โมเดลและแพลตฟอร์ม AI
แนะนำ Vertex AI

ประเด็นสำคัญVertex AI รวบรวมเครื่องมือข้อมูลและ AI…
ดูเพิ่มเติม
- Vertex AI รวบรวมเครื่องมือข้อมูลและ AI ที่กระจัดกระจายให้เป็นแพลตฟอร์มเดียวพร้อมใช้งานสำหรับองค์กร
- Model Garden ให้การเข้าถึงแบบรวมศูนย์ถึงโมเดลพื้นฐานกว่า 200 รายการที่ผ่านการคัดสรร
- คุณสมบัติการจัดวงดนตรีแบบไดนามิกและการยึดกับข้อมูลของแพลตฟอร์มช่วยแก้ไขปัญหาความล้มเหลวและภาพหลอนของ AI ในขั้นการผลิต
เมื่อพื้นที่ของปัญญาประดิษฐ์ (AI) กำลังพัฒนาอย่างรวดเร็ว หนึ่งในอุปสรรคที่ผู้นำด้านเทคโนโลยี มักพบคือการเปลี่ยนแปลงจาก “การทดลอง” เป็น “การเตรียมพร้อมสำหรับองค์กร” ในขณะที่แชทบอทสำหรับผู้บริโภคและแพลตฟอร์มแบบโต้ตอบช่วยให้คนสามารถจินตนาการได้ แต่ธุรกิจไม่สามารถประสบความสำเร็จได้ด้วยเพียงอินเทอร์เฟซแชทเท่านั้น ในยุคที่การแข่งขันรุนแรงกว่าเดิม ธุรกิจต้องการระบบนิเวศที่แข็งแกร่ง ปรับขนาดได้ และปลอดภัย และนี่คือสิ่งที่ Google (GOOGL ) พยายามที่จะนำเสนอด้วย Vertex AI ซึ่งเป็นแพลตฟอร์ม AI และ Machine Learning ที่รวมเป็นหนึ่งของ Google Cloud
Vertex AI พยายามที่จะสร้างตัวเองให้เป็นกระดูกสันหลังของการรวม AI เชิงกำเนิด (Generative AI) กับโครงสร้างคลาวด์สมัยใหม่ โดยการนำเสนอชุดคุณสมบัติที่ครอบคลุมซึ่งเชื่อมช่องว่างระหว่างโมเดลพื้นฐานและแอปพลิเคชันระดับการใช้งานจริง Vertex AI ไม่ใช่เพียงแค่ชั้นหุ้มสำหรับโมเดลภาษาขนาดใหญ่ (LLM) แต่เป็นระบบนิเวศ AI และ Machine Learning ที่รวมถึง Generative AI เป็นองค์ประกอบหลักของโครงสร้างคลาวด์สมัยใหม่
ที่ใจกลางของ Vertex AI คือ Model Garden ซึ่งเป็นตลาดกลางที่ให้เข้าถึงโมเดลพื้นฐานที่คัดสรรมากกว่า 200 โมเดล รวมถึง Gemini 2.5 Pro ที่เป็นโมเดลหลายรูปแบบอันทรงพลัง ซึ่งเป็นโมเดลที่มีหน้าต่างบริบท 2 ล้านโทเคน ในบทความนี้ เราจะวิเคราะห์สถาปัตยกรรมของ Vertex AI และสำรวจว่า Model Garden ทำหน้าที่เป็น «App Store» ด้านปัญญาประดิษฐ์ของอุตสาหกรรม และดูถึงหลักการทางเทคนิคที่ทำให้แพลตฟอร์มนี้เป็นกระดูกสันหลังของซอฟต์แวร์องค์กรรุ่นต่อไป
สถาปัตยกรรมหลัก: แพลตฟอร์มที่รวมเป็นหนึ่ง

Vertex AI ไม่ใช่การรวบรวมเครื่องมือที่ไม่เชื่อมต่อกัน แต่เป็นระบบนิเวศ AI และข้อมูลที่ออกแบบมาเพื่อเชื่อมช่องว่างของข้อมูล เครื่องมือ และทีมที่ทำให้การเรียนรู้ของเครื่องมีปัญหา ในการพัฒนา AI แบบดั้งเดิม จะเกิดขึ้นในสภาพแวดล้อมที่แยกจากกัน และบางครั้งข้อมูลจะกระจายและถูกกักขังในหลายๆ ที่เก็บข้อมูล เช่น องค์กรอาจเก็บข้อมูลลูกค้าในคลังข้อมูล SQL ในขณะที่เอกสารที่ไม่มีโครงสร้างถูกทิ้งใน Data Lake เมื่อข้อมูลถูกกักขัง AI จะเห็นเพียง “ความจริงที่ไม่สมบูรณ์” ซึ่งนำไปสู่ผลลัพธ์ที่มีอคติหรืออัตราการหลอนของโมเดลสูงเนื่องจากขาดบริบทขององค์กร
Vertex AI พยายามที่จะรวมวงจรชีวิต AI ทั้งหมด ตั้งแต่การนำเข้าข้อมูลดิบจาก BigQuery และ Cloud Storage ไปจนถึงการตรวจสอบการผลิต ซึ่งทำหน้าที่เป็น “เนื้อเยื่อเชื่อม” ระหว่างคลังข้อมูลที่แยกกันเหล่านี้ Vertex AI รวมเข้ากับ Cloud Storage และ BigQuery โดยตรง ทำให้โมเดล AI สามารถดึงข้อมูลได้โดยไม่ต้องใช้กระบวนการ Extraction, Transformation และ Load ที่ซับซ้อน
พื้นฐาน: AI Hypercomputer ของ Google
ชั้น GenAI ของ Vertex AI นั้นตั้งอยู่บนโครงสร้าง AI Hypercomputer ของ Google ซึ่งเป็นระบบซูเปอร์คอมพิวเตอร์ที่รวมถึง
TPU v5p และ v5e (Tensor Processing Units)
Tensor Processing Units ของ Google เป็น ASIC (Application-Specific Integrated Circuits) ที่ออกแบบมาโดยเฉพาะสำหรับการคูณเมทริกซ์ที่เป็นพื้นฐานของการเรียนรู้เชิงลึก
- TPU v5p (Performance): นี่คือเครื่องเร่งความเร็วรุ่นเรือธงสำหรับการฝึกอบรมขนาดใหญ่ แต่ละ TPU v5p pod สามารถขยายได้ถึง 8,960 ชิปที่เชื่อมต่อกันด้วย Inter-Chip Interconnect (ICI) ของ Google ที่มีความกว้างแบนด์วิธสูงสุด 4,800 Gbps สำหรับผู้นำด้านเทคนิค สิ่งนี้หมายถึงการฝึกอบรมที่เร็วขึ้น 2.8 เท่าสำหรับโมเดลขนาดเทียบเท่า GPT-3 ที่มี 175 พันล้านพารามิเตอร์ เมื่อเทียบกับรุ่นก่อนหน้า ทำให้สามารถลดเวลาในการเข้าถึงตลาดได้
- TPU v5e (Efficiency): ออกแบบมาเพื่อประสิทธิภาพที่มีต้นทุนต่ำ v5e เป็นเครื่องมือหลักสำหรับการฝึกอบรมขนาดกลางและอินเฟอร์เรนซ์ที่มีปริมาณงานประมวลผลสูง ให้อัตราส่วนประสิทธิภาพต่อราคาที่ดีขึ้นได้สูงสุด 2.5 เท่า ทำให้เป็นตัวเลือกที่เหมาะสำหรับธุรกิจที่ต้องการรันการอินเฟอร์เรนซ์ 24/7 โดยไม่ต้องมีงบประมาณขนาดใหญ่
NVIDIA H100/A100 GPUs สำหรับความยืดหยุ่น
ในขณะที่ TPU เป็นแบบเฉพาะเจาะจง ทีมพัฒนามากมายพึ่งพาระบบนิเวศ CUDA ของ NVIDIA Vertex AI ให้การสนับสนุนแบบ first-class สำหรับฮาร์ดแวร์ใหม่ล่าสุดของ NVIDIA:
- NVIDIA H100 (Hopper): เหมาะสำหรับการปรับแต่งโมเดลโอเพ่นซอร์สที่ใหญ่ที่สุด เช่น Llama 3.1 405B ที่ต้องการแบนด์วิธเมมโมรี่ขนาดใหญ่
- จูปิเตอร์ เน็ตเวิร์ก: เพื่อป้องกัน «คอขวดของเครือข่าย» Google ใช้เน็ตเวิร์กจูปิเตอร์ ซึ่งเป็นเน็ตเวิร์กแฟบริกของศูนย์ข้อมูล ทำให้ข้อมูลเคลื่อนผ่าน GPU ได้ด้วยความเร็วสูง โดยการสนับสนุน RDMA (Remote Direct Memory Access) เพื่อหลีกเลี่ยงการโอเวอร์เฮดของ CPU และให้ประสิทธิภาพระหว่างโหนดแบบกระจายใกล้เคียงกับการทำงานภายในเครื่อง
การออร์เคสตราแบบไดนามิก
การเปลี่ยนแปลงทางเทคนิคที่สำคัญที่สุดใน Vertex AI คือ การออร์เคสตราแบบไดนามิก ในสภาพแวดล้อมแบบดั้งเดิม หากโหนด GPU ล้มเหลวระหว่างการฝึกอบรม 3 สัปดาห์ งานทั้งหมดอาจล้มเหลว
- ความทนทานแบบอัตโนมัติ: Vertex AI ซึ่งมักจะถูกขับเคลื่อนโดย Google Kubernetes Engine (GKE) ภายใต้พื้นผิว มี “โหนดที่สามารถฟื้นตัวได้” หากมีการตรวจพบข้อผิดพลาดของฮาร์ดแวร์ แพลตฟอร์มจะย้ายโหลดงานไปยังโหนดที่มีสุขภาพดีโดยอัตโนมัติ
- ตัวจัดตารางงานแบบไดนามิก: เครื่องมือนี้ช่วยให้ทีมสามารถขอความจุตามความเร่งด่วนได้ คุณสามารถเลือก Flex Start (ราคาถูกกว่า เริ่มต้นทันทีที่มีความจุ) หรือความจุที่รับประกันสำหรับการเปิดตัวที่สำคัญ
- การฝึกอบรมแบบเซิร์ฟเวอร์เลส: สำหรับทีมที่ต้องการการจัดการโครงสร้างพื้นฐานเป็นศูนย์ การฝึกอบรมแบบเซิร์ฟเวอร์เลสของ Vertex AI ช่วยให้คุณสามารถส่งโค้ดและข้อมูลของคุณได้ แพลตฟอร์มจะจัดเตรียมคลัสเตอร์ รันงาน และทำลายคลัสเตอร์โดยอัตโนมัติ โดยคิดค่าบริการตามวินาทีการประมวลผลที่ใช้จริง
สามจุดเข้าถึง: การค้นพบ การทดลอง และการอัตโนมัติ
เพื่อให้เหมาะสมกับบทบาททางเทคนิคต่างๆ ตั้งแต่นักวิทยาศาสตร์ข้อมูลไปจนถึงนักพัฒนาแอปพลิเคชัน Vertex AI มีสามจุดเข้าถึงหลัก:
- Model Garden: ตลาดสำหรับการค้นพบ
- Vertex AI Studio: สนามทดลองสำหรับการทดลอง
- Vertex AI Agent Builder: โรงงานสำหรับการอัตโนมัติ
Model Garden: ตลาดสำหรับการค้นพบ
Model Garden ของ Vertex AI บน Google Cloud เป็นแพลตฟอร์มกลางสำหรับค้นพบ ทดสอบ ปรับแต่ง และนำโมเดล AI ของ Google เอง โมเดลโอเพ่นซอร์ส และโมเดลของบุคคลที่สามไปใช้งาน รวมถึงโมเดลหลายรูปแบบด้านการมองเห็น ข้อความ และโค้ด เพื่อตอบโจทย์ธุรกิจต่างๆ โดยผสานกับเครื่องมือ Vertex AI อย่างราบรื่นเพื่อให้ MLOps คล่องตัวขึ้น แพลตฟอร์มนี้เป็นคลังโมเดลที่ครอบคลุม ช่วยให้นักพัฒนาและธุรกิจเลือกโมเดลที่เหมาะสม ตั้งแต่โมเดลพื้นฐานขนาดใหญ่จนถึงโมเดลเฉพาะทาง สำหรับงานสร้างข้อความ วิเคราะห์ภาพ หรือเติมโค้ดให้สมบูรณ์ และนำไปใช้งานอย่างมีประสิทธิภาพในสภาพแวดล้อม Google Cloud ของตน

Model Garden จัดหมวดหมู่โมเดลมากกว่า 200 โมเดลออกเป็นสามระดับ ทำให้สถาปนิกระบบสามารถสร้างสมดุลระหว่างประสิทธิภาพ ต้นทุน และการควบคุม:
- โมเดลของ Google: โมเดลหลายรูปแบบที่สำคัญของ Vertex AI มีให้เลือกหลายขนาด ตั้งแต่ Pro ที่มีการให้เหตุผลที่ซับซ้อนไปจนถึง Flash ที่มีความหน่วงต่ำและปริมาณสูง ทำให้นักพัฒนาสามารถปรับโมเดลให้เหมาะกับการใช้งานของตนได้
- โมเดลของบุคคลที่สาม (Proprietary): ผ่านการร่วมมือเชิงกลยุทธ์ Vertex AI นำเสนอ “Model-as-a-Service” (MaaS) สำหรับยักษ์ใหญ่ด้าน AI เช่น Anthropic (Claude 3.5) และ Mistral AI แทนที่จะจัดการการเรียกเก็บเงินและข้อมูลรับรองความปลอดภัยแยกกันสำหรับผู้ให้บริการ AI ห้าราย ทีมเทคนิคสามารถเข้าถึงทั้งหมดผ่านโครงการ Google Cloud ที่มีอยู่ โดยใช้รูปแบบ API ที่เป็นมาตรฐาน
- โมเดลโอเพ่นซอร์สและโอเพ่นเวท: ระดับนี้รวม Meta’s Llama 3.2, Mistral และ Gemma ของ Google ซึ่งเหมาะสำหรับองค์กรที่ต้องการติดตั้งโมเดลภายใน VPC (Virtual Private Cloud) ของตนเองเพื่อให้แน่ใจถึงการแยกข้อมูลสูงสุด
ในสภาพแวดล้อมที่ไม่รวมเป็นหนึ่ง การนำโมเดลโอเพ่นซอร์สมาใช้ เช่น Llama จะต้องตั้งค่าสภาพแวดล้อม PyTorch คอนฟิกตัวขับ CUDA และจัดการแรปเปอร์ Flask หรือ FastAPI
Model Garden ขจัดขั้นตอนการเตรียมข้อมูลและเครื่องมือนี้ผ่าน จุดปลายทางแบบจัดการที่รวมเป็นหนึ่ง ดังนี้:
- การนำไปใช้แบบคลิกเดียว: สำหรับหลายๆ โมเดล การคลิก “Deploy” จะจัดเตรียมทรัพยากร TPU/GPU ที่จำเป็น ห่อโมเดลในคอนเทนเนอร์ที่พร้อมสำหรับการผลิต และให้จุดปลายทาง API แบบ REST
- การผสานรวม Hugging Face: Vertex AI อนุญาตให้นักพัฒนานำโมเดลมาจาก Hugging Face Hub และติดตั้งลงในจุดปลายทางของ Vertex โดยให้การขยายความฉลาดที่เกือบจะไม่มีขอบเขต
- การเชื่อมต่อแบบส่วนตัว (PSC): สำหรับอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวด โมเดลสามารถถูกนำไปใช้โดยใช้ Private Service Connect ซึ่งรับประกันว่าจุดปลายทางของโมเดลจะไม่ถูกเปิดเผยต่ออินเทอร์เน็ตสาธารณะ ทำให้การรับส่งข้อมูลอยู่ภายในเครือข่ายองค์กรเท่านั้น
Vertex AI Studio: สนามทดลองสำหรับการทดลอง
ในขณะที่ Model Garden มุ่งเน้นที่การเลือก Vertex AI Studio มุ่งเน้นไปที่ ความแม่นยำ Vertex AI Studio เปรียบได้กับคอมไพล์เลอร์และดีบั๊กเกอร์ในโลกซอฟต์แวร์แบบดั้งเดิม สตูดิโอนี้เป็นพื้นที่ทำงานที่โมเดลดิบถูกหล่อหลอมให้เป็นเครื่องมือทางธุรกิจเฉพาะผ่านการผสมผสานระหว่างวิศวกรรมพรอมต์ การทดสอบหลายรูปแบบ และการปรับไฮเปอร์พารามิเตอร์ที่ซับซ้อน

การสร้างต้นแบบหลายรูปแบบ: นอกเหนือจากข้อความ
คุณลักษณะเด่นของ Studio คือการสนับสนุน การทำงานหลายรูปแบบ โดยธรรมชาติ ในขณะที่แพลตฟอร์มอื่นๆ ต้องการการเขียนโค้ดที่ซับซ้อนเพื่อจัดการกับข้อมูลที่ไม่ใช่ข้อความ Vertex AI Studio อนุญาตให้คุณลากและวางไฟล์โดยตรงเข้าไปในอินเทอร์เฟซเพื่อทดสอบความสามารถในการให้เหตุผลของ Gemini 2.5 ได้
- ความฉลาดด้านวิดีโอ: คุณสามารถอัปโหลดวิดีโอปาฐกถาหลักทางเทคนิคที่มีความยาว 45 นาทีและขอให้โมเดล “ระบุทุกครั้งที่กล่าวถึง API ที่ระบุ และจัดทำสรุปพร้อมเวลาที่ปรากฏ”
- การวิเคราะห์เอกสาร: แทนที่จะอ่านข้อความเพียงอย่างเดียว โมเดลสามารถวิเคราะห์ การวางผังภาพ ของ PDF ที่มี 1,000 หน้า โดยเข้าใจความสัมพันธ์ระหว่างแผนภูมิ ตาราง และข้อความที่อยู่รอบๆ
- การดำเนินการโค้ด: สตูดิโอสนับสนุน การดำเนินการโค้ด ในพื้นที่ทดลอง หากคุณขอให้โมเดลแก้ปัญหาทางคณิตศาสตร์ที่ซับซ้อนหรือวิเคราะห์ CSV โมเดลสามารถเขียนและดำเนินการโค้ด Python ในสภาพแวดล้อมที่ปลอดภัยและแยกจากกันเพื่อให้ได้คำตอบที่ถูกตรวจสอบแล้ว
การปรับแต่งขั้นสูง: เส้นทางการปรับแต่ง

เมื่อการปรับแต่งพรอมต์ (Zero-shot หรือ Few-shot) ถึงขีดจำกัด Vertex AI Studio นำเสนอเครื่องมือที่ทรงพลังขึ้น: การปรับแต่งโมเดล ได้
- การปรับแต่งแบบมีผู้ดูแล (SFT): นักพัฒนาสามารถให้เซตข้อมูล “พรอมต์/คำตอบ” (ควรมีอย่างน้อย 100 ตัวอย่าง) เพื่อสอนโมเดลให้ใช้เสียงแบรนด์เฉพาะ รูปแบบเอาต์พุต (เช่น JSON ที่กำหนดเอง) หรือภาษาเฉพาะโดเมน
- การแคชบริบท: สำหรับองค์กรที่ต้องจัดการกับเซตข้อมูลขนาดใหญ่และคงที่ (เช่น ห้องสมุดทางกฎหมายหรือฐานโค้ด) สตูดิโออนุญาตให้ แคชบริบท ซึ่งช่วยให้คุณสามารถ “โหลดล่วงหน้า” ข้อมูลหนึ่งล้านโทเค็นเข้าไปในหน่วยความจำของโมเดล ลดความหน่วงและต้นทุนสำหรับคำค้นที่ตามมา
- การกลั่น (Teacher-Student): สิ่งนี้เป็นการตัดสินใจด้านสถาปัตยกรรมระดับสูง คุณสามารถใช้โมเดลขนาดใหญ่ (Gemini 2.5 Pro) เพื่อ “สอน” โมเดลที่เล็กกว่าและเร็วกว่า (Gemini 2.0 Flash) ผลลัพธ์คือโมเดลขนาดเบาที่ทำงานในระดับ “Pro” แต่ทำงานด้วยความเร็วและต้นทุนของ “Flash”
Vertex AI Agent Builder: โรงงานสำหรับการอัตโนมัติ
Vertex AI Agent Builder เป็นเฟรมเวิร์กการออร์เคสตราที่ระดับสูงซึ่งช่วยให้นักพัฒนาสามารถสร้างเอเจนต์เหล่านี้โดยการรวมโมเดลพื้นฐานกับข้อมูลขององค์กรและ API ภายนอก
สถาปัตยกรรมของ “ความจริง”: การอ้างอิงข้อมูลจากแหล่งที่มาและ RAG
อุปสรรคทางเทคนิคหลักที่ขัดขวาง AI ในองค์กรคือ การหลอนของโมเดล เอเจนต์ บิลเดอร์แก้ไขปัญหานี้ผ่านเครื่องมือ การอ้างอิงข้อมูลจากแหล่งที่มา ที่ซับซ้อน
- การอ้างอิงข้อมูลจากแหล่งที่มาด้วย Google Search: สำหรับคำค้นที่ต้องการความรู้ของโลกแบบเรียลไทม์ (เช่น “อัตราดอกเบี้ยจำนองปัจจุบันในนิวยอร์กคืออะไร?”) เอเจนต์สามารถค้นหา Google และดึงข้อเท็จจริงออกมาโดยอ้างอิงแหล่งที่มา
- Vertex AI Search (RAG-as-a-Service): แทนที่จะสร้างฐานข้อมูลเวกเตอร์ (Pinecone, Weaviate) ด้วยตนเอง นักพัฒนาสามารถใช้ Vertex AI Search เพื่อสร้างดัชนีเอกสารของตนเอง (PDF, HTML, BigQuery) โดยอัตโนมัติ โดยจัดการขั้นตอน “การแบ่งชิ้น”, “การฝัง” และ “การดึง” โดยอัตโนมัติ เพื่อให้แน่ใจว่าเอเจนต์จะตอบตาม “แหล่งที่มาของความจริง” ภายในขององค์กรเท่านั้น
- Vertex AI RAG Engine: สำหรับการใช้งานแบบกำหนดเองในระดับขนาดใหญ่ บริการที่จัดการนี้ช่วยให้การค้นหาที่ผสมผสาน (การรวมผลลัพธ์เวกเตอร์และคีย์เวิร์ด) เพื่อเพิ่มความแม่นยำได้สูงสุด 30% เมื่อเทียบกับเอาต์พุต LLM ทั่วไป
การออร์เคสตราแบบหลายเอเจนต์ (A2A Protocol)
การทำงานขององค์กรขั้นสูงมักต้องการเอเจนต์หลายตัวที่ทำงานร่วมกัน Vertex AI นำเสนอ Protocol เอเจนต์-ถึง-เอเจนต์ (A2A) ซึ่งเป็นมาตรฐานที่เปิดกว้างที่อนุญาตให้:
- “เอเจนต์สำหรับการเดินทาง” พูดคุยกับ เอเจนต์ทางการเงิน เพื่อให้แน่ใจว่าการจองเที่ยวบินอยู่ภายในงบประมาณขององค์กร
- การทำงานร่วมกัน: เนื่องจากใช้โปรโตคอลที่เปิดกว้าง เอเจนต์ที่สร้างขึ้นใน Vertex AI จึงสามารถสื่อสารกับเอเจนต์ที่สร้างขึ้นในเฟรมเวิร์กอื่นๆ เช่น LangChain หรือ CrewAI
สแต็คของนักพัฒนา: ADK และ Agent Engine
สำหรับกลุ่ม “แพลตฟอร์มเทคนิค” เอเจนต์ บิลเดอร์ มีเส้นทางที่แตกต่างกันสองเส้นทาง:
- คอนโซลแบบไม่ต้องเขียนโค้ด: อินเทอร์เฟซแบบลากและวางสำหรับการสร้างต้นแบบอย่างรวดเร็วและการกำหนดค่าสำหรับผู้ใช้งานทางธุรกิจ
- ชุดพัฒนาเอเจนต์ (ADK): ชุดเครื่องมือ Python ที่เน้นการเขียนโค้ดสำหรับวิศวกร ซึ่งช่วยให้สามารถเขียน “พรอมต์เป็นโค้ด” รวมถึงการบูรณาการกับการควบคุมเวอร์ชันและการนำไปใช้กับ Vertex AI Agent Engine ซึ่งเป็นสภาพแวดล้อมรันไทม์แบบจัดการที่ดูแลความคงอยู่ของเซสชัน การปรับขนาด และการจัดการสถานะโดยอัตโนมัติ
สรุป: จาก “อะไรถ้า” ถึง “อะไรต่อไป”
การเปลี่ยนแปลงจากตัวอย่าง AI ที่น่าประทับใจไปสู่แอปพลิเคชันระดับองค์กรที่พร้อมสำหรับการผลิตมานานแล้วเป็น “หุบเขาตาย” สำหรับโครงการการเปลี่ยนแปลงทางดิจิทัล ในขณะที่เราได้สำรวจ Vertex AI ได้รับการออกแบบมาโดยเฉพาะเพื่อเชื่อมช่องว่างนี้ โดยการรวมส่วนที่แยกกันของข้อมูล โครงสร้างพื้นฐาน และการออร์เคสตราของโมเดล Google Cloud ได้ย้ายการอภิปรายจากพลังดิบของโมเดลภาษาขนาดใหญ่ไปสู่ ความพร้อมด้านการดำเนินงาน ของวงจรชีวิต AI












