ិចទ័រ - RAG ដែលមិនរអាក់រអួល 🧭
ធ្វើមាត្រដ្ឋានការទាញយកអត្ថន័យជាមួយហេដ្ឋារចនាសម្ព័ន្ធវ៉ិចទ័រផលិតកម្មរបស់ Google - មានប្រយោជន៍សម្រាប់ការជជែក ការស្វែងរកអត្ថន័យ និងការណែនាំដែលភាពយឺតយ៉ាវអាចមើលឃើញដោយអ្នកប្រើប្រាស់ [3]។.
៨) ហាងលក់លក្ខណៈពិសេស - រក្សា BigQuery ជាប្រភពនៃសេចក្តីពិត 🗂️
គ្រប់គ្រង និងបម្រើមុខងារអនឡាញពីទិន្នន័យដែលមាននៅក្នុង BigQuery។ ការចម្លងតិចជាងមុន ការងារធ្វើសមកាលកម្មតិចជាងមុន និងភាពត្រឹមត្រូវកាន់តែច្រើន [4]។.
៩) ការត្រួតពិនិត្យគំរូ - ទុកចិត្ត ប៉ុន្តែត្រូវផ្ទៀងផ្ទាត់ 📈
កំណត់ពេលត្រួតពិនិត្យការរសាត់ កំណត់ការជូនដំណឹង និងតាមដានគុណភាពផលិតកម្ម។ ចរាចរណ៍នាទីៗផ្លាស់ប្តូរ អ្នកនឹងចង់បានវា [1]។.
របៀបដែលវាសមនឹងជង់ទិន្នន័យរបស់អ្នក 🧵
-
BigQuery - ហ្វឹកហាត់ជាមួយទិន្នន័យនៅទីនោះ រុញការព្យាករណ៍ជាបាច់ត្រឡប់ទៅតារាងវិញ ហើយបញ្ជូនការព្យាករណ៍ទៅក្នុងការវិភាគ ឬការធ្វើឱ្យសកម្មនៅខាងក្រោម [1][4]។
-
ការផ្ទុកទិន្នន័យលើ Cloud - រក្សាទុកសំណុំទិន្នន័យ វត្ថុបុរាណ និងលទ្ធផលគំរូដោយមិនចាំបាច់បង្កើតស្រទាប់ blob ឡើងវិញ [1]។
-
លំហូរទិន្នន័យ និងមិត្តភក្តិ - ដំណើរការដំណើរការទិន្នន័យដែលបានគ្រប់គ្រងនៅខាងក្នុងបំពង់បង្ហូរទិន្នន័យសម្រាប់ការដំណើរការជាមុន ការបង្កើនប្រសិទ្ធភាព ឬការសន្និដ្ឋានស្ទ្រីម [1]។
-
ចំណុចបញ្ចប់ ឬ បាច់ - ដាក់ពង្រាយចំណុចបញ្ចប់ពេលវេលាជាក់ស្តែងសម្រាប់កម្មវិធី និងភ្នាក់ងារ ឬដំណើរការការងារបាច់ដើម្បីរកពិន្ទុតារាងទាំងមូល - អ្នកទំនងជានឹងប្រើទាំងពីរ [1]។
ករណីប្រើប្រាស់ទូទៅដែលពិតជាមានប្រសិទ្ធភាព 🎯
-
ការជជែក អ្នកបើកយន្តហោះរួម និងភ្នាក់ងារ - ជាមួយនឹងមូលដ្ឋានទិន្នន័យរបស់អ្នក ការប្រើប្រាស់ឧបករណ៍ និងលំហូរពហុជំហាន។ Agent Builder ត្រូវបានរចនាឡើងសម្រាប់ភាពជឿជាក់ មិនមែនគ្រាន់តែភាពថ្មីថ្មោងនោះទេ [2]។
-
RAG និងការស្វែងរកន័យ - ផ្សំ Vector Search ជាមួយ Gemini ដើម្បីឆ្លើយសំណួរដោយប្រើប្រាស់ខ្លឹមសារផ្ទាល់ខ្លួនរបស់អ្នក។ ល្បឿនសំខាន់ជាងអ្វីដែលយើងធ្វើពុត [3]។
-
ML ព្យាករណ៍ - ហ្វឹកហ្វឺនគំរូតារាង ឬរូបភាព ដាក់ពង្រាយទៅចំណុចបញ្ចប់ ត្រួតពិនិត្យការរសាត់ ហ្វឹកហ្វឺនឡើងវិញជាមួយបំពង់បង្ហូរនៅពេលដែលកម្រិតត្រូវបានឆ្លងកាត់។ បុរាណ ប៉ុន្តែសំខាន់ [1]។
-
ការធ្វើឱ្យសកម្មនៃការវិភាគ - សរសេរការព្យាករណ៍ទៅ BigQuery បង្កើតទស្សនិកជន និងផ្សព្វផ្សាយយុទ្ធនាការ ឬការសម្រេចចិត្តផលិតផល។ រង្វិលជុំដ៏ល្អមួយនៅពេលដែលទីផ្សារជួបនឹងវិទ្យាសាស្ត្រទិន្នន័យ [1][4]។
តារាងប្រៀបធៀប - Vertex AI ទល់នឹងជម្រើសពេញនិយម 📊
រូបភាពរហ័ស។ មានមតិផ្ទាល់ខ្លួនបន្តិចបន្តួច។ សូមចងចាំថាសមត្ថភាព និងតម្លៃពិតប្រាកដគឺខុសគ្នាទៅតាមសេវាកម្ម និងតំបន់។.
| វេទិកា | ទស្សនិកជនល្អបំផុត | ហេតុអ្វីបានជាវាដំណើរការ |
|---|---|---|
| វើតិចស៍ អាយអាយ | ក្រុមនៅលើ Google Cloud, ការរួមបញ្ចូលគ្នារវាង gen-AI + ML | ស្ទូឌីយោបង្រួបបង្រួម បំពង់បង្ហូរទិន្នន័យ បញ្ជីឈ្មោះ ការស្វែងរកវ៉ិចទ័រ និងចំណង BigQuery ដ៏រឹងមាំ [1]។. |
| AWS SageMaker | អង្គការដំបូងគេរបស់ AWS ត្រូវការឧបករណ៍ ML ដ៏ស៊ីជម្រៅ | សេវាកម្ម ML ពេញមួយវដ្តជីវិត ដែលមានភាពចាស់ទុំ ជាមួយនឹងជម្រើសបណ្តុះបណ្តាល និងការដាក់ពង្រាយយ៉ាងទូលំទូលាយ។. |
| Azure ML | បច្ចេកវិទ្យាព័ត៌មានសហគ្រាសដែលសម្របសម្រួលដោយ Microsoft | វដ្តជីវិត ML រួមបញ្ចូលគ្នា, UI អ្នករចនា និងអភិបាលកិច្ចលើ Azure។. |
| ឃ្លាំងទិន្នន័យ ML | ក្រុម Lakehouse ដែលមានលំហូរច្រើនពីសៀវភៅកត់ត្រា | លំហូរការងារដ៏រឹងមាំដែលមានមូលដ្ឋានលើទិន្នន័យដើម និងសមត្ថភាព ML ផលិតកម្ម។. |
មែនហើយ ឃ្លានេះមិនស្មើគ្នាទេ - តារាងពិតពេលខ្លះមិនស្មើគ្នា។.
ថ្លៃដើមជាភាសាអង់គ្លេសសាមញ្ញ 💸
ភាគច្រើនអ្នកចំណាយសម្រាប់រឿងបីយ៉ាង៖
-
ការប្រើប្រាស់គំរូ សម្រាប់ការហៅទូរសព្ទបង្កើតថ្មី - កំណត់តម្លៃតាមបន្ទុកការងារ និងថ្នាក់នៃការប្រើប្រាស់។
-
គណនា សម្រាប់ការងារបណ្តុះបណ្តាល និងលៃតម្រូវតាមតម្រូវការ។
-
បម្រើ សម្រាប់ចំណុចបញ្ចប់អនឡាញ ឬការងារជាបាច់។
សម្រាប់តួលេខពិតប្រាកដ និងការផ្លាស់ប្តូរចុងក្រោយបំផុត សូមពិនិត្យមើលទំព័រកំណត់តម្លៃផ្លូវការសម្រាប់ Vertex AI និងសម្រាប់ការផ្តល់ជូនបង្កើតរបស់វា។ គន្លឹះដែលអ្នកនឹងអរគុណខ្លួនឯងសម្រាប់ពេលក្រោយ៖ ពិនិត្យមើលជម្រើសផ្តល់ និងកូតាសម្រាប់ស្ទូឌីយោ ធៀបនឹងចំណុចបញ្ចប់ផលិតកម្ម មុនពេលអ្នកដឹកជញ្ជូនអ្វីដែលធ្ងន់ៗ [1][5]។.
សន្តិសុខ អភិបាលកិច្ច និងបញ្ញាសិប្បនិម្មិត (AI) ប្រកបដោយការទទួលខុសត្រូវ 🛡️
Vertex AI ផ្តល់នូវការណែនាំ និងឧបករណ៍សុវត្ថិភាព AI ដែលមានទំនួលខុសត្រូវ បូករួមទាំងផ្លូវកំណត់រចនាសម្ព័ន្ធ ដើម្បី សម្រេចបាននូវការរក្សាទុកទិន្នន័យសូន្យ សម្រាប់បន្ទុកការងារបង្កើតជាក់លាក់ (ឧទាហរណ៍ ដោយការបិទការរក្សាទុកទិន្នន័យ និងការដកខ្លួនចេញពីកំណត់ហេតុជាក់លាក់ដែលអាចអនុវត្តបាន) [5]។ ផ្គូផ្គងវាជាមួយនឹងការចូលប្រើផ្អែកលើតួនាទី បណ្តាញឯកជន និងកំណត់ហេតុសវនកម្មសម្រាប់ការបង្កើតដែលងាយស្រួលអនុលោមតាមច្បាប់ [1]។
ពេលដែល Vertex AI ល្អឥតខ្ចោះ - និងពេលដែលវាហួសហេតុពេក 🧠
-
ល្អឥតខ្ចោះ ប្រសិនបើអ្នកចង់បានបរិស្ថានតែមួយសម្រាប់ gen-AI និង ML ការរួមបញ្ចូល BigQuery ដ៏តឹងរ៉ឹង និងផ្លូវផលិតកម្មដែលរួមបញ្ចូលបំពង់បង្ហូរទិន្នន័យ ការចុះបញ្ជី និងការត្រួតពិនិត្យ។ ប្រសិនបើក្រុមរបស់អ្នកគ្របដណ្តប់លើវិទ្យាសាស្ត្រទិន្នន័យ និងវិស្វកម្មកម្មវិធី ផ្ទៃដែលបានចែករំលែកអាចជួយបាន។
-
លើសពីសមត្ថភាព ប្រសិនបើអ្នកគ្រាន់តែត្រូវការការហៅម៉ូដែលទម្ងន់ស្រាល ឬគំរូដើមសម្រាប់គោលបំណងតែមួយ ដែលមិនត្រូវការការគ្រប់គ្រង ការបណ្តុះបណ្តាលឡើងវិញ ឬការត្រួតពិនិត្យ។ ក្នុងករណីទាំងនោះ ផ្ទៃ API ដែលសាមញ្ញជាងនេះអាចគ្រប់គ្រាន់សម្រាប់ពេលនេះ។
ចូរនិយាយដោយស្មោះត្រង់ទៅ៖ គំរូដើមភាគច្រើនងាប់ ឬដុះចង្កូម។ Vertex AI ដោះស្រាយករណីទីពីរ។.
ការចាប់ផ្តើមរហ័ស - ការសាកល្បងរសជាតិរយៈពេល 10 នាទី ⏱️
-
បើក Vertex AI Studio ដើម្បីបង្កើតគំរូដើមជាមួយគំរូ ហើយរក្សាទុកការណែនាំមួយចំនួនដែលអ្នកចូលចិត្ត។ ចាប់ផ្តើមប្រើប្រាស់អត្ថបទ និងរូបភាពពិតរបស់អ្នក [1]។
-
ភ្ជាប់ការណែនាំដ៏ល្អបំផុតរបស់អ្នកទៅក្នុងកម្មវិធី ឬសៀវភៅកត់ត្រាតិចតួចបំផុតពី Workbench ។ ល្អនិងមិនសូវប្រើប្រាស់ [1]។
-
ចុះឈ្មោះគំរូគាំទ្រ ឬទ្រព្យសកម្មដែលបានលៃតម្រូវរបស់កម្មវិធីនៅក្នុង Model Registry ដូច្នេះអ្នកមិនបោះចោលវត្ថុបុរាណដែលគ្មានឈ្មោះ [1] ឡើយ។
-
បង្កើត Pipeline ដែលផ្ទុកទិន្នន័យ វាយតម្លៃលទ្ធផល និងដាក់ពង្រាយកំណែថ្មីនៅពីក្រោយឈ្មោះក្លែងក្លាយ។ សមត្ថភាពធ្វើម្តងទៀតបានល្អជាងវីរភាព [1]។
-
បន្ថែម ការត្រួតពិនិត្យ ដើម្បីចាប់ការរសាត់អណ្តែត និងកំណត់ការជូនដំណឹងជាមូលដ្ឋាន។ អនាគតរបស់អ្នកនឹងទិញកាហ្វេឱ្យអ្នកសម្រាប់រឿងនេះ [1]។
ជាជម្រើស ប៉ុន្តែឆ្លាតវៃ៖ ប្រសិនបើករណីប្រើប្រាស់របស់អ្នកមានលក្ខណៈស្វែងរក ឬជជែកគ្នាច្រើន សូមបន្ថែម Vector Search និង grounding ចាប់ពីថ្ងៃដំបូង។ វាគឺជាភាពខុសគ្នារវាងអ្វីដែលល្អ និងមានប្រយោជន៍គួរឱ្យភ្ញាក់ផ្អើល [3]។
តើ Google Vertex AI ជាអ្វី? - កំណែខ្លី 🧾
តើ Google Vertex AI ជាអ្វី? វាគឺជាវេទិកាទាំងអស់នៅក្នុង Google Cloud ដើម្បីរចនា ដាក់ពង្រាយ និងគ្រប់គ្រងប្រព័ន្ធ AI - ចាប់ពីការបន្ទាន់រហូតដល់ការផលិត - ជាមួយនឹងឧបករណ៍ដែលភ្ជាប់មកជាមួយសម្រាប់ភ្នាក់ងារ បំពង់បង្ហូរទិន្នន័យ ការស្វែងរកវ៉ិចទ័រ សៀវភៅកត់ត្រា ការចុះឈ្មោះ និងការត្រួតពិនិត្យ។ វាត្រូវបានផ្តល់យោបល់តាមវិធីដែលជួយក្រុមដឹកជញ្ជូន [1]។
ជម្រើសផ្សេងៗដោយសង្ខេប - ការជ្រើសរើសគន្លងផ្លូវត្រឹមត្រូវ 🛣️
ប្រសិនបើអ្នកធ្លាប់ស្គាល់ AWS រួចហើយ SageMaker នឹងមានអារម្មណ៍ថាជារបស់ដើម។ ហាង Azure ច្រើនតែចូលចិត្ត Azure ML ។ ប្រសិនបើក្រុមរបស់អ្នករស់នៅក្នុងកុំព្យូទ័រយួរដៃ និងផ្ទះឯកជន Databricks ML គឺល្អឥតខ្ចោះ។ គ្មានអ្វីខុសទេ - ទំនាញទិន្នន័យ និងតម្រូវការគ្រប់គ្រងរបស់អ្នកជាធម្មតាសម្រេច។
សំណួរដែលសួរញឹកញាប់ - ការបាញ់ប្រហាររហ័ស 🧨
-
តើ Vertex AI សម្រាប់តែ AI បង្កើតប៉ុណ្ណោះឬ? No-Vertex AI ក៏គ្របដណ្តប់លើការបណ្តុះបណ្តាល ML បែបបុរាណ និងការបម្រើជាមួយមុខងារ MLOps សម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងវិស្វករ ML [1]។
-
តើខ្ញុំអាចរក្សា BigQuery ជាហាងសំខាន់របស់ខ្ញុំបានទេ? បាទ/ចាស៎ - សូមប្រើ Feature Store ដើម្បីរក្សាទិន្នន័យមុខងារនៅក្នុង BigQuery និងបម្រើវាតាមអ៊ីនធឺណិតដោយមិនចាំបាច់ចម្លងហាងក្រៅបណ្តាញ [4]។
-
តើ Vertex AI ជួយជាមួយ RAG ដែរឬទេ? Yes-Vector Search ត្រូវបានបង្កើតឡើងសម្រាប់វា ហើយធ្វើសមាហរណកម្មជាមួយ stack ដែលនៅសល់ [3]។
-
តើខ្ញុំគ្រប់គ្រងថ្លៃដើមដោយរបៀបណា? ចាប់ផ្តើមតូច វាស់វែង និងពិនិត្យមើលកូតា/ការផ្តល់ និងតម្លៃថ្នាក់បន្ទុកការងារ មុនពេលធ្វើមាត្រដ្ឋាន [1][5]។
ឯកសារយោង
[1] Google Cloud - សេចក្តីផ្តើមអំពី Vertex AI (ទិដ្ឋភាពទូទៅនៃវេទិកាបង្រួបបង្រួម) - អានបន្ថែម
[2] ទិដ្ឋភាពទូទៅនៃ Google Cloud - Vertex AI Agent Builder - អានបន្ថែម
[3] Google Cloud - ប្រើប្រាស់ការស្វែងរកវ៉ិចទ័រ Vertex AI ជាមួយម៉ាស៊ីន Vertex AI RAG - អានបន្ថែម
[4] Google Cloud - សេចក្តីផ្តើមអំពីការគ្រប់គ្រងមុខងារនៅក្នុង Vertex AI - អានបន្ថែម
[5] Google Cloud - ការរក្សាទុកទិន្នន័យអតិថិជន និងការរក្សាទុកទិន្នន័យសូន្យនៅក្នុង Vertex AI - អានបន្ថែម