Na seção anterior deste curso, conhecemos as opções de machine learning disponÃveis no Google Cloud. Agora, vamos ver o fluxo de trabalho de machine learning com a Vertex AI. Desde a preparação de dados ao treinamento de modelo e, por último, a implantação do modelo. A Vertex AI é a plataforma de IA do Google, que fornece aos desenvolvedores e cientistas de dados um ambiente unificado para criar modelos personalizados de ML. Esse processo não é muito diferente de servir pratos em um restaurante. Começamos com a preparação dos ingredientes crus, e vamos até servir pratos em uma mesa. Posteriormente nesta seção, vamos praticar, criando um modelo completo de machine learning usando o AutoML na Vertex AI. Mas, antes de nos aprofundarmos, vamos ver as diferenças básicas entre machine learning e programação comum. Na programação comum, resumidamente, um mais um é igual a dois. Dados mais regras, ou seja, os algoritmos, geram respostas. Na programação comum, um computador pode apenas seguir os algoritmos que uma pessoa define. Mas e se tivermos preguiça de planejar todos os algoritmos? Ou se os algoritmos forem complexos demais para serem planejados? Nessa hora, o machine learning entra em cena. Com machine learning, você coloca uma grande quantidade de dados em uma máquina junto de respostas que espera que um modelo conclua dos dados. Depois, você seleciona um modelo de machine learning. Então, você espera a máquina aprender com os dados fornecidos e exemplos, para resolver as charadas sozinha. Então, em vez de dizer para a máquina como fazer uma adição, você fornece pares de números e a resposta. Por exemplo, um, um e dois; dois, três e cinco. Então, pede para ela decifrar sozinha como fazer a adição. Mas como é possÃvel uma máquina aprender a resolver charadas? Para o machine learning funcionar, você precisa de muito armazenamento, como o que está disponÃvel no Cloud Storage, e a capacidade de fazer cálculos rápidos, como no Cloud Computing. Há muitos exemplos práticos dessa capacidade. Por exemplo, ao ingerir no Google muitas fotos com tags, é possÃvel ensinar ao software como associar e anexar tags automaticamente em novas fotos. Depois, as tags podem ser usadas na função de pesquisa ou até mesmo para criar álbuns automaticamente. Você consegue imaginar outros exemplos em que aplicar as capacidades do machine learning? Pense nisso por um momento. Há três estágios principais nesse processo de aprendizado. O primeiro é a preparação de dados. Para aprender, um modelo precisa de uma grande quantidade de dados. Os dados usados no ML podem ser de streaming, em tempo real ou dados em lote, e podem ser estruturados, que são números e texto salvos em tabelas, ou não estruturados, que não podem ser colocados em tabelas, como imagens e vÃdeos. O segundo estágio é treinar o modelo. Um modelo precisa de muito treinamento iterativo. Ou seja, o treinamento e a avaliação formam um ciclo para treinar dados, depois para avaliá-los e então treinar ainda mais. O terceiro e último estágio é a disponibilização do modelo. Um modelo precisa ser usado para prever resultados. É quando o modelo de machine learning é implantado, monitorado e gerenciado. Se você não colocar um modelo de ML na produção, ele não terá uso e será um modelo apenas teórico. Mencionamos que o fluxo de trabalho de machine learning na Vertex AI é parecido com trabalhar em um restaurante. Se você comparar esses estágios com um restaurante, a preparação dos dados é a preparação dos ingredientes. O treinamento do modelo são experimentos com receitas novas. A disponibilização do modelo é finalizar o menu para servir para os clientes. É importante observar que um fluxo de trabalho de ML não é linear. Ele é iterativo. Por exemplo, durante o treinamento do modelo pode ser preciso voltar para analisar os dados brutos e gerar recursos mais úteis para ingerir no modelo. Ao monitorar o modelo durante a disponibilização, talvez você encontre deslocamento de dados ou a acurácia da sua previsão piore de repente. Talvez precise verificar as origens dos dados e ajustar os parâmetros do modelo. Felizmente, essas etapas podem ser automatizadas com operações de ML ou MLOps. Vamos ver mais detalhes sobre isso em breve. Como a Vertex AI suporta esse fluxo de trabalho? Lembre-se que a Vertex AI fornece duas opções para criar modelos de ML. O AutoML, que é uma solução sem código, e treinamento personalizado, que é uma solução com código. A Vertex AI fornece muitos recursos para dar suporte ao fluxo de trabalho de ML, e são todos acessÃveis pelo AutoML ou pelo Vertex AI Workbench. Os exemplos incluem o Feature Store, que fornece um repositório centralizado para organização, armazenamento e exibição de recursos para ingerir no treinamento. O Vizier, para ajuste de hiperparâmetros em modelos complexos de machine learning. O Explainable AI, que ajuda com interpretação do desempenho do treinamento. E pipelines, que ajudam a monitorar a linha de produção de ML.
