Vertex AI 機器學習解決方案

課程概述

Vertex AI 是 Google Cloud 的統一 ML 平台，從資料準備、模型訓練、評估、部署到監控，整個生命週期都包在裡面。當預訓練 API 或 BigQuery ML 已經不夠用，需要自己做模型時，Vertex AI 就有一整套工具可以用。這門課會帶你走一遍 Vertex AI 的核心功能，從 AutoML 自動建模一路到自訂訓練。

你將學到

• 使用 AutoML 建立影像分類與表格預測模型
• 設定 Vertex AI 自訂訓練 Job 執行 TensorFlow / PyTorch 程式碼
• 將訓練好的模型部署到 Endpoint 提供線上預測
• 使用 Vertex AI Pipelines 自動化 ML 工作流
• 透過 Vertex AI Model Registry 管理模型版本

核心概念

Vertex AI 在 ML 光譜中的定位

Google Cloud 的 ML 工具大致是一條從簡單到複雜的光譜：

預訓練 API → BigQuery ML → AutoML → 自訂訓練（Vertex AI）
   最簡單      用 SQL       無程式碼     最大彈性

Vertex AI 把 AutoML 和自訂訓練兩端都涵蓋進來，而且共用同一套管理介面。

AutoML vs 自訂訓練

面向	AutoML	自訂訓練
適合對象	ML 初學者、快速驗證	ML 工程師、研究人員
所需技能	不需寫程式碼	Python + ML 框架
模型彈性	Google 自動選擇最佳架構	完全自訂架構與超參數
訓練時間	通常 1-8 小時	依模型複雜度而定
支援類型	影像、文字、表格、影片	任何框架與模型類型

Vertex AI Pipelines

Pipelines 讓你把 ML 工作流寫成一個可以重複跑的 DAG（有向無環圖）。一個典型的 Pipeline 大概長這樣：

1. 資料驗證 — 檢查資料品質與分佈
2. 資料預處理 — 特徵工程與資料轉換
3. 模型訓練 — 執行訓練 Job
4. 模型評估 — 計算效能指標並與基線比較
5. 模型部署 — 通過品質門檻後自動部署到 Endpoint

Endpoint 與線上預測

把模型部署到 Vertex AI Endpoint 之後，就能透過 REST API 發即時預測請求了。Endpoint 支援：

• 流量分割 — 在多個模型版本之間分配流量（A/B 測試）
• 自動擴縮 — 根據請求量自動增減節點
• 模型監控 — 偵測資料漂移（Data Drift）與模型效能下降

實作重點

• AutoML 影像分類每個標籤至少需要 10 張圖片，Google 建議每個標籤 100 張以上、1,000 張左右可獲得較好效果
• 自訂訓練 Job 需指定容器映像檔，可使用 Google 預建容器或自訂 Docker 映像
• Endpoint 的最低機器類型為 n1-standard-2，按部署時間計費（即使無請求也會收費）
• 常見錯誤：Pipeline 中的元件未正確設定輸入 / 輸出的資料類型，導致 DAG 執行失敗
• 成本控制：開發階段使用較小的機器類型，驗證流程正確後再擴大規模

Skill Badge 指引

Lab 連結：Build and Deploy Machine Learning Solutions on Vertex AI — 完成此 lab 可獲得 Skill Badge

延伸學習

• Gemini API 搭配 Vertex AI 探索 GenAI — 在 Vertex AI 上使用最新的生成式 AI 模型
• BigQuery ML 建模實戰 — 用 SQL 快速建模的替代方案
• GCP GenAI 課程 — 動手呼叫 Gemini API 的完整教學