Google Cloud AI/ML 概論

課程概述

Google Cloud 提供從無程式碼到全自訂的多層級 AI/ML 開發工具。這堂課會帶你把整條產品線看過一遍，搞懂每個工具各自的定位和適合的場景。之後遇到不同的 AI/ML 需求，你就能很快挑出最對的那一個。

你將學到

• 描述 Google Cloud AI/ML 產品的三大抽象層級
• 比較 AutoML、BigQuery ML 與自訂訓練的適用場景
• 理解 Vertex AI 作為統一 ML 平台的核心能力
• 掌握從資料準備到模型部署的端到端流程

核心概念

AI/ML 產品的三大抽象層級

Google Cloud 的 AI/ML 產品可分為三層。最上層是預建 API（Pre-built APIs），如 Vision API、Speech-to-Text、Translation API，直接呼叫即可使用，無需任何 ML 知識。中間層是 AutoML 與 BigQuery ML，提供低程式碼的模型訓練環境，適合擁有資料但缺乏深度 ML 經驗的團隊。最底層是自訂訓練（Custom Training），使用 TensorFlow、PyTorch 等框架在 Vertex AI 上進行完全自訂的模型開發。

Vertex AI 統一平台

Vertex AI 是 Google Cloud 把 ML 流程整合在一起的平台，過去散落在不同產品裡的功能，現在都集中到這裡。它涵蓋：資料管理（Datasets）、模型訓練（Training）、模型評估（Evaluation）、模型部署（Endpoints）、預測服務（Predictions）、模型監控（Model Monitoring），以及現在的 GenAI 能力（Vertex AI Studio、Model Garden、Agent Builder）。

時效提醒：Google 在 2026 年把 Vertex AI 正式改名為 Gemini Enterprise Agent Platform，但能力和概念沒變、既有的 workload 也照跑不誤，算是換湯不換藥。考證的 Lab 和教材目前多半還沿用 Vertex AI 這個舊名，所以本文也跟著叫 Vertex AI，你心裡有個底就好。

BigQuery ML 的獨特定位

BigQuery ML 讓資料分析師直接用 SQL 語法就能在 BigQuery 裡建立、訓練 ML 模型，不用把資料搬到專用的 ML 環境。支援的模型類型包括線性回歸、分類、推薦、時間序列預測，甚至還能呼叫 Vertex AI 的 LLM。如果你的團隊資料本來就堆在 BigQuery，這會是門檻最低的 ML 入門路徑。

Pre-built API vs AutoML vs Custom

維度	Pre-built API	AutoML	Custom Training
ML 知識需求	無	低	高
自訂程度	無	中	完全自訂
訓練資料需求	無	數百至數千筆	數千筆以上
開發時間	分鐘	小時至天	天至週
成本	按 API 呼叫計費	按訓練時數計費	按運算資源計費

實作重點

• 在 Vertex AI Console 中瀏覽各功能模組，建立產品功能的心智地圖
• 試著呼叫一個 Pre-built API（像 Vision API 的圖片標註），體會一下完全不用訓練有多省事
• 了解 Vertex AI Workbench 的 Notebook 環境，它是自訂訓練的主要開發入口
• 比較 AutoML 與自訂訓練在相同任務上的效能差異與開發時間差異

Lab 導讀

Lab 連結：Introduction to AI and Machine Learning on Google Cloud — Google Cloud Skills Boost

這個 Lab 把 Google Cloud AI/ML 產品線完整帶過一遍，用影片教學加測驗的形式進行。重點是搞懂每個工具的定位，因為測驗常考「這個場景該用哪個產品？」。建議自己做一張比較表，按 ML 經驗、資料量、自訂需求去對應適合的產品。

延伸學習

• 圖片生成技術導論 — 深入了解視覺 AI 的生成技術
• 向量搜尋與嵌入技術 — ML 在搜尋領域的核心應用
• Vertex AI Studio 入門 — Vertex AI 中 GenAI 功能的實戰