หากคุณเคยลองใช้เครื่องมือ AI และสงสัยว่ากระบวนการทำงานแบบครบวงจรตั้งแต่ต้นจนจบเกิดขึ้นที่ไหน ตั้งแต่การปรับแต่งเบื้องต้นไปจนถึงการใช้งานจริงพร้อมการตรวจสอบ นี่คือสิ่งที่คุณได้ยินบ่อยๆ Google Vertex AI รวบรวมสนามทดลองโมเดล MLOps การเชื่อมต่อข้อมูล และการค้นหาเวกเตอร์ไว้ในที่เดียว ระดับองค์กร เริ่มต้นจากขนาดเล็กแล้วค่อยขยายขนาด เป็นเรื่องที่หาได้ยากอย่างน่าประหลาดใจที่จะได้ทุกอย่างครบจบในที่เดียว.
ด้านล่างนี้คือคำแนะนำแบบตรงไปตรงมา เราจะตอบคำถามพื้นฐานที่ว่า Google Vertex AI คืออะไร และยังแสดงให้เห็นว่ามันเข้ากับระบบของคุณได้อย่างไร ควรลองอะไรก่อน ค่าใช้จ่ายเป็นอย่างไร และเมื่อใดที่ทางเลือกอื่นเหมาะสมกว่า เตรียมตัวให้พร้อม มีรายละเอียดมากมาย แต่เส้นทางนั้นง่ายกว่าที่คิด 🙂
บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:
🔗 AI Trainer คืออะไร
อธิบายว่าผู้ฝึกสอน AI ปรับปรุงโมเดลอย่างไรผ่านการให้ข้อเสนอแนะและการติดป้ายกำกับจากมนุษย์.
🔗 AI Arbitrage คืออะไร: ความจริงเบื้องหลังคำศัพท์ยอดฮิต
อธิบายรายละเอียดเกี่ยวกับการเก็งกำไรโดยใช้ AI รูปแบบธุรกิจ และผลกระทบต่อตลาด.
🔗 ปัญญาประดิษฐ์เชิงสัญลักษณ์คืออะไร: ทุกสิ่งที่คุณควรรู้
ครอบคลุมถึงการให้เหตุผลเชิงตรรกะของ AI เชิงสัญลักษณ์ และความแตกต่างจากการเรียนรู้ของเครื่องจักร.
🔗 ภาษาโปรแกรมใดที่ใช้สำหรับ AI
เปรียบเทียบ Python, R และภาษาโปรแกรมอื่นๆ สำหรับการพัฒนาและวิจัยด้านปัญญาประดิษฐ์.
🔗 AI ในรูปแบบบริการคืออะไร
อธิบายเกี่ยวกับแพลตฟอร์ม AIaaS ประโยชน์ และวิธีที่ธุรกิจต่างๆ ใช้ประโยชน์จากเครื่องมือ AI บนคลาวด์.
Google Vertex AI คืออะไร? 🚀
Google Vertex AI เป็นแพลตฟอร์มแบบครบวงจรบน Google Cloud สำหรับการสร้าง ทดสอบ ปรับใช้ และควบคุมระบบ AI ซึ่งครอบคลุมทั้ง ML แบบคลาสสิกและ AI เชิงสร้างสรรค์สมัยใหม่ โดยประกอบด้วยสตูดิโอโมเดล เครื่องมือเอเจนต์ ไปป์ไลน์ โน้ตบุ๊ก รีจิสทรี การตรวจสอบ การค้นหาเวกเตอร์ และการผสานรวมอย่างแน่นหนากับบริการข้อมูลของ Google Cloud [1]
กล่าวโดยสรุปคือ เป็นที่ที่คุณสร้างต้นแบบด้วยโมเดลพื้นฐาน ปรับแต่งโมเดลเหล่านั้น ปรับใช้กับปลายทางที่ปลอดภัย ทำให้เป็นอัตโนมัติด้วยไปป์ไลน์ และคอยตรวจสอบและควบคุมทุกอย่าง ที่สำคัญคือ ทำทั้งหมดนี้ในที่เดียว ซึ่งสำคัญกว่าที่เห็นในวันแรก [1].
ตัวอย่างรูปแบบการใช้งานจริงอย่างรวดเร็ว: ทีมงานมักจะร่างโจทย์ใน Studio ต่อสายโน้ตบุ๊กแบบง่ายๆ เพื่อทดสอบการรับส่งข้อมูลกับข้อมูลจริง จากนั้นจึงนำสินทรัพย์เหล่านั้นไปสร้างเป็นโมเดลที่ลงทะเบียนแล้ว จุดเชื่อมต่อ และไปป์ไลน์แบบง่ายๆ สัปดาห์ที่สองมักจะเป็นการตรวจสอบและแจ้งเตือน จุดสำคัญไม่ใช่การแสดงความสามารถพิเศษ แต่เป็นการทำซ้ำได้.
อะไรที่ทำให้ Google Vertex AI ยอดเยี่ยม ✅
-
หลังคาเดียวสำหรับวงจรชีวิต - สร้างต้นแบบในสตูดิโอ ลงทะเบียนเวอร์ชัน ปรับใช้สำหรับการประมวลผลแบบกลุ่มหรือแบบเรียลไทม์ จากนั้นตรวจสอบการเปลี่ยนแปลงและปัญหา โค้ดเชื่อมต่อน้อยลง แท็บน้อยลง นอนหลับได้มากขึ้น [1]
-
Model Garden + โมเดล Gemini - ค้นพบ ปรับแต่ง และใช้งานโมเดลจาก Google และพันธมิตร รวมถึงตระกูล Gemini ล่าสุด สำหรับงานข้อความและงานมัลติโมดอล [1]
-
Agent Builder - สร้างเอเจนต์แบบหลายขั้นตอนที่เน้นงานซึ่งสามารถจัดการเครื่องมือและข้อมูลพร้อมการสนับสนุนการประเมินและรันไทม์ที่ได้รับการจัดการ [2]
-
ไปป์ไลน์เพื่อความน่าเชื่อถือ - การจัดการเซิร์ฟเวอร์แบบไร้เซิร์ฟเวอร์สำหรับการฝึกอบรม การประเมิน การปรับแต่ง และการปรับใช้ที่ทำซ้ำได้ คุณจะขอบคุณตัวเองเมื่อถึงรอบการฝึกอบรมครั้งที่สาม [1]
-
การค้นหาเวกเตอร์ในระดับขนาด ใหญ่ - การดึงเวกเตอร์ขนาดใหญ่ที่มีความหน่วงต่ำสำหรับ RAG คำแนะนำ และการค้นหาเชิงความหมาย สร้างขึ้นบนโครงสร้างพื้นฐานระดับการผลิตของ Google [3]
-
การจัดการฟีเจอร์ด้วย BigQuery - ดูแลรักษาข้อมูลฟีเจอร์ของคุณใน BigQuery และให้บริการฟีเจอร์ออนไลน์ผ่าน Vertex AI Feature Store โดยไม่ต้องสร้างร้านค้าออฟไลน์ซ้ำซ้อน [4]
-
สมุดบันทึก Workbench - สภาพแวดล้อม Jupyter ที่ได้รับการจัดการซึ่งเชื่อมต่อกับบริการ Google Cloud (BigQuery, Cloud Storage เป็นต้น) [1]
-
ตัวเลือก AI ที่มีความรับผิดชอบ - เครื่องมือด้านความปลอดภัยบวกกับ การเก็บรักษาข้อมูลเป็นศูนย์ (เมื่อกำหนดค่าอย่างเหมาะสม) สำหรับเวิร์กโหลดการสร้าง [5]
ชิ้นส่วนหลักที่คุณจะได้สัมผัสจริง ๆ 🧩
1) Vertex AI Studio - ที่ซึ่งคำแนะนำต่างๆ เติบโตขึ้น 🌱
เล่น ประเมิน และปรับแต่งโมเดลพื้นฐานใน UI เหมาะสำหรับการทำซ้ำอย่างรวดเร็ว ข้อความแจ้งเตือนที่นำกลับมาใช้ใหม่ได้ และการส่งมอบให้กับการผลิตเมื่อ "เข้าใจ" แล้ว [1].
2) สวนจำลอง - แคตตาล็อกแบบจำลองของคุณ 🍃
คลังข้อมูลส่วนกลางของโมเดล Google และพันธมิตร เรียกดู ปรับแต่ง และใช้งานได้ในไม่กี่คลิก ซึ่งเป็นจุดเริ่มต้นที่แท้จริงแทนที่จะเป็นการค้นหาแบบกระจัดกระจาย [1].
3) Agent Builder - สำหรับระบบอัตโนมัติที่เชื่อถือได้ 🤝
เมื่อเอเจนต์พัฒนาจากเดโมไปสู่การทำงานจริง คุณจำเป็นต้องมีเครื่องมือ พื้นฐาน และการจัดการ เอเจนต์บิลเดอร์จัดเตรียมโครงสร้างพื้นฐาน (เซสชัน ธนาคารหน่วยความจำ เครื่องมือในตัว การประเมินผล) เพื่อให้ประสบการณ์การทำงานแบบหลายเอเจนต์ไม่ล่มสลายภายใต้ความยุ่งเหยิงในโลกแห่งความเป็นจริง [2].
4) ขั้นตอนการทำงาน - เพราะยังไงคุณก็ต้องพูดซ้ำอยู่ดี 🔁
ทำให้เวิร์กโฟลว์ ML และ gen-AI เป็นไปโดยอัตโนมัติด้วยตัวจัดการแบบไร้เซิร์ฟเวอร์ รองรับการติดตามอาร์ติแฟกต์และการรันที่ทำซ้ำได้ - ลองนึกภาพว่าเป็น CI สำหรับโมเดลของคุณ [1].
5) Workbench - จัดการโน้ตบุ๊กได้อย่างมีประสิทธิภาพโดยไม่ต้องยุ่งยาก 📓
สร้างสภาพแวดล้อม JupyterLab ที่ปลอดภัยพร้อมการเข้าถึง BigQuery, Cloud Storage และอื่นๆ ได้อย่างง่ายดาย สะดวกสำหรับการสำรวจ การสร้างคุณลักษณะ และการทดลองแบบควบคุม [1].
6) ระบบลงทะเบียนรุ่น - การกำหนดเวอร์ชันที่ถาวร 🗃️
ติดตามโมเดล เวอร์ชัน สายเลือด และปรับใช้โดยตรงไปยังปลายทาง ระบบลงทะเบียนทำให้การส่งต่อไปยังฝ่ายวิศวกรรมมีความคลุมเครือน้อยลง [1].
7) Vector Search - RAG ที่ไม่สะดุด 🧭
ปรับขนาดการดึงข้อมูลเชิงความหมายด้วยโครงสร้างพื้นฐานเวกเตอร์การผลิตของ Google ซึ่งมีประโยชน์สำหรับการแชท การค้นหาเชิงความหมาย และคำแนะนำที่ผู้ใช้สามารถมองเห็นความล่าช้าได้ [3].
8) Feature Store - ให้ BigQuery เป็นแหล่งข้อมูลหลักที่เชื่อถือได้ 🗂️
จัดการและให้บริการฟีเจอร์ออนไลน์จากข้อมูลที่อยู่ใน BigQuery ลดการคัดลอก ลดงานซิงค์ เพิ่มความแม่นยำ [4].
9) การตรวจสอบแบบจำลอง - เชื่อใจได้ แต่ต้องตรวจสอบด้วย 📈
กำหนดเวลาตรวจสอบการเบี่ยงเบน ตั้งค่าการแจ้งเตือน และติดตามคุณภาพการผลิต เมื่อใดก็ตามที่ปริมาณการจราจรเปลี่ยนแปลง คุณจะต้องใช้สิ่งนี้ [1].
มันจะเข้ากับระบบจัดการข้อมูลของคุณได้อย่างไร 🧵
-
BigQuery - ฝึกฝนด้วยข้อมูลที่นั่น ผลักดันการคาดการณ์แบบกลุ่มกลับไปยังตาราง และเชื่อมโยงการคาดการณ์เข้ากับการวิเคราะห์หรือการเปิดใช้งานในขั้นตอนถัดไป [1][4]
-
พื้นที่จัดเก็บข้อมูลบนคลาวด์ - จัดเก็บชุดข้อมูล สิ่งประดิษฐ์ และผลลัพธ์ของโมเดลโดยไม่ต้องสร้างเลเยอร์บล็อกใหม่ [1]
-
Dataflow และเพื่อน ๆ - ดำเนินการประมวลผลข้อมูลที่ได้รับการจัดการภายในไปป์ไลน์สำหรับการประมวลผลล่วงหน้า การเสริมคุณค่า หรือการอนุมานแบบสตรีมมิ่ง [1]
-
ปลายทางหรือแบบกลุ่ม - ปรับใช้ปลายทางแบบเรียลไทม์สำหรับแอปและเอเจนต์ หรือเรียกใช้งานแบบกลุ่มเพื่อประเมินตารางทั้งหมด - คุณน่าจะใช้ทั้งสองอย่าง [1]
ตัวอย่างการใช้งานทั่วไปที่ได้ผลจริง 🎯
-
การแชท นักบินผู้ช่วย และตัวแทน - โดยยึดข้อมูลของคุณ การใช้งานเครื่องมือ และขั้นตอนการทำงานหลายขั้นตอน Agent Builder ได้รับการออกแบบมาเพื่อความน่าเชื่อถือ ไม่ใช่แค่ความแปลกใหม่ [2]
-
RAG และการค้นหาเชิงความหมาย - ผสาน Vector Search กับ Gemini เพื่อตอบคำถามโดยใช้เนื้อหาที่เป็นกรรมสิทธิ์ของคุณ ความเร็วมีความสำคัญมากกว่าที่เราคิด [3]
-
ML เชิงทำนาย - ฝึกโมเดลตารางหรือรูปภาพ ปรับใช้กับปลายทาง ตรวจสอบการเปลี่ยนแปลง ฝึกใหม่ด้วยไปป์ไลน์เมื่อถึงเกณฑ์ที่กำหนด เป็นแบบคลาสสิกแต่สำคัญ [1]
-
การเปิดใช้งานการวิเคราะห์ - เขียนการคาดการณ์ลงใน BigQuery สร้างกลุ่มเป้าหมาย และป้อนข้อมูลให้กับแคมเปญหรือการตัดสินใจเกี่ยวกับผลิตภัณฑ์ วงจรที่ดีเมื่อการตลาดมาบรรจบกับวิทยาศาสตร์ข้อมูล [1][4]
ตารางเปรียบเทียบ - Vertex AI กับทางเลือกยอดนิยมอื่นๆ 📊
สรุปโดยย่อ อาจมีมุมมองส่วนตัวบ้าง โปรดทราบว่าความสามารถและราคาที่แน่นอนอาจแตกต่างกันไปตามบริการและภูมิภาค.
| แพลตฟอร์ม | กลุ่มเป้าหมายที่ดีที่สุด | เหตุผลที่มันได้ผล |
|---|---|---|
| เวอร์เท็กซ์ AI | Teams บน Google Cloud การผสมผสานระหว่าง AI รุ่นใหม่และแมชชีนเลิร์นนิง | สตูดิโอแบบครบวงจร, ไปป์ไลน์, รีจิสทรี, การค้นหาเวกเตอร์ และความเชื่อมโยงที่แข็งแกร่งกับ BigQuery [1]. |
| AWS SageMaker | องค์กรที่ใช้ AWS เป็นหลักและต้องการเครื่องมือ Machine Learning ขั้นสูง | บริการ ML ที่ครบวงจรและสมบูรณ์ พร้อมตัวเลือกการฝึกอบรมและการใช้งานที่หลากหลาย. |
| Azure ML | ไอทีระดับองค์กรที่สอดคล้องกับ Microsoft | การบูรณาการวงจรชีวิตของแมชชีนเลิร์นนิง, ส่วนติดต่อผู้ใช้สำหรับนักออกแบบ และระบบการกำกับดูแลบน Azure. |
| ดาต้าบริคส์ เอ็มแอล | ทีมงานที่เลคเฮาส์ เน้นการใช้สมุดบันทึกเป็นหลัก | เวิร์กโฟลว์ที่เน้นข้อมูลเป็นหลักและความสามารถด้านแมชชีนเลิร์นนิงในระดับการผลิตที่แข็งแกร่ง. |
ใช่แล้ว การเรียบเรียงอาจไม่สม่ำเสมอ ตารางจริงบางครั้งก็เป็นแบบนั้น.
ค่าใช้จ่ายแบบเข้าใจง่าย 💸
โดยหลักแล้วคุณจ่ายเงินสำหรับสามสิ่งต่อไปนี้:
-
การใช้งานโมเดล สำหรับการเรียกใช้ฟังก์ชันแบบสร้างข้อมูลอัตโนมัติ - คิดราคาตามปริมาณงานและประเภทการใช้งาน
-
ประมวลผล สำหรับงานฝึกอบรมและปรับแต่งแบบกำหนดเอง
-
เหมาะ สำหรับใช้งานกับปลายทางออนไลน์หรือการประมวลผลแบบแบตช์
สำหรับตัวเลขที่แน่นอนและการเปลี่ยนแปลงล่าสุด โปรดตรวจสอบหน้าการกำหนดราคาอย่างเป็นทางการของ Vertex AI และข้อเสนอการสร้างข้อมูล เคล็ดลับที่คุณจะขอบคุณตัวเองในภายหลัง: ตรวจสอบตัวเลือกการจัดเตรียมและโควต้าสำหรับเอนด์พอยต์ Studio เทียบกับเอนด์พอยต์การผลิตก่อนที่คุณจะส่งอะไรก็ตามที่มีน้ำหนักมาก [1][5].
ความปลอดภัย การกำกับดูแล และปัญญาประดิษฐ์ที่รับผิดชอบ 🛡️
Vertex AI ให้คำแนะนำ AI ที่มีความรับผิดชอบและเครื่องมือด้านความปลอดภัย รวมถึงเส้นทางการกำหนดค่าเพื่อ ให้ไม่มีการเก็บรักษาข้อมูล สำหรับเวิร์กโหลดการสร้างบางอย่าง (เช่น โดยการปิดใช้งานการแคชข้อมูลและเลือกที่จะไม่บันทึกข้อมูลเฉพาะเมื่อเหมาะสม) [5] จับคู่กับการเข้าถึงตามบทบาท เครือข่ายส่วนตัว และบันทึกการตรวจสอบสำหรับการสร้างที่เป็นมิตรต่อการปฏิบัติตามกฎระเบียบ [1]
เมื่อ Vertex AI สมบูรณ์แบบ และเมื่อมันมากเกินไป 🧠
-
เหมาะอย่างยิ่ง หากคุณต้องการสภาพแวดล้อมเดียวสำหรับ AI รุ่นใหม่และ ML การผสานรวมกับ BigQuery อย่างแน่นหนา และเส้นทางการผลิตที่รวมถึงไปป์ไลน์ รีจิสทรี และการตรวจสอบ หากทีมของคุณประกอบด้วยนักวิทยาศาสตร์ข้อมูลและวิศวกรแอปพลิเคชัน พื้นผิวที่ใช้ร่วมกันนี้จะช่วยได้มาก
-
ถ้าคุณต้องการเพียงแค่การเรียกใช้โมเดลแบบง่ายๆ หรือต้นแบบที่มีวัตถุประสงค์เดียวซึ่งไม่ต้องการการกำกับดูแล การฝึกอบรมใหม่ หรือการตรวจสอบ การใช้งาน API ที่เรียบง่ายกว่าอาจเพียงพอแล้วในตอนนี้ อาจเป็นการใช้งานที่เกินความ จำเป็น
พูดกันตามตรง: ต้นแบบส่วนใหญ่ไม่ตายก็งอกเขี้ยวออกมา Vertex AI จัดการกับกรณีหลังได้.
เริ่มต้นอย่างรวดเร็ว - การทดสอบรสชาติ 10 นาที ⏱️
-
เปิด Vertex AI Studio เพื่อสร้างต้นแบบด้วยโมเดลและบันทึกพรอมต์ที่คุณชอบไว้สักสองสามรายการ ทดสอบประสิทธิภาพด้วยข้อความและรูปภาพจริงของคุณ [1]
-
เชื่อมต่อข้อความแจ้งเตือนที่ดีที่สุดของคุณเข้ากับแอปหรือสมุดบันทึกขนาดเล็กจาก Workbench เรียบง่ายและกระชับ [1]
-
ลงทะเบียนโมเดลสนับสนุนของแอปหรือสินทรัพย์ที่ปรับแต่งแล้วใน Model Registry เพื่อที่คุณจะได้ไม่ต้องทิ้งอาร์ติแฟกต์ที่ไม่มีชื่อ [1]
-
สร้าง ไปป์ไลน์ ที่โหลดข้อมูล ประเมินผลลัพธ์ และปรับใช้เวอร์ชันใหม่ภายใต้นามแฝง การทำซ้ำได้ดีกว่าความกล้าหาญ [1]
-
เพิ่ม การตรวจสอบ เพื่อตรวจจับการเปลี่ยนแปลงและตั้งค่าการแจ้งเตือนพื้นฐาน ตัวคุณในอนาคตจะซื้อกาแฟให้คุณเพราะเรื่องนี้ [1]
ตัวเลือกเสริมแต่ชาญฉลาด: หากกรณีการใช้งานของคุณเน้นการค้นหาหรือการสนทนา ให้เพิ่ม Vector Search และ grounding ตั้งแต่วันแรก มันคือความแตกต่างระหว่างสิ่งที่ดีกับสิ่งที่มีประโยชน์อย่างน่าประหลาดใจ [3]
Google Vertex AI คืออะไร? - ฉบับย่อ 🧾
Google Vertex AI คืออะไร? มันคือแพลตฟอร์มแบบครบวงจรของ Google Cloud สำหรับออกแบบ ปรับใช้ และควบคุมระบบ AI ตั้งแต่เริ่มต้นจนถึงการผลิต โดยมีเครื่องมือในตัวสำหรับเอเจนต์ ไปป์ไลน์ การค้นหาเวกเตอร์ โน้ตบุ๊ก รีจิสทรี และการตรวจสอบ มันมีแนวคิดที่ช่วยให้ทีมสามารถส่งมอบได้ [1]
ทางเลือกต่างๆ อย่างรวดเร็ว - เลือกเลนที่ถูกต้อง 🛣️
หากคุณใช้งาน AWS อยู่แล้วอย่างเชี่ยวชาญ SageMaker จะให้ความรู้สึกเหมือนเป็นส่วนหนึ่งของระบบ ส่วนทีมที่ใช้งาน Azure มักจะเลือกใช้ Azure ML และหากทีมของคุณทำงานอยู่บนโน้ตบุ๊กและบ้านพักบนคลาวด์ Databricks ML ก็เป็นตัวเลือกที่ยอดเยี่ยม ทั้งหมดนี้ไม่มีอะไรผิด โดยทั่วไปแล้ว น้ำหนักของข้อมูลและข้อกำหนดด้านการกำกับดูแลของคุณจะเป็นตัวตัดสิน
คำถามที่พบบ่อย - แบบรวดเร็ว 🧨
-
Vertex AI ใช้ได้เฉพาะกับ AI เชิงสร้างสรรค์เท่านั้นหรือ? No-Vertex AI ยังครอบคลุมถึงการฝึกอบรม ML แบบคลาสสิกและการให้บริการด้วยคุณสมบัติ MLOps สำหรับนักวิทยาศาสตร์ข้อมูลและวิศวกร ML [1]
-
ฉันสามารถใช้ BigQuery เป็นร้านค้าหลักได้หรือไม่? ได้ - ใช้ Feature Store เพื่อเก็บรักษาข้อมูลฟีเจอร์ใน BigQuery และให้บริการออนไลน์โดยไม่ต้องสร้างร้านค้าออฟไลน์ซ้ำซ้อน [4]
-
Vertex AI ช่วยในเรื่อง RAG ได้หรือไม่? ใช่ - Vector Search ถูกสร้างขึ้นมาเพื่อสิ่งนี้และผสานรวมเข้ากับส่วนที่เหลือของระบบ [3]
-
ฉันจะควบคุมต้นทุนได้อย่างไร? เริ่มจากเล็กๆ วัดผล และตรวจสอบโควต้า/การจัดสรรและราคาคลาสงานก่อนที่จะขยายขนาด [1][5]
เอกสารอ้างอิง
[1] Google Cloud - บทนำเกี่ยวกับ Vertex AI (ภาพรวมแพลตฟอร์มแบบรวม) - อ่านเพิ่มเติม
[2] ภาพรวม Google Cloud - Vertex AI Agent Builder - อ่านเพิ่มเติม
[3] Google Cloud - ใช้ Vertex AI Vector Search ร่วมกับ Vertex AI RAG Engine - อ่านเพิ่มเติม
[4] Google Cloud - บทนำเกี่ยวกับการจัดการฟีเจอร์ใน Vertex AI - อ่านเพิ่มเติม
[5] Google Cloud - การเก็บรักษาข้อมูลลูกค้าและการเก็บรักษาข้อมูลเป็นศูนย์ใน Vertex AI - อ่านเพิ่มเติม