Deploy model menggunakan gcloud CLI atau Gemini Enterprise API | Gemini Enterprise Agent Platform | Google Cloud Documentation

Langsung ke konten utama

Dokumentasi

Mulai

Mulai Menggunakan Google Cloud
Daftar Produk
Cloud Customer Care

Produk Unggulan

Agent Platform
Pengelolaan API Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker

Alat Lintas Produk

Pengelolaan akses dan resource
Pengelolaan biaya dan penggunaan
Infrastruktur sebagai kode
SDK, bahasa, framework, dan alat

Area Teknologi

AI dan ML
Pengembangan aplikasi
Hosting aplikasi
Compute
Pipeline dan analisis data
Database
Terdistribusi, hybrid, dan multicloud
Solusi industri
Migrasi
Jaringan
Kemampuan observasi dan pemantauan
Keamanan
Storage

/

Konsol

English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어

Masuk

Gemini Enterprise Agent Platform

Mulai gratis

Ringkasan Studio Agen Model Notebook Referensi API

Agent Platform
AI Generatif

Blog Engineer

Dokumentasi
- Lainnya
- Ringkasan
- Studio
- Agen
- Model
- Notebook
- Referensi API
- Harga
  - Lainnya
- Blog Engineer
Konsol

Ringkasan
Panduan pemula
Mulai
Mulai menggunakan Agent Platform
Mengembangkan kode Gemini API dengan Gen AI SDK
Terhubung ke server MCP Pengetahuan
Mendapatkan kunci API
Mengonfigurasi kredensial default aplikasi
Bermigrasi dari Google AI Studio ke Agent Platform
Mulai menggunakan Gemini 3
Panduan developer untuk model Gemini
Library AI Generatif Google
Buku resep AI generatif
Mengakses model Gemini menggunakan library OpenAI
Mode Ekspres
Pilih model
- Model Garden
- Ringkasan Model Garden
- Menggunakan model di Model Garden
- Menguji kemampuan model
- Model Google
- Semua model Google
- Gemini
  - Bermigrasi ke model Gemini terbaru
  - Pro
  - 3.1 Pro
  - 2.5 Pro
  - Flash
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3 Flash
  - 2.5 Flash
  - 2.5 Flash Live API
  - Flash-Lite
  - 3.5 Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Gambar
  - Nano Banana 2.1
  - Nano Banana 2
  - Nano Banana 2 Lite
  - Nano Banana Pro
  - Nano Banana
  - Coba dengan AR
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Live
  - 3.8 Live
  - Text-to-Speech
  - Gemini 3.8 Flash TTS
  - Gemini 3.8 Flash-Lite TTS
  - Transkripsikan
  - Gemini 3.5 Transcribe
  - Terjemahkan
  - Gemini 3.5 Live Translate
  - Embedding
  - Penyematan Gemini 2
  - Robotika
  - Gemini Robotics ER 2
    Ringkasan
    Penalaran spasial
    Kemampuan agentic
    Orkestrasi tugas
    Pemahaman video
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Versi model
- Model Partner
- Ringkasan model partner
- Claude
  - Ringkasan
  - Meminta prediksi
  - Kuota untuk model Claude dari Anthropic
  - Prediksi batch
  - Output terstruktur
  - Penyimpanan perintah dalam cache
  - Menjumlahkan token
  - Penelusuran web
  - Pengklasifikasi keamanan
  - Program Verifikasi Cyber
  - Model Claude
  - Fable
  - Fable 5.1
  - Fable 5
  - Opus
  - Opus 5.5
  - Opus 5
  - Opus 4.8
  - Opus 4.7
  - Opus 4.6
  - Opus 4.5
  - Opus 4.1
  - Opus 4
  - Soneta
  - Sonnet 5.5
  - Sonnet 5
  - Sonnet 4.6
  - Sonnet 4.5
  - Sonnet 4
  - Haiku
  - Haiku 5.5
  - Haiku 4.5
- Grok
  - Ringkasan
  - Responses API
  - Panggilan fungsi
  - Output terstruktur
  - Penalaran
  - Detail model
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
  - Grok 4.7
- Mistral AI
  - Ringkasan
  - Detail model
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Meta
  - Ringkasan
  - Detail model
  - Muse Spark 1.3
- Men-deploy model partner dari Model Garden
- Penghentian penggunaan model partner
- Model Terbuka
- Ringkasan
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Embedding (e5)
  - Multilingual E5 Small
  - Multilingual E5 Large
- Google Gemma
- Kimi
  - Ringkasan
  - Kimi K2 Thinking
- Llama
  - Ringkasan
  - Meminta prediksi
  - Detail model
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Ringkasan
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Model terbuka terkelola (MaaS)
- Model terbuka yang di-deploy sendiri
Build
- Desain perintah
- Pengantar pembuatan perintah
- Strategi penulisan perintah
- Panduan perintah khusus tugas
  - Mendesain prompt multimodal
  - Mendesain permintaan chat
- Kemampuan
- Keamanan
- Pembuatan teks dan kode
- Pembuatan gambar
- Pembuatan video
- Pembuatan musik
- Pembuatan audio
- Analisis media
- Konteks URL
- Berpikir
- Interactions API
  - Ringkasan
  - Panduan developer
- Live API
- Embedding
- Terjemahan
- Mentranskripsikan ucapan
- Alat model
- Eksekusi kode
- Penggunaan komputer
- Panggilan fungsi
- Grounding
- Alat pengembangan
- Menggunakan alat penulisan perintah berteknologi AI
  - Ringkasan
  - Mengoptimalkan perintah
    Ringkasan
    Pengoptimal zero-shot
    Pengoptimal beberapa contoh
    Pengoptimal berbasis data
  - Menggunakan template perintah
  - Mengelola perintah dengan SDK
- Penyesuaian model
- Pengantar penyesuaian
- Menyesuaikan model Gemini
  - Supervised fine-tuning
    Tentang supervised fine-tuning
    Menyiapkan data
    Menggunakan supervised fine-tuning
    
    Modalitas yang didukung
    Penyesuaian teks
    Penyesuaian dokumen
    Penyesuaian gambar
    Penyesuaian audio
    Penyesuaian video
    Menyesuaikan panggilan fungsi
  - Penyesuaian reinforcement learning
    Tentang fine-tuning reinforcement learning
    Panduan memulai cepat menggunakan konsol
    Mulai cepat menggunakan API
    
    Tugas fine-tuning reinforcement learning
    Ringkasan
    Set data penyesuaian
    Hyperparameter
    Fungsi reward
    Metrik dan pemantauan
    Penyesuaian berkelanjutan
  - Penyesuaian preferensi
    Tentang penyesuaian preferensi
    Menyiapkan data
    Menggunakan penyesuaian preferensi
  - Menggunakan titik pemeriksaan penyesuaian
  - Menggunakan penyetelan berkelanjutan
  - Menyesuaikan rekomendasi dengan LoRA dan QLoRA
- Model terbuka
  - Supervised fine-tuning dan distillation fine-tuning
- Model embedding
  - Menyesuaikan model embedding teks
- Model Terjemahan
- Memigrasikan
- Memanggil model Agent Platform menggunakan library OpenAI
Evaluasi
- Ringkasan
- Tutorial: Melakukan evaluasi menggunakan konsol
- Melakukan evaluasi menggunakan Klien GenAI di Agent Platform SDK
- Metode evaluasi alternatif
- Mengevaluasi menggunakan modul evaluasi di Agent Platform SDK
- Menjalankan pipeline AutoSxS
- Menjalankan pipeline evaluasi berbasis komputasi
Deploy
Mengelola
Membangun model Anda sendiri
- Ringkasan
- MLOps di Agent Platform
- Antarmuka untuk Platform Agen
- Panduan pemula Agent Platform
  - Melatih model AutoML
  - Melatih model khusus
  - Mendapatkan inferensi dari model kustom
  - Melatih model menggunakan Agent Platform dan Python SDK
    Pengantar
    Prasyarat
    Membuat notebook
    Membuat set data
    Membuat skrip pelatihan
    Melatih model
    Membuat inferensi
- Framework ML terintegrasi
  - PyTorch
  - TensorFlow
- Platform Agen untuk pengguna BigQuery
- Glosarium
- Mulai
- Menyiapkan project dan lingkungan pengembangan
- Menginstal Agent Platform SDK untuk Python
- Melakukan autentikasi ke Platform Agen
- Memilih metode pelatihan
- Mencoba tutorial
  - Ringkasan tutorial
  - Tutorial AutoML
    
    Data gambar Hello
    Ringkasan
    Menyiapkan project dan lingkungan
    Membuat set data dan mengimpor gambar
    Melatih model klasifikasi gambar AutoML
    Mengevaluasi dan menganalisis performa model
    Men-deploy model ke endpoint dan membuat inferensi
    Membersihkan project
    
    Data tabular Hello
    Ringkasan
    Menyiapkan project dan lingkungan
    Membuat set data dan melatih model klasifikasi AutoML
    Men-deploy model dan meminta inferensi
    Membersihkan project
  - Tutorial pelatihan kustom
    Melatih model tabulasi khusus
    
    Melatih model klasifikasi gambar TensorFlow Keras
    Ringkasan
    Menyiapkan project dan lingkungan
    Melatih model klasifikasi gambar kustom
    Menyajikan prediksi dari model klasifikasi gambar kustom.
    Membersihkan project
    Meningkatkan kualitas model klasifikasi gambar dengan data kustom
- Menggunakan alat pengembangan Agent Platform
- Ringkasan alat pengembangan
- Menggunakan Agent Platform SDK
  - Ringkasan
  - Pengantar Agent Platform SDK untuk Python
  - Panduan migrasi Python versi 2.0.1
  - Class Agent Platform SDK untuk Python
    Ringkasan kelas Agent Platform SDK
    Class data
    Melatih class
    Kelas model
    Kelas prediksi
    Melacak class
- Dukungan Terraform untuk Platform Agen
- Pelatihan Agent Platform
- Ringkasan
- Pelatihan tanpa server Agent Platform
  - Ringkasan pelatihan serverless di Agent Platform
  - Memuat dan menyiapkan data
    Ringkasan persiapan data
    Menggunakan Cloud Storage sebagai sistem file yang terpasang
    Memasang berbagi secara NFS untuk pelatihan serverless
    Menggunakan set data terkelola
  - Menyiapkan aplikasi pelatihan
    Memahami layanan pelatihan serverless
    Menyiapkan kode pelatihan
    
    Menggunakan container bawaan
    Membuat aplikasi pelatihan Python untuk container bawaan
    Container bawaan untuk pelatihan serverless
    
    Menggunakan container kustom
    Container kustom untuk pelatihan serverless
    Membuat container kustom
    Menyimpan data dalam container dan menjalankan kode pelatihan secara lokal
  - Melatih resource yang persisten
    Ringkasan
    Membuat resource persisten
    Menjalankan tugas pelatihan pada resource persisten
    Mendapatkan informasi resource persisten
    Mulai ulang resource persisten
    Menghapus resource persisten
  - Mengonfigurasi tugas pelatihan
    Memilih metode pelatihan khusus
    Mengonfigurasi setelan container untuk pelatihan
    Mengonfigurasi resource komputasi untuk pelatihan
    Menggunakan reservasi dengan pelatihan
    Menggunakan Spot VM dengan pelatihan
  - Mengirim tugas pelatihan
    Membuat tugas kustom
    
    Penyesuaian hyperparameter
    Ringkasan penyesuaian hyperparameter
    Menggunakan penyesuaian hyperparameter
    Membuat pipeline pelatihan
    Menjadwalkan tugas berdasarkan ketersediaan resource
    Menggunakan pelatihan yang terdistribusi
    Pelatihan dengan VM Cloud TPU
    Menggunakan IP pribadi untuk pelatihan kustom
    Menggunakan antarmuka Private Service Connect untuk pelatihan (direkomendasikan)
  - Memantau dan men-debug
    Memantau dan men-debug pelatihan menggunakan shell interaktif
    Membuat profil performa pelatihan model
  - Tutorial: Membangun pipeline untuk pelatihan berkelanjutan
  - Membuat batasan kebijakan organisasi kustom
- Cluster Gemini Enterprise Agent Platform
  - Ringkasan
  - Mulai menggunakan cluster pelatihan
  - Pertimbangan deployment
    Resource komputasi
    Jaringan
    Storage
    Orkestrasi
  - Membuat dan mengelola cluster
    Buat cluster
    Lihat cluster
    Mengelola cluster
    Mengelola akun dan penjadwalan tugas di cluster
  - Ketahanan cluster
  - Memantau peristiwa ketahanan dengan dasbor
  - Panduan fitur
    Menggunakan VM Flex Start dengan cluster Slurm
  - Menjalankan workload di cluster
    Menjalankan workload yang telah dibuat sebelumnya
    Memvisualisasikan tugas dengan TensorBoard
    Mengelola cluster pelatihan menggunakan Slurm
- Ray on Agent Platform
- Melakukan Penelusuran Arsitektur Neural
- Mengoptimalkan menggunakan Vizier Agent Platform
  - Ringkasan Vizier Agent Platform
  - Membuat studi Agent Platform Vizier
- Pengembangan model AutoML
  - Ringkasan pelatihan AutoML
  - Data gambar
    
    Klasifikasi
    Menyiapkan data
    Buat set data
    Latih model
    Evaluasi model
    Dapatkan prediksi
    Menafsirkan Hasil
    
    Deteksi objek
    Menyiapkan data
    Buat set data
    Latih model
    Evaluasi model
    Dapatkan prediksi
    Menafsirkan Hasil
    Mengenkode data gambar menggunakan Base64
    Mengekspor model AutoML Edge
  - Data tabulasi
    Ringkasan
    Pengantar data tabulasi
    
    Alur Kerja Tabulasi
    Ringkasan
    
    AutoML Menyeluruh
    Ringkasan
    Melatih model
    Mendapatkan inferensi online
    Mendapatkan inferensi batch
    
    Perkiraan
    Ringkasan
    Melatih model
    Mendapatkan inferensi online
    Mendapatkan inferensi batch
    Harga
    Akun layanan
    Mengelola kuota
    
    Melakukan klasifikasi dan regresi dengan AutoML
    Ringkasan
    Panduan memulai: Klasifikasi AutoML (Konsol Cloud)
    Menyiapkan data pelatihan
    Membuat set data
    Melatih model
    Evaluasi model
    Melihat arsitektur model
    Mendapatkan inferensi online
    Mendapatkan inferensi batch
    Ekspor model
    
    Membuat perkiraan dengan AutoML
    Ringkasan
    Menyiapkan data pelatihan
    Membuat set data
    Melatih model
    Evaluasi model
    Mendapatkan inferensi
    Perkiraan hierarkis
    Melakukan perkiraan dengan ARIMA+
    Melakukan perkiraan dengan Prophet
    Melakukan rekonsiliasi entity
    Menampilkan atribusi untuk klasifikasi dan regresi
    Atribusi fitur untuk perkiraan
    Jenis data dan transformasi untuk data AutoML tabulasi
    Parameter pelatihan untuk perkiraan
    Pemisahan data untuk data tabulasi
    Praktik terbaik untuk membuat data pelatihan tabulasi
  - Melatih model AutoML Edge
    Menggunakan Console
    Menggunakan API
- Pengembangan model AI generatif
- Ringkasan
- Membuat dan mengelola set data
- Ringkasan
- Pembagian data untuk model AutoML
- Membuat kumpulan anotasi
- Menghapus kumpulan anotasi
- Menambahkan label (konsol)
- Mengekspor metadata dan anotasi dari set data
- Mengelola versi set data gambar (khusus API)
- Mendapatkan inferensi
- Ringkasan
- Mengonfigurasi model untuk inferensi
- Mendapatkan inferensi online
  - Buat endpoint
    Memilih jenis endpoint
    Membuat endpoint publik
    Menggunakan endpoint publik khusus (direkomendasikan)
    Menggunakan endpoint pribadi khusus berdasarkan Private Service Connect (direkomendasikan)
    Menggunakan endpoint akses layanan pribadi
  - Men-deploy model ke endpoint
    Ringkasan deployment model
    Resource komputasi untuk inferensi
    Men-deploy model menggunakan Konsol Google Cloud
    Men-deploy model menggunakan gcloud CLI atau Agent Platform API
    Menggunakan penskalaan otomatis untuk inferensi