Aller au contenu principal

GCP Vertex AI

Google Cloud a longtemps proposé une constellation de services d'apprentissage automatique — AI Platform, AutoML, Notebooks, Prediction — dont chacun avait sa console, ses identifiants et ses journaux. Vertex AI réunit tout cela sous une seule API, un seul SDK Python et un seul cadre de facturation. Ce cours vous fait traverser la plateforme dans l'ordre d'un vrai projet, sans jamais quitter le fil rouge.

Durée du cours : 7h​

Ce que vous allez apprendre​

  • Naviguer entre projet, région, comptes de service et API activées sans laisser de trous dans les autorisations
  • Ouvrir un carnet Workbench connecté à BigQuery et à Cloud Storage sans laisser tourner la facture toute la nuit
  • Lancer un entraînement personnalisé dans un conteneur, choisir la bonne famille de machines et récupérer le modèle sur GCS
  • Régler les hyperparamètres à l'échelle avec Vizier, lire les essais et savoir quand arrêter
  • Enregistrer le modèle dans le registre avec sa version, son alias et son évaluation attachée
  • Déployer deux versions derrière un point de terminaison avec trafic partagé 90/10 et mise à l'échelle automatique
  • Planifier une prédiction par lots depuis BigQuery, choisir entre lot et en ligne selon le coût
  • Composer un pipeline KFP compilé et exécuté sur Vertex, avec artefacts, lignage et condition de déploiement
  • Appeler un modèle de fondation du Model Garden, l'affiner en mode géré et lire le coût par jeton

Prérequis​

  • Cours 20 « MLOps complet » ou équivalent : cycle de vie d'un modèle, registre, surveillance
  • Notions de Google Cloud : projet, IAM, Cloud Storage, gcloud en ligne de commande
  • Python courant et familiarité avec un carnet Jupyter

Modules du cours​

  1. Vertex AI : composants et vocabulaire
  2. Carnets gérés et environnements de développement
  3. Données sur Cloud Storage et BigQuery
  4. Entraînement personnalisé et conteneurs
  5. Réglage des hyperparamètres à l'échelle
  6. Registre de modèles et versions
  7. Points de terminaison, trafic partagé et mise à l'échelle
  8. Prédiction par lots
  9. Vertex AI Pipelines
  10. Modèles de fondation et jardin de modèles

Fil rouge du cours​

Une plateforme de paiement veut détecter en temps quasi réel les transactions frauduleuses sur cartes bancaires. Les transactions vivent dans BigQuery — plusieurs milliards de lignes, alimentées par un flux Pub/Sub. Le module 2 ouvre un carnet Workbench, le module 3 requête BigQuery et exporte le jeu d'entraînement sur Cloud Storage, le module 4 lance un CustomTrainingJob XGBoost dans un conteneur personnalisé, le module 5 règle ses hyperparamètres avec Vizier, le module 6 enregistre le modèle avec son évaluation, le module 7 déploie deux versions derrière un point de terminaison avec trafic partagé 90/10, le module 8 ajoute une prédiction par lots nocturne sur les transactions non temps réel, et le module 9 compose l'ensemble dans un pipeline Vertex AI Pipelines qui se réexécute toutes les semaines. Le module 10 change de terrain : les commentaires de litige rédigés par les clients ne sont pas des variables tabulaires — on convoque un modèle de fondation du Model Garden pour les classer.

Évaluation et attestation​

Le parcours se termine par un examen de 40 questions qui couvre les dix modules. En cas de réussite, une attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Les cours gratuits, eux, se concluent par un quiz de 5 questions avec un aperçu de l'attestation, sans certification.