Como implementar modelos de machine learning em aplicativos

Vertex AI

Um dos principais fatores que atraem as empresas para o Google Cloud é a capacidade que a plataforma de nuvem oferece para tornar os dados mais acessíveis e facilitar a transformação de dados em insights. Não é à toa que mais de 800 empresas de software utilizam o “Data Cloud” do Google para desenvolver seus produtos.

Por meio do Data Cloud (ecossistema de dados na nuvem da provedora), companhias dos mais diversos segmentos conseguem explorar dados de negócios, combinando flexibilidade e inteligência. Um anúncio recente do Google fortalece ainda mais essa proposta. Estamos falando da integração do Vertex AI com o Cloud Spanner para criar e implantar aplicações de visão computacional de modo simplificado.

Leia mais: Data Cloud: 5 lançamentos do Google Cloud que impulsionam a estratégia de dados das empresas

Integração do Spanner com a Vertex AI

O Cloud Spanner é um banco de dados relacional totalmente gerenciado que proporciona consistência e disponibilidade em qualquer escala. A solução é utilizada por organizações de todos os tamanhos em setores como serviços financeiros, varejo e jogos para executar seus aplicativos de missão crítica.

No entanto, nem sempre a execução de aplicativos críticos é suficiente. Muitas empresas querem reagir a eventos de negócios ou clientes com mais rapidez e escalabilidade, aproveitando modelos de aprendizado de máquina (machine learning – ML) em vez de depender de ações manuais.

Tarefas como detecção de fraude, negociação algorítmica e detecção de bot são sensíveis ao tempo de resposta e podem ter cargas imprevisíveis. A integração do Spanner com a Vertex AI, a plataforma de ML do Google Cloud, permite que os usuários aproveitem os modelos de ML na Vertex AI por meio de uma consulta SQL simples no Spanner.

A integração com o Vertex AI unifica os bancos de dados operacionais e a IA, simplificando o consumo de modelos de ML publicados e tornando mais rápida a criação de aplicativos baseados em IA.

Como funciona a integração do Vertex AI com o Cloud Spanner?

Os desenvolvedores de aplicativos geralmente têm largura de banda limitada para integrar serviços de ML a um aplicativo, pois isso requer uma curva de aprendizado e sobrecarga de manutenção de longo prazo. Esses desenvolvedores precisam criar um módulo separado em seu aplicativo ou um aplicativo/serviço para interagir com serviços de ML como o Vertex AI.

Este módulo envia dados para o modelo de previsão da Vertex AI e transmite resultados para o aplicativo que tomará uma decisão com base nos resultados. Essa implementação leva à expansão do aplicativo e adiciona latência à tomada de decisões. Por outro lado, a integração do Spanner Vertex AI permite que os desenvolvedores acessem facilmente modelos criados por cientistas de dados e os apliquem a transações de banco de dados usando SQL.

Da mesma forma, o BigQuery ML oferece suporte nativo ao ML para facilitar o uso de modelos de ML nos aplicativos, mas com uma distinção: a integração Vertex AI do Spanner permite que previsões sejam feitas em transações ao vivo, enquanto o BigQuery ML analisa transações que já foram concluídos em dados armazenados no BigQuery. 

A integração do Vertex AI do Spanner é útil para casos de uso como detecção de fraude ou detecção de usuários suspeitos, onde uma empresa deseja tomar a melhor decisão possível durante a transação ou evento em vez de detectar uma decisão ruim posteriormente. 

Em resumo, a integração diminui a barreira de entrada e complexidade de adicionar machine aos aplicativos, fornece menor latência e tempos mais curtos de retenção de bloqueios de transação. 


Geoambiente - Google Cloud Premier Partner

Geoambiente é parceira premier do Google Cloud e oferece ao mercado a solução Google Cloud enquanto plataforma, além de serviços desenvolvidos pelo nosso time de especialistas com base na tecnologia em nuvem.

Posts relacionados

Deixe um Comentário

Posts mais recentes:

workloads
varejo data-driven
custos administrativos
análises preditivas
Google Earth
Google Workspace
Gmail
Backup
retenção de motoristas
Como governos têm usado o Google Earth Engine na prevenção de desastres
desempenho da frota
Dados georreferenciados
público
machine learning
entrega

macbook tamir

- mersin eskort