谷歌周四宣布了其 Vertex AI 平台的一系列新产品功能和合作伙伴关系，旨在使机器学习模型更容易大规模部署到生产环境中。 新工具、功能和合作伙伴关系将于美国东部时间今天中午举行的虚拟应用人工智能峰会上预览。
新的 Vertex AI 功能
训练缩减服务器
Vertex AI Training Reduction Server 同时支持 Tensorflow 和 PyTorch，可优化带宽并减少 NVIDIA GPU 上多节点分布式训练的延迟。 据谷歌称，TRS“显着减少了 BERT 等大型语言工作负载所需的训练时间，并进一步实现了不同方法之间的成本平价。”
TRS 还通过将 12 个部署步骤减少为一次单击，简化了 Jupyter Notebook 的部署。 此功能旨在帮助消除日常任务并加速 ML 部署到生产中。
表格工作流程
表格工作流包括玻璃盒和托管 AutoML 管道，使用户可以查看和解释模型构建和部署过程中的每个步骤。 这使得数据科学家能够在不牺牲准确性的情况下训练超过 TB 的大型数据集。 用户可以选择他们想要自动化流程的哪些部分以及他们自己设计的部分。
表格工作流的元素也可以集成到现有的 Vertex AI 管道中。 谷歌还添加了新的托管算法，包括 TabNet、模型特征选择和模型蒸馏等高级研究模型。 工作流程的未来新增内容将包括 Google 专有模型（如 Temporal Fusion Transformers）以及开源模型（如 XGboost 和 Wide & Deep）。
无服务器 Spark
为了快速将 ML 模型部署到生产中，并进一步将数据建模功能直接集成到数据科学环境中，Google 宣布推出 Serverless Spark 工具，并与 Neo4j 和 Labelbox 合作，帮助 ML 模型构建者处理结构化数据、图形数据和 非结构化数据。
对于结构化数据，Google Serverless Spark 将允许数据科学家在他们的笔记本上启动无服务器 Spark 会话并交互式开发代码。
对于图形数据，Google 宣布与 Neo4j 建立合作伙伴关系，让数据科学家能够探索、分析和设计 Neo4j 中连接数据的功能，然后从单一平台使用 Vertex AI 部署模型。 使用 Neo4j 图形数据科学和 Vertex AI，数据科学家可以在欺诈和异常检测、推荐引擎、客户 360 度和物流等用例中利用基于图形的输入。
对于非结构化数据，Google 与 Labelbox 的合作允许数据科学家使用非结构化数据在 Vertex AI 上构建机器学习模型。
基于示例的解释
为了帮助数据科学家管理和维护正在生产的 ML 模型，Google 正在预览 Vertex AI 基于示例的解释。 使用基于示例的解释来快速诊断和处理问题，数据科学家可以识别训练数据中错误标记的示例，或发现要收集哪些数据以提高模型准确性。
