Une IA responsable | Gemini Enterprise Agent Platform | Google Cloud Documentation

Passer au contenu principal

Documentation

Débuter

Premiers pas avec Google Cloud
Liste des produits
Cloud Customer Care

Sélection de produits

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

Outils multiproduits

Gestion des accès et des ressources
Gestion des coûts et de l'utilisation
Infrastructure as Code
SDK, langages, frameworks et outils

Domaines technologiques

IA et ML
Développement d'applications
Hébergement d'applications
Calcul
Analyses de données et pipelines
Bases de données
Solutions distribuées, hybrides et multicloud
Solutions par secteur d'activité
Migration
Mise en réseau
Observabilité et surveillance
Sécurité
Storage

/

Console

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

Connexion

Gemini Enterprise Agent Platform

Commencer l'essai gratuit

Aperçu Studio Agents Modèles Notebooks

Agent Platform
IA générative

Blog des ingénieurs

Documentation
- Plus
- Aperçu
- Studio
- Agents
- Modèles
- Notebooks
- Tarifs
  - Plus
- Blog des ingénieurs
Console

Aperçu
Guide du débutant
Premiers pas
Premiers pas avec Agent Platform
Développer du code d'API Gemini avec le SDK Gen AI
Se connecter au serveur MCP Knowledge
Obtenir une clé API
Configurer les identifiants par défaut de l'application
Migrer de Google AI Studio vers Agent Platform
Premiers pas avec Gemini 3
Guides du développeur pour les modèles Gemini
Bibliothèques Google GenAI
Cookbook sur l'IA générative
Accéder aux modèles Gemini à l'aide des bibliothèques OpenAI
Mode Express
Sélectionner des modèles
- Model Garden
- Présentation de Model Garden
- Utiliser des modèles dans Model Garden
- Tester les capacités du modèle
- Modèles Google
- Tous les modèles Google
- Gemini
  - Migrer vers les derniers modèles Gemini
  - Pro
  - 3.1 Pro
  - 3 Pro Image
  - 2.5 Pro
  - Flash
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3.1 Image Flash
  - 3 Flash
  - 2.5 Flash
  - Image 2.5 Flash
  - 2.5 API Flash Live
  - Flash Lite
  - 3.5 Flash-Lite
  - 3.1 Image Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Transcrire
  - Gemini 3.5 Transcribe
  - Traduire
  - Gemini 3.5 Live Translate
  - Incorporation
  - Embedding Gemini 2
  - Robotique
  - Gemini Robotics ER 2
    Aperçu
    Raisonnement spatial
    Capacités agentives
    Orchestration des tâches
    Compréhension des vidéos
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Essai virtuel
- Versions de modèle
- Modèles partenaires
- Présentation des modèles partenaires
- Claude
- Grok
  - Aperçu
  - API Responses
  - Appel de fonction
  - Sortie structurée
  - Raisonnement
  - Informations sur le modèle
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
- Mistral AI
  - Aperçu
  - Informations sur le modèle
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Déployer des modèles partenaires depuis Model Garden
- Obsolescence des modèles partenaires
- Modèles ouverts
- Aperçu
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Embedding (e5)
  - Multilingual E5 Small
  - Multilingual E5 Large
- Google Gemma
- Kimi
  - Aperçu
  - Kimi K2 Thinking
- Llama
  - Aperçu
  - Demander des prédictions
  - Informations sur le modèle
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Aperçu
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Modèles ouverts gérés (MaaS)
- Modèles ouverts déployés automatiquement
Créer
- Conception de requête
- Présentation des requêtes
- Stratégies de requête
- Conseils pour les requêtes spécifiques à la tâche
  - Concevoir des requêtes multimodales
  - Concevoir des requêtes de chat
- Capacités
- Sécurité
- Génération de texte et de code
- Génération d'images
- Génération de vidéos
- Génération de musique
- Analyse média
- URLs de contexte
- Modèles avec réflexion
- API Live
- Embeddings
- Traduction
- Générer un discours à partir de texte
- Transcrire des données vocales
- Outils de modélisation
- Exécution de code
- Utilisation d'un ordinateur
- Appel de fonction
- Surface de référence
- Outils de développement
- Utiliser des outils d'écriture basés sur l'IA
  - Aperçu
  - Optimiser des requêtes
    Aperçu
    Optimiseur zero-shot
    Optimiseur few-shot
    Optimiseur basé sur les données
  - Utiliser des modèles de requêtes
- Réglage de modèle
- Présentation du réglage
- Régler des modèles Gemini
  - Réglage supervisé
    À propos de l'affinage supervisé
    Préparer vos données
    Utiliser l'affinage supervisé
    
    Modalités acceptées
    Réglage du texte
    Réglage des documents
    Réglage des images
    Réglage audio
    Réglage vidéo
    Ajuster l'appel de fonction
  - Réglage fin par apprentissage par renforcement
    À propos du réglage fin par apprentissage par renforcement
    Démarrage rapide avec la console
    Guide de démarrage rapide à l'aide de l'API
    
    Job de réglage fin par apprentissage par renforcement
    Aperçu
    Ensemble de données de réglage
    Hyperparamètres
    Fonctions de récompense
    Métriques et surveillance
    Réglage continu
  - Réglage des préférences
    À propos du réglage des préférences
    Préparer vos données
    Utiliser le réglage des préférences
  - Utiliser des points de contrôle de réglage
  - Utiliser le réglage continu
  - Recommandations de réglage avec LoRA et QLoRA
- Modèles ouverts
  - Affinage supervisé et par distillation
- Modèles d'embeddings
  - Régler les modèles d'embeddings de texte
- Modèles de traduction
- Migrer
- Appeler des modèles Agent Platform à l'aide de bibliothèques OpenAI
Évaluer
- Aperçu
- Tutoriel : Effectuer une évaluation à l'aide de la console
- Effectuer une évaluation à l'aide du client GenAI dans le SDK Agent Platform
- Autres méthodes d'évaluation
- Évaluer à l'aide du module d'évaluation du SDK Agent Platform
- Exécuter le pipeline AutoSxS
- Exécuter un pipeline d'évaluation basé sur le calcul
Déployer
Administrer
Créer votre propre modèle
- Aperçu
- MLOps sur Agent Platform
- Interfaces pour Agent Platform
- Guides du débutant Agent Platform
  - Entraîner un modèle AutoML
  - Entraîner un modèle personnalisé
  - Obtenir des inférences à partir d'un modèle personnalisé
  - Entraîner un modèle à l'aide d'Agent Platform et du SDK Python
    Présentation
    Conditions préalables
    Créer un notebook
    Créer un ensemble de données
    Créer un script d'entraînement
    Entraîner un modèle
    Faire une inférence
- Frameworks de ML intégrés
  - PyTorch
  - TensorFlow
- Plate-forme d'agent pour les utilisateurs de BigQuery
- Glossaire
- Premiers pas
- Configurer un projet et un environnement de développement
- Installer le SDK Agent Platform pour Python
- S'authentifier auprès d'Agent Platform
- Choisir une méthode d'entraînement
- Suivez un tutoriel
  - Présentation des tutoriels
  - Tutoriels AutoML
    
    Données d'images Hello
    Aperçu
    Configurer votre projet et votre environnement
    Créer un ensemble de données et importer des images
    Entraîner un modèle de classification d'images AutoML
    Évaluer et analyser les performances du modèle
    Déployer un modèle sur un point de terminaison et effectuer une inférence
    Nettoyer votre projet
    
    Données tabulaires Hello
    Aperçu
    Configurer votre projet et votre environnement
    Créer un ensemble de données et entraîner un modèle de classification AutoML
    Déployer un modèle et demander une inférence
    Nettoyer votre projet
  - Tutoriels sur l'entraînement personnalisé
    Entraîner un modèle tabulaire personnalisé
    
    Entraîner un modèle de classification d'images TensorFlow Keras
    Aperçu
    Configurer votre projet et votre environnement
    Entraîner un modèle de classification d'images personnalisé
    Diffuser des prédictions à partir d'un modèle de classification d'images personnalisé
    Nettoyer votre projet
    Ajuster un modèle de classification d'images avec des données personnalisées
- Utiliser les outils de développement Agent Platform
- Présentation des outils de développement
- Utiliser le SDK Agent Platform
  - Aperçu
  - Présentation du SDK Agent Platform pour Python
  - Guide de migration de la version 2.0.1 de Python
  - Classes du SDK Agent Platform pour Python
    Présentation des classes du SDK Agent Platform
    Classes de données
    Classes d'entraînement
    Classes de modèles
    Classes de prédiction
    Classes de suivi
- Compatibilité de Terraform avec Agent Platform
- Agent Platform Training
- Aperçu
- Entraînement sans serveur Agent Platform
  - Présentation de l'entraînement sans serveur dans Agent Platform
  - Charger et préparer des données
    Présentation de la préparation des données
    Utiliser Cloud Storage comme système de fichiers installé
    Installer un partage NFS pour l'entraînement sans serveur
    Utiliser des ensembles de données gérés
  - Préparer l'application d'entraînement
    Comprendre le service d'entraînement sans serveur
    Préparer le code d'entraînement
    
    Utiliser des conteneurs prédéfinis
    Créer une application d'entraînement Python pour un conteneur prédéfini
    Conteneurs prédéfinis pour l'entraînement sans serveur
    
    Utiliser des conteneurs personnalisés
    Conteneurs personnalisés pour l'entraînement sans serveur
    Créer un conteneur personnalisé
    Conteneuriser et exécuter du code d'entraînement en local
  - Définir un entraînement sur une ressource persistante
    Aperçu
    Créer une ressource persistante
    Exécuter des jobs d'entraînement sur une ressource persistante
    Obtenir des informations sur des ressources persistantes
    Redémarrer une ressource persistante
    Supprimer une ressource persistante
  - Configurer le job d'entraînement
    Choisir une méthode d'entraînement personnalisé
    Configurer les paramètres du conteneur pour l'entraînement
    Configurer des ressources de calcul pour l'entraînement
    Utiliser les réservations avec l'entraînement
    Utiliser des VM Spot pour l'entraînement
  - Envoyer une tâche d'entraînement
    Créer des tâches personnalisées
    
    Réglages d'hyperparamètres
    Présentation des réglages d'hyperparamètres
    Utiliser les réglages d'hyperparamètres
    Créer des pipelines d'entraînement
    Planifier des jobs en fonction de la disponibilité des ressources
    Utiliser l'entraînement distribué
    Entraîner avec des VM Cloud TPU
    Utiliser une adresse IP privée pour l'entraînement personnalisé
    Utiliser une interface Private Service Connect pour l'entraînement (recommandé)
  - Surveiller et déboguer
    Surveiller et déboguer l'entraînement à l'aide d'une interface système interactive
    Profiler les performances d'entraînement de modèle
  - Tutoriel : Créer un pipeline pour l'entraînement continu
  - Créer des contraintes personnalisées liées aux règles d'administration
- Clusters Gemini Enterprise Agent Platform
  - Aperçu
  - Premiers pas avec les clusters d'entraînement
  - Remarques relatives au déploiement
    Ressources de calcul
    Mise en réseau
    Storage
    Orchestration
  - Créer et gérer des clusters
    Créer un cluster
    Afficher les clusters
    Gérer un cluster
    Gérer les comptes et la planification des jobs sur un cluster
  - Résilience des clusters
  - Surveiller les événements de résilience avec un tableau de bord
  - Guides des fonctionnalités
    Utiliser des VM à démarrage flexible avec des clusters Slurm
  - Exécuter une charge de travail sur un cluster
    Exécuter des charges de travail prédéfinies
    Visualiser les jobs avec TensorBoard
    Gérer les clusters d'entraînement à l'aide de Slurm
- Ray sur Agent Platform
- Lancer une recherche Neural Architecture Search
- Optimiser à l'aide d'Agent Platform Vizier
  - Présentation d'Agent Platform Vizier
  - Créer des études Agent Platform Vizier
- Développement de modèles AutoML
  - Présentation de l'entraînement AutoML
  - Données d'image
    
    Classification
    Préparer les données
    Créer un ensemble de données
    Entraîner le modèle
    Évaluer le modèle
    Obtenir des prédictions
    Interpréter les résultats
    
    Détection d'objets
    Préparer les données
    Créer un ensemble de données
    Entraîner le modèle
    Évaluer le modèle
    Obtenir des prédictions
    Interpréter les résultats
    Encoder des données d'image en Base64
    Exporter un modèle AutoML Edge
  - Données tabulaires
    Aperçu
    Présentation des données tabulaires
    
    Workflows tabulaires
    Aperçu
    
    AutoML de bout en bout
    Aperçu
    Entraîner un modèle
    Obtenir des inférences en ligne
    Obtenir des inférences par lot
    
    Prévision
    Aperçu
    Entraîner un modèle
    Obtenir des inférences en ligne
    Obtenir des inférences par lot
    Tarifs
    Service Accounts
    Gérer les quotas
    
    Effectuer des classifications et des régressions avec AutoML
    Aperçu
    Guide de démarrage rapide : Classification AutoML (console Cloud)
    Préparer les données d'entraînement
    Créer un ensemble de données
    Entraîner un modèle
    Évaluer le modèle
    Afficher l'architecture du modèle
    Obtenir des inférences en ligne
    Obtenir des inférences par lot
    Exporter le modèle
    
    Effectuer des prévisions avec AutoML
    Aperçu
    Préparer les données d'entraînement
    Créer un ensemble de données
    Entraîner un modèle
    Évaluer le modèle
    Obtenir des inférences
    Prévisions hiérarchiques
    Effectuer des prévisions avec ARIMA+
    Effectuer des prévisions avec Prophet
    Effectuer un rapprochement d'entités
    Attributions de caractéristiques pour la classification et la régression
    Attributions de caractéristiques pour la prévision
    Types de données et transformations pour les données tabulaires AutoML
    Paramètres d'entraînement pour les prévisions
    Fractionnement des données pour les données tabulaires
    Bonnes pratiques pour la création de données tabulaires d'entraînement
  - Entraîner un modèle AutoML Edge
    Utiliser la console
    Utiliser l'API
- Développement de modèles d'IA générative
- Aperçu
- Créer et gérer des ensembles de données
- Aperçu
- Divisions de données pour les modèles AutoML
- Créer un ensemble d'annotations
- Supprimer un ensemble d'annotations
- Ajouter des libellés (console)
- Exporter des métadonnées et des annotations à partir d'un ensemble de données
- Gérer les versions d'ensembles de données d'images (API uniquement)
- Obtenir des inférences
- Aperçu
- Configurer des modèles pour l'inférence
- Obtenir des inférences en ligne
- Obtenir des inférences par lot