Google Cloud AI/ML 概論

課程概述

Google Cloud 的 AI/ML 工具很多，但不用一開始就把整張產品地圖背起來。比較實用的想法是：先弄清楚問題、資料放在哪裡，以及團隊願意負責多少維運，再選剛好夠用的工具。這堂課會用「抽象層級」整理產品線，幫你少繞一點路。

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 產品大致可分成三層。最上層是預建 API（Pre-built APIs），像 Vision API、Speech-to-Text 與 Translation API，適合需求和服務能力高度吻合、也不需要自己訓練模型的任務。中間層是 AutoML 與 BigQuery ML：前者降低自訂模型的門檻，後者讓熟悉 SQL 的團隊直接在 BigQuery 裡訓練與使用模型。最底層是自訂訓練（Custom Training），可以使用 TensorFlow、PyTorch 等框架控制訓練流程，但資料、程式與維運責任也會跟著增加。

Vertex AI 統一平台

Vertex AI 把資料準備、模型訓練、評估、部署、線上預測與監控放在同一套平台裡。對團隊來說，價值不只是「模型能跑」，而是權限、版本、端點、監控和後續重訓都有地方管理。生成式 AI 相關能力則包括 Studio、Model Garden 與 Agent 開發工具。

名稱提醒：Google 在 2026 年開始使用 Gemini Enterprise Agent Platform 這個名稱，官方文件與介面仍可能出現 Vertex AI、Agent Platform 等舊稱。底層概念沒有因此全部重做，但實際操作時要以當下主控台與官方版本資訊為準。本文在對照 Lab 時仍保留 Vertex AI 這個名稱。

BigQuery ML 的獨特定位

BigQuery ML 讓資料分析師直接用 SQL 在 BigQuery 裡建立與使用模型，不必先把整批資料搬到另一套 ML 環境。它支援多種傳統 ML 與時間序列模型，也能透過遠端模型串接生成式 AI 能力。若資料原本就在 BigQuery，而且團隊熟悉 SQL，通常值得先從這條路驗證需求；但模型品質、資料偏差和上線監控仍然不能省略。

Pre-built API vs AutoML vs Custom

實作重點

• 在目前的 Agent Platform／Vertex AI 主控台中瀏覽各功能模組，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
• 用同一份驗證資料比較 AutoML 與自訂訓練，不只看模型分數，也記錄開發時間與維運責任

Lab 導讀

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

這個 Lab 會把 Google Cloud AI/ML 產品線帶過一遍，搭配影片與測驗建立基本概念。做題時先抓場景裡真正的限制：資料目前在哪裡、團隊會什麼、要客製到什麼程度，以及誰負責上線後的維運。只背產品名稱，碰到題目換個說法就很容易卡住。

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