Vertex AI Workbench est un environnement de développement basé sur des notebooks JupyterLab pour l'ensemble de votre workflow de data science. Vous pouvez interagir avec Vertex AI et ses services sur Google Distributed Cloud (GDC) en mode air-gapped à partir d'un notebook d'une instance JupyterLab fournie par Vertex AI Workbench.
Les intégrations et fonctionnalités de Vertex AI Workbench facilitent l'accès à vos données de machine learning, accélèrent le partage et le traitement des données, permettent d'interagir avec les services Vertex AI à l'aide du langage de programmation Python, etc.
Par exemple, Vertex AI Workbench vous permet les opérations suivantes :
- Accédez à vos données de machine learning et explorez-les à partir d'un notebook JupyterLab.
- Partagez votre notebook JupyterLab avec d'autres utilisateurs de votre projet.
- Importez les bibliothèques clientes Vertex AI pour simplifier l'accès aux API par programmation.
- Interagissez avec les services Vertex AI, authentifiez les requêtes API et utilisez les fonctionnalités Vertex AI à partir de scripts Python.
- Créez une sauvegarde et restaurez les données de votre instance JupyterLab.
- Utilisez un environnement de développement intégré (IDE) pour utiliser les intégrations intégrées des notebooks JupyterLab.
- Configurez un environnement de production de bout en bout basé sur des notebooks.
Instances JupyterLab
Vertex AI Workbench propose des instances JupyterLab avec des intégrations natives qui vous aident à configurer un environnement de production de bout en bout basé sur des notebooks. Les instances JupyterLab combinent les intégrations orientées workflow d'une instance gérée avec la personnalisation et le contrôle dont vous avez besoin sur votre environnement.
Vertex AI Workbench inclut des types d'instances préinstallés avec JupyterLab et une suite de packages de deep learning, assurant la compatibilité avec les frameworks TensorFlow et PyTorch. En fonction de vos besoins, vous pouvez choisir entre des instances reposant uniquement sur le processeur ou des instances utilisant un ou plusieurs GPU.
Vous pouvez sélectionner une image Docker et un cluster pour l'environnement de votre instance JupyterLab. Docker vous permet de créer un environnement JupyterLab personnalisé et de le compiler dans une image. Cette image garantit la cohérence et la reproductibilité entre les différents déploiements, y compris tous les packages et outils nécessaires. Vous pouvez partager cet environnement personnalisé avec d'autres utilisateurs ou l'utiliser comme base pour de futurs développements.
Les instances JupyterLab sont protégées par l'authentification et l'autorisation.