Περίληψη άρθρου:
Η πλατφόρμα Vertex AI της Google ανακοίνωσε διάφορα νέα προϊόντα για την ενίσχυση της παραγωγικότητας και της συνεργασίας των επιστημόνων δεδομένων, καθώς και για τη βελτίωση της διαχείρισης των MLOps. Ένα από αυτά τα προϊόντα είναι το Colab Enterprise, το οποίο συνδυάζει την ευκολία χρήσης των σημειωματάριων Colab της Google με υποστήριξη ασφάλειας και συμμόρφωσης σε επίπεδο επιχείρησης. Μια άλλη ανακοίνωση είναι η υποστήριξη του Ray on Vertex AI, ενός πλαισίου υπολογισμού ανοιχτού κώδικα που επιτρέπει την αποτελεσματική κλιμάκωση των φορτίων εργασίας ΤΝ. Επιπλέον, η Vertex AI προωθεί το MLOps για τη γεννητική ΤΝ με χαρακτηριστικά όπως η ρύθμιση μεταξύ των τρόπων, η αξιολόγηση μοντέλων και μια νέα έκδοση του Feature Store με υποστήριξη embeddings. Αυτές οι ενημερώσεις έχουν ως στόχο να παρέχουν στους οργανισμούς ολοκληρωμένα εργαλεία για την προώθηση των πρακτικών ΤΝ στην εποχή της γενεσιουργού ΤΝ.
Το Google Vertex AI προσφέρει κοινή χρήση χαρακτηριστικών με σύνολα δεδομένων BigQuery, υποστήριξη ενσωματόσεων και MLOps για generative ΤΝ για την ενίσχυση των πρακτικών ΤΝ των επιχειρήσεων.

Κύρια σημεία του άρθρου:

• Έναρξη της λειτουργίας του Colab Enterprise, μιας διαχειριζόμενης υπηρεσίας που συνδυάζει την ευκολία χρήσης των σημειωματάριων Colab της Google με δυνατότητες υποστήριξης ασφάλειας και συμμόρφωσης σε επίπεδο επιχείρησης.
• Επέκταση της υποστήριξης ανοιχτού κώδικα του Vertex AI με την ανακοίνωση του Ray on Vertex AI για την αποτελεσματική κλιμάκωση των φόρτων εργασίας AI.
• Παρουσίαση νέων χαρακτηριστικών MLOps για το gen AI, συμπεριλαμβανομένης της ρύθμισης σε όλους τους τρόπους, της αξιολόγησης μοντέλων και μιας νέας έκδοσης του Vertex AI Feature Store με υποστήριξη embeddings.
• Υποστήριξη μιας σειράς πλαισίων ανοικτού κώδικα, όπως τα Tensorflow, PyTorch, scikit-learn και XGBoost.
• Παρουσίαση νέων χαρακτηριστικών για την ενίσχυση των MLOps for gen AI, συμπεριλαμβανομένων των Automatic Metrics, Automatic Side by Side και Feature Store με υποστήριξη για embeddings.

Αναλυτικά το άρθρο:
Πριν από τρία χρόνια, εγκαινιάσαμε το Vertex AI με στόχο την παροχή της καλύτερης πλατφόρμας AI/ML για την επιτάχυνση του φόρτου εργασίας AI - μία πλατφόρμα, κάθε εργαλείο ML που χρειάζεται ένας οργανισμός. Πολλά έχουν αλλάξει από τότε, ειδικά φέτος, με το Vertex AI να προσθέτει υποστήριξη για την παραγωγική ΤΝ, συμπεριλαμβανομένων προϊόντων φιλικών προς τους προγραμματιστές για τη δημιουργία εφαρμογών για κοινές περιπτώσεις χρήσης της γενικής ΤΝ, και πρόσβαση σε πάνω από 100 μεγάλα μοντέλα από την Google, συνεργάτες ανοικτού κώδικα και τρίτους. 

Ενώ αυτό έχει διευρύνει σημαντικά το φάσμα των χρηστών του Vertex AI, το οποίο περιλαμβάνει πλέον πολλούς προγραμματιστές που εργάζονται για πρώτη φορά με ΤΝ, η επιστήμη δεδομένων και η μηχανική μηχανικής μάθησης παραμένουν ο πυρήνας της εστίασής μας. Έχοντας αυτό κατά νου, είμαστε ενθουσιασμένοι που ανακοινώνουμε διάφορα νέα προϊόντα για το Vertex AI που μπορούν να επιτρέψουν στους επιστήμονες δεδομένων να επιτύχουν καλύτερη παραγωγικότητα και συνεργασία και στους οργανισμούς να διαχειριστούν καλύτερα τα MLOps.

Ξεκινώντας σήμερα σε δημόσια προεπισκόπηση με GA προγραμματισμένο για τον Σεπτέμβριο, το Colab Enterprise προσφέρει μια διαχειριζόμενη υπηρεσία που συνδυάζει την ευκολία χρήσης των σημειωματάριων Colab της Google με δυνατότητες υποστήριξης ασφάλειας και συμμόρφωσης σε επίπεδο επιχείρησης. Με αυτήν, οι επιστήμονες δεδομένων μπορούν να χρησιμοποιούν το Colab Enterprise για να επιταχύνουν συνεργατικά τις ροές εργασίας ΤΝ με πρόσβαση σε όλο το φάσμα των δυνατοτήτων της πλατφόρμας Vertex AI, ενσωμάτωση με το BigQuery για άμεση πρόσβαση σε δεδομένα, ακόμη και συμπλήρωση και δημιουργία κώδικα. 

Επεκτείνουμε επίσης την υποστήριξη ανοικτού κώδικα του Vertex AI με την ανακοίνωση του Ray on Vertex AI για την αποτελεσματική κλιμάκωση των φορτίων εργασίας ΤΝ. Επιπλέον, συνεχίζουμε να προωθούμε το MLOps for gen AI με συντονισμό σε όλους τους τρόπους, αξιολόγηση μοντέλων και μια νέα έκδοση του Vertex AI Feature Store με υποστήριξη embeddings. Με αυτές τις δυνατότητες, οι πελάτες μπορούν να αξιοποιήσουν τα χαρακτηριστικά που χρειάζονται σε ολόκληρη τη ροή εργασίας ΤΝ/ΜΜ, από την πρωτοτυποποίηση και τον πειραματισμό έως την ανάπτυξη και τη διαχείριση μοντέλων στην παραγωγή. Ας ρίξουμε μια πιο προσεκτική ματιά σε αυτές τις ανακοινώσεις και στο πώς μπορούν να βοηθήσουν τους οργανισμούς να προωθήσουν την πρακτική τους στην ΤΝ. 

Μεταφορά του Colab στο Google Cloud για καλύτερη συνεργασία και παραγωγικότητα 

Η διαδικασία προσαρμογής των υφιστάμενων βασικών μοντέλων ή η ανάπτυξη νέων μοντέλων περιλαμβάνει σημαντικό πειραματισμό, συνεργασία και επανάληψη - εργασίες που οι επιστήμονες δεδομένων συνήθως ολοκληρώνουν μέσω σημειωματάριων, εργαζόμενοι συχνά σε απομόνωση σε έναν τοπικό φορητό υπολογιστή χωρίς την κατάλληλη ασφάλεια, διακυβέρνηση ή πρόσβαση στο κατάλληλο υλικό για εργασίες ΤΝ/ΜΜ. 

Το Colab, το οποίο αναπτύχθηκε από την Google Research και διαθέτει πάνω από 7 εκατομμύρια ενεργούς χρήστες μηνιαίως, είναι ένα δημοφιλές σημειωματάριο Jupyter που βασίζεται στο cloud, το οποίο εκτελείται σε ένα πρόγραμμα περιήγησης, μπορεί να εκτελέσει κώδικα Python, διευκολύνει την κοινή χρήση έργων και συμπερασμάτων και υποστηρίζει διαγράμματα, εικόνες, HTML, LaTeX και πολλά άλλα. Με το 67% των εταιρειών του Fortune 100 να χρησιμοποιούν ήδη το Colab, είμαστε στην ευχάριστη θέση να προσφέρουμε αυτές τις ισχυρές δυνατότητες τώρα σε συνδυασμό με την επιχειρησιακή ασφάλεια, τους ελέγχους δεδομένων και την αξιοπιστία του Google Cloud. 

Οι επιστήμονες δεδομένων μπορούν να ξεκινήσουν να λειτουργούν γρήγορα, χωρίς να απαιτείται καμία διαμόρφωση. Με την υποστήριξη της Vertex AI, το Colab Enterprise παρέχει πρόσβαση σε όλα όσα έχει να προσφέρει η Vertex AI ePlatform - από το Model Garden και μια σειρά εργαλείων ρύθμισης, έως ευέλικτους υπολογιστικούς πόρους και τύπους μηχανών, έως εργαλεία επιστήμης δεδομένων και MLOps. 

Το Colab Enterprise τροφοδοτεί επίσης μια εμπειρία σημειωματάριου για το BigQuery Studio - ένα νέο ενοποιημένο, συνεργατικό χώρο εργασίας που διευκολύνει την ανακάλυψη, εξερεύνηση, ανάλυση και πρόβλεψη δεδομένων στο BigQuery. Το Colab Enterprise επιτρέπει στους χρήστες να ξεκινήσουν ένα σημειωματάριο στο BigQuery για να εξερευνήσουν και να προετοιμάσουν δεδομένα, και στη συνέχεια να ανοίξουν το ίδιο σημειωματάριο στο Vertex AI για να συνεχίσουν την εργασία τους με εξειδικευμένες υποδομές και εργαλεία ΤΝ. Οι ομάδες μπορούν να έχουν άμεση πρόσβαση στα δεδομένα οπουδήποτε και αν εργάζονται. Με τη δυνατότητα κοινής χρήσης σημειωματάριων μεταξύ των μελών της ομάδας και των περιβαλλόντων, το Colab Enterprise μπορεί να εξαλείψει αποτελεσματικά τα όρια μεταξύ των δεδομένων και των φόρτων εργασίας ΤΝ. 

Εργασία με μεγαλύτερη ευελιξία με διευρυμένη υποστήριξη ανοικτού κώδικα

Για να βοηθήσει τις ομάδες επιστήμης δεδομένων να εργάζονται με τους τρόπους που προτιμούν, το Vertex AI υποστηρίζει μια σειρά από πλαίσια ανοιχτού κώδικα, όπως τα Tensorflow, PyTorch, scikit-learn και XGBoost. Σήμερα, είμαστε στην ευχάριστη θέση να προσθέσουμε υποστήριξη για το Ray, ένα ενοποιημένο υπολογιστικό πλαίσιο ανοιχτού κώδικα για την κλιμάκωση των φορτίων εργασίας ΤΝ και Python. 

Το Ray on Vertex AI παρέχει διαχειρίσιμη, επιχειρησιακή ασφάλεια και αυξημένη παραγωγικότητα παράλληλα με το κόστος και τη λειτουργική αποδοτικότητα. Με ενσωμάτωση σε όλα τα προϊόντα Vertex AI, όπως το Colab Enterprise, η εκπαίδευση, οι προβλέψεις και οι λειτουργίες MLOps, είναι εύκολο να υλοποιήσετε το Ray on Vertex AI στο πλαίσιο των υφιστάμενων ροών εργασίας. 

Για να κατανοήσει πώς λειτουργούν μαζί το Colab Enterprise και το Ray on Vertex AI, ένας επιστήμονας δεδομένων μπορεί να ξεκινήσει από τον Κήπο Μοντέλων της Vertex AI, όπου μπορεί να επιλέξει από ένα ευρύ φάσμα μοντέλων ανοικτού κώδικα, όπως τα Llama 2, Dolly, Falcon, Stable Diffusion και άλλα. Με ένα κλικ, αυτά τα μοντέλα μπορούν να ανοίξουν σε ένα σημειωματάριο Colab Enterprise, έτοιμα για πειραματισμό, ρύθμιση και δημιουργία πρωτοτύπων. Με ενσωματωμένη υποστήριξη για την ενισχυτική μάθηση μαζί με τις εξαιρετικά κλιμακούμενες και αποδοτικές δυνατότητες, το Ray on Vertex AI είναι ιδανικό για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης ανοικτής γενιάς και την καλύτερη δυνατή αξιοποίηση των υπολογιστικών σας πόρων. Με το Ray on Vertex AI, οι ομάδες μπορούν εύκολα να δημιουργήσουν μια συστάδα Ray και να τη συνδέσουν με ένα σημειωματάριο Colab Enterprise για να κλιμακώσουν μια εργασία εκπαίδευσης. Από το σημειωματάριο, μπορούν εύκολα να αναπτύξουν το μοντέλο σε ένα πλήρως διαχειριζόμενο, αυτόματης κλιμάκωσης τελικό σημείο. 

Η ευκολία χρήσης του Ray on Vertex AI ενθουσιάζει ήδη τους πελάτες. 

"Ο κλάδος της εφοδιαστικής αλυσίδας έχει αντιμετωπίσει διάφορες προκλήσεις, από τη δραματική αύξηση του όγκου των παραγγελιών έως τις ελλείψεις αγαθών και τις αλλαγές στα αγοραστικά πρότυπα των καταναλωτών. Είναι σημαντικό οι επιχειρήσεις να είναι όχι μόνο προσανατολισμένες στα δεδομένα, αλλά και στην τεχνητή νοημοσύνη. Μέσω της Ray on Vertex, είναι ευκολότερο να επεκτείνουμε τη διαδικασία εκπαίδευσης και να εκπαιδεύσουμε πράκτορες μηχανικής και ενισχυτικής μάθησης για τη βελτιστοποίηση σε μια ποικιλία συνθηκών λειτουργίας της αποθήκης", δήλωσαν ο Matthew Haley, Lead AI Scientist, και ο Murat Cubuktepe, Senior AI Scientist, στην εταιρεία διαχείρισης υλικών, λογισμικού και υπηρεσιών Dematic.  "Με αυτές τις βελτιώσεις που κατέστησαν δυνατές από την Vertex AI, μπορούμε να βοηθήσουμε τους πελάτες μας να εξοικονομήσουν κόστος, ενώ παράλληλα θα πλοηγούνται στις διαταραχές της εφοδιαστικής αλυσίδας". 

Εφαρμογή ολοκληρωμένων MLOps στην εποχή του gen AI 

Οι πελάτες μας ρωτούν συχνά πώς το gen AI αλλάζει τις απαιτήσεις MLOps. Πιστεύουμε ότι δεν υπάρχει λόγος να πετάξουμε τις υπάρχουσες επενδύσεις MLOps. Πολλές από τις ίδιες βέλτιστες πρακτικές και απαιτήσεις παραμένουν, συμπεριλαμβανομένης της προσαρμογής των μοντέλων με εταιρικά δεδομένα, της διαχείρισης των μοντέλων σε ένα κεντρικό αποθετήριο, της ενορχήστρωσης ροών εργασίας μέσω αγωγών, της ανάπτυξης μοντέλων στην παραγωγή με τη χρήση τελικών σημείων ή επεξεργασίας παρτίδας και της παρακολούθησης των μοντέλων στην παραγωγή. 

Τούτου λεχθέντος, υπάρχουν τομείς στους οποίους οι οργανισμοί ενδέχεται να χρειαστεί να επικαιροποιήσουν τη στρατηγική MLOps τους, καθώς το gen AI εισάγει νέες προκλήσεις, μεταξύ άλλων:

• Διαχείριση της υποδομής ΤΝ: Το gen AI αυξάνει τις απαιτήσεις υποδομής AI για την εκπαίδευση, τη ρύθμιση και την εξυπηρέτηση, καθώς τα μεγέθη των μοντέλων αυξάνονται.
• Προσαρμογή με νέες τεχνικές: Υπάρχουν πλέον περισσότεροι τρόποι για την προσαρμογή αυτών των μοντέλων πολλαπλών καθηκόντων με τη χρήση διαφόρων τεχνικών μεταξύ της μηχανικής προτροπής, του συντονισμού με επίβλεψη και της ενισχυτικής μάθησης με ανθρώπινη ανατροφοδότηση (RLHF). 
• Διαχείριση νέων τύπων τεχνουργημάτων: Το Gen AI εισάγει νέες απαιτήσεις διακυβέρνησης που σχετίζονται με τις προτροπές, τις σωληνώσεις συντονισμού και τις ενσωματώσεις. 
• Παρακολούθηση της παραγόμενης εξόδου: Για χρήση στην παραγωγή, είναι απαραίτητη η συνεχής παρακολούθηση της παραγόμενης εξόδου για ασφάλεια και απαγγελία με τη χρήση υπεύθυνων χαρακτηριστικών ΤΝ.
• Επιμέλεια και σύνδεση με τα δεδομένα της επιχείρησης: Για πολλές περιπτώσεις χρήσης, τα μοντέλα χρειάζονται φρέσκα και σχετικά δεδομένα από τα εσωτερικά σας συστήματα και το σώμα δεδομένων. Η θεμελίωση σε γεγονότα με παραπομπές καθίσταται σημαντική για την αύξηση της εμπιστοσύνης στα αποτελέσματα.
• Αξιολόγηση των επιδόσεων: Ο καθορισμός του τρόπου αξιολόγησης του παραγόμενου περιεχομένου ή της ποιότητας μιας εργασίας εισάγει αποχρώσεις πολύ πέρα από αυτές που βλέπουμε με το προγνωστικό ΜΜ. 

Η επιχειρησιακή ετοιμότητα βρίσκεται στον πυρήνα της προσέγγισής μας για το gen AI και έχουμε αναπτύξει ένα νέο πλαίσιο MLOps για το προγνωστικό και το gen AI για να σας βοηθήσουμε να περιηγηθείτε σε αυτές τις προκλήσεις.

Με δύο δεκαετίες εμπειρίας στην εκτέλεση προηγμένων φορτίων εργασίας AI/ML σε κλίμακα που διοχετεύονται στο Vertex AI, πολλές από τις υπάρχουσες δυνατότητές μας είναι κατάλληλες για τις ανάγκες του gen AI. Μια ποικιλία επιλογών υλικού, συμπεριλαμβανομένων τόσο των GPU όσο και των TPU, επιτρέπει στις ομάδες να επιλέγουν υποδομές ΤΝ βελτιστοποιημένες για μεγάλα μοντέλα, βοηθώντας τις να επιτύχουν την προτιμώμενη τιμή και απόδοση. Το Vertex AI Pipelines παρέχει υποστήριξη για την ενορχήστρωση και εκτέλεση σωληνώσεων συντονισμού ή Reinforcement Learning with Human Feedback (ή RLHF). Το Μητρώο μοντέλων μπορεί να διαχειριστεί τον κύκλο ζωής των γενικών μοντέλων ΤΝ παράλληλα με τα μοντέλα πρόβλεψης. Μαζί, οι επιστήμονες δεδομένων μπορούν να μοιράζονται και να επαναχρησιμοποιούν νέα τεχνουργήματα, καθιστώντας μάλιστα δυνατό τον έλεγχο εκδόσεων και την ανάπτυξη μέσω μιας διαδικασίας CI/CD.

Οι νεότερες δυνατότητες παρέχουν επίσης μια ισχυρή βάση για την αποτελεσματική χρήση του gen AI στην παραγωγή. Το Google Cloud προσφέρει τη μοναδική επιμελημένη συλλογή μοντέλων από έναν πάροχο cloud υπερκλίμακας που περιλαμβάνει μοντέλα ανοικτού κώδικα, μοντέλα πρώτου μέρους και τρίτου μέρους. Υποστηρίζει μια ποικιλία μεθόδων ρύθμισης, συμπεριλαμβανομένης της επιτηρούμενης ρύθμισης και του RLHF- περιλαμβάνει ενσωματωμένες λειτουργίες ασφάλειας, προστασίας και μεροληψίας, οι οποίες έχουν τις ρίζες τους στις Αρχές Υπεύθυνης Τεχνητής Νοημοσύνης της Google- και πρόσφατα ανακοινωθείσες επεκτάσεις σε εξωτερικές πηγές δεδομένων και δυνατότητες. 

Σήμερα, παρουσιάζουμε νέα χαρακτηριστικά που ενισχύουν περαιτέρω το MLOps for gen AI, όπως: 

• Συντονισμός σε όλες τις λειτουργίες: Κείμενο PaLM 2 και φέρνουμε το RLHF σε δημόσια προεπισκόπηση. Εισάγουμε επίσης μια νέα μέθοδο συντονισμού για το Imagen που ονομάζεται Style Tuning, έτσι ώστε οι επιχειρήσεις να μπορούν να δημιουργούν εικόνες ευθυγραμμισμένες με τις συγκεκριμένες κατευθυντήριες γραμμές της μάρκας τους ή άλλες δημιουργικές ανάγκες, με μόλις 10 εικόνες αναφοράς που απαιτούνται.
• Αξιολόγηση μοντέλων: Δύο νέα χαρακτηριστικά προωθούν τη συνεχή επανάληψη και βελτίωση, επιτρέποντας στις επιχειρήσεις να αξιολογούν συστηματικά την ποιότητα των μοντέλων: Automatic Metrics, όπου ένα μοντέλο αξιολογείται με βάση μια καθορισμένη εργασία και ένα σύνολο δεδομένων "ground truth"- και Automatic Side by Side, το οποίο χρησιμοποιεί ένα μεγάλο μοντέλο για να αξιολογήσει την έξοδο πολλαπλών μοντέλων που δοκιμάζονται, συμβάλλοντας στην ενίσχυση της ανθρώπινης αξιολόγησης σε κλίμακα. 
• Αποθήκη χαρακτηριστικών με υποστήριξη για ενσωμάτωση: Παρουσιάζουμε την επόμενη γενιά του Vertex AI Feature Store, που τώρα βασίζεται στο BigQuery, για να σας βοηθήσει να αποφύγετε την επανάληψη δεδομένων και να διατηρήσετε τις πολιτικές πρόσβασης στα δεδομένα. Το νέο Feature Store υποστηρίζει εγγενώς τον τύπο δεδομένων vector embeddings, επιτρέποντάς σας να απλοποιήσετε την υποδομή που απαιτείται για την αποθήκευση, τη διαχείριση και την ανάκτηση μη δομημένων δεδομένων σε πραγματικό χρόνο.

"Οι νέες δυνατότητες του Vertex AI Feature Store παρουσιάζουν μια σημαντική επιχειρησιακή νίκη για την ομάδα μας", δήλωσε ο Gabriele Lanaro, Senior Machine Learning Engineer, στην εταιρεία ηλεκτρονικού εμπορίου Wayfair. "Αναμένουμε βελτιώσεις σε όλους τους τομείς, όπως:

• Συμπερασματολογία και εκπαίδευση - Οι εγγενείς λειτουργίες BigQuery είναι γρήγορες και διαισθητικές στη χρήση, οι οποίες όχι μόνο θα απλοποιήσουν τον αγωγό μας MLOps αλλά και θα επιτρέψουν στους επιστήμονες δεδομένων μας να πειραματιστούν ομαλά.
• Κοινή χρήση χαρακτηριστικών - Χρησιμοποιώντας σύνολα δεδομένων BigQuery με οικεία διαχείριση δικαιωμάτων, μπορούμε να καταγράψουμε καλύτερα τα δεδομένα μας με τα υπάρχοντα εργαλεία μας.
• Υποστήριξη ενσωματώσεων - Αξιοποιούμε προσαρμοσμένες διανυσματικές ενσωματώσεις που παράγονται από τους εσωτερικούς μας αλγορίθμους για πολλές εφαρμογές, όπως η κωδικοποίηση της συμπεριφοράς των πελατών για την ανίχνευση απάτης. Είναι υπέροχο να βλέπουμε τα διανύσματα να γίνονται πολίτες πρώτης κατηγορίας στο Vertex AI Feature Store. Η μείωση του αριθμού των συστημάτων που πρέπει να συντηρούμε απελευθερώνει τα MLOps μας για περισσότερες εργασίες, βοηθώντας τις ομάδες μας να στέλνουν μοντέλα στην παραγωγή γρηγορότερα."

MLOps for Gen AI - Αρχιτεκτονική αναφοράς

Καθώς το ΤΝ ενσωματώνεται βαθύτερα σε κάθε επιχείρηση, με περισσότερους υπαλλήλους να ασχολούνται με περιπτώσεις χρήσης ΤΝ σε ολόκληρο τον οργανισμό, η πλατφόρμα AI σας είναι όλο και πιο ζωτικής σημασίας. Στόχος μας είναι να ανταποκριθούμε στον ρυθμό της σημερινής καινοτομίας με τις δυνατότητες που απαιτούνται για ένα enterprise ready AI.

Για να μάθετε περισσότερα και να ξεκινήσετε με το Colab Enterprise επισκεφθείτε την τεκμηρίωση. Για να μάθετε περισσότερα σχετικά με τη διαχείριση του gen AI, δείτε το νέο εργαλείο AI Readiness Quick Check που βασίζεται στο AI Adoption Framework της Google.

Πηγή: Supercharging Vertex AI with Colab Enterprise and MLOps for generative AI