Vertex AI 核心功能 Agent Builder、Model Builder 和 Model Garden 介紹

一、Vertex AI 是什麼？

Vertex AI 是 GCP 推出的 AI 開發平台，目的是為了簡化機器學習（ML）模型的開發、訓練、部署和管理。它包含了 AutoML 和自訂模型的建立和訓練，讓你能夠更輕鬆地運用 AI 技術，無論是沒有 AI 經驗的新手，還是 AI 的專家，都能利用這個平台加速 AI 產品開發。

記得 2022 年底 ChatGPT 爆紅的時候嗎？它讓大家第一次看到 AI 不只是冷冰冰的機器，而是能夠真正理解人類語言、寫文章、寫程式碼，甚至畫圖的強大工具。這種被稱為「生成式 AI」的技術，基本上就像是一個超級助手，你問什麼它就回答什麼。

不過科技永遠在進步，現在的 AI 已經不滿足於只是回答問題了。新一代的 AI，也就是所謂的 AI Agent（人工智慧代理）是一種能夠自行感知相關訊息、做出決定並執行各項行動的智慧系統。它可以根據資料分析和機器學習來適應不同情境，還能夠不斷改善自身的行為。

Vertex AI 三大功能簡介

說到企業應用，GCP 推出的 Vertex AI 平台就很適合企業用戶來開發。它就像是一個完整的 AI 工具箱，裡面有三個主要部分：

Agent Builder

這是專門用來建立 AI 助手的工具。企業可以用它來設計 AI 助手的各種功能，比如處理客服問題、管理內部系統等。

Model Builder

這個工具可以幫助企業打造自己的 AI 模型。它把複雜的機器學習過程變得簡單，就像是用積木搭建東西一樣容易。

Model Garden（模型花園）

你可以把它想像成一個大型的 AI 模型商店，裡面有 Google 自己的模型，也有其他公司的模型，企業可以直接挑選合適的來用。

三者之間的關係

• Agent Builder 可以用少數 Model Garden 的模型，但仍以本身的對話和搜尋功能為主。
• Model Builder 專注在機器學習，少數情況下可以微調給 Agent Builder 使用。
• Model Garden 提供預先訓練好的模型，給 Model Builder 微調，或是 Agent Builder 開發成應用程式。
• 三者之間部分互相整合，但仍然以獨立功能為主。

二、Agent Builder：低程式碼 (Low Code) 的 AI Agent 開發工具

Agent Builder 簡介

Agent Builder 是一個專門用於建立 AI Agent 的平台。它不僅整合了大型語言模型與 GCP 的各項服務，還支持廣泛的工具整合和客製化。通過直觀的對話流程設計和完善的測試功能，企業可以快速建立符合需求的 AI Agent。同時，平台還特別注重安全性和可控性，確保 AI 應用符合企業的管理規範。Agent Builder 主要包含兩個部分：

Vertex AI Agents（AI 助理）

這是一個能讓你的應用程式理解人類語言的系統。比如說你可以用它來做聊天機器人、語音助理和任何需要和使用者對話的功能，重點是它能聽懂使用者說什麼，並給出合適的回應。它的功能包含：

• 自然語言理解 – 能夠理解用戶的意圖和需求
• 多模態理解 – 可處理文字、圖片、聲音等多種形式的輸入
• 工具整合 – 可連接外部服務和 API
• 知識庫 – 能夠訪問和利用企業的數據資源
• 對話管理 – 維持上下文和管理對話流程
• 多語言支持 – 支持多種語言的互動

Vertex AI Search

這是一個進階的搜尋系統，讓你能在網站或 APP 中加入強大的搜尋功能。用途包含：

搜尋功能：

• 一般搜尋：跟 Google 搜尋一樣，但它是搜尋你自己的網站。
• 影音搜尋：特別適合用來搜尋影片和音樂這類的內容。
• 醫療資料搜尋：專門用來搜尋醫療紀錄的功能。

推薦功能：

• 影音推薦：根據使用者在看什麼來推薦相關影片。
• 一般推薦：推薦任何種類的內容（目前還在測試階段）。

Vertex AI Search 特別好用的地方

1. 很聰明：它能理解人類的說話方式，不會只找關鍵字。
2. 容易使用：自動修正錯字、建議搜尋和理解同義詞。
3. 有 AI 對話功能：可以用對話的方式來搜尋資料。
4. 會自己學習：會從使用者的使用習慣中學習，變得更準確。
5. 適合醫療用途：不需要特殊的搜尋語法，就能找到醫療資料。

簡單說，它就是讓你的網站或 APP 變得更聰明的工具包，能幫助使用者更容易找到他們要的東西，也能推薦他們可能感興趣的內容。

Vertex AI 操作示範

這個示範來自 Integrate Search in Applications using Vertex AI Agent Builder，我們要建立一個搜尋引擎，讓使用者可以搜尋 Google 的財報。 

假設你已經有一個 GCP 的專案，我們先來釘選經常使用的服務。從主選單選擇「查看所有產品」，在人工智慧的區塊找到 Vertex AI 和 Agent Builder，點擊圖釘的圖示：

接下來我們來啟用需要的 API，我們在 API 和服務的首頁點擊啟用「API 和服務」：

接著在搜尋欄位輸入 Discovery Engine API：

在搜尋結果當中點擊 Discovery Engine API：

我們目前看到 Discovery Engine API 尚未啟用，所以直接點擊「啟用」：

接下來你應該會看到像這樣的畫面，代表 Discovery Engine API 啟用完成：

我們再去 Agent Builder，進去後一樣會碰到啟用 API 的確認視窗，我們就點擊「CONTINUE AND ACTIVATE THE API」：

啟用完成畫面會自動跳轉到 Agent Builder 的主頁，我們點擊「建立應用程式」：

接下來我們會看到有五個搜尋的功能，我們現在點擊「文件搜尋」底下的「建立」按鈕：

我們將「Alphabet investor PDFs」輸入到應用程式和公司名稱的欄位，然後按「繼續」：

接下來點擊「建立資料儲存庫」，讓 Agent 可以進來這裡搜尋資料：

接著我們選取資料來源為 Cloud Storage，點擊下方的「Select」：

在資料類型的選項當中，我們選擇「非結構化文件」，同步處理頻率選擇「單次」，在「選擇要匯入的資料夾和檔案」，我們選擇「資料夾」然後將字串「cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs 」貼到欄位當中再按下「繼續」：

我們可以同時來看一下這個公開的 Cloud Storage 資料夾的檔案內容，可以確認是 Google 歷年來的財報資料：

接下來在資料儲存庫名稱的欄位，我們輸入「Unstructured data」，然後再按下建立：

在這個畫面要注意，我們建立的應用程式是有連結到我們建立的資料儲存庫，如果確認沒問題，就再次按下「建立」：

接下來我們等待幾分鐘讓 Agent Builder 去匯入資料，同時我們可以點擊「Activity」確認資料匯入情形：

我們可以在這裡確認資料匯入的過程是否有任何錯誤，也能看到已匯入的資料數量：

我們再點擊文件的「分頁」，可以看到它所找到的每一份資料的原始位置：

大約 18 分鐘左右，我們看到資料已經全部匯入完成，再點擊「Agent Builder」回到主頁：

在主頁我們看到已經建立好的應用程式，直接點擊「Alphabet Investor PDFs」：

我們看到兩個部分，下方是正常的文件搜尋結果，而上方是由生式式 AI 根據文件內容自行產生的文字，它直接告訴你相關的營收數字：

我們將搜尋的關鍵字改成「Google Product List」，會看到它直接生成 Google 完整的產品清單，非常方便，當然你還是要再次核對喔！

值得一提的是，我們可以在「設定」視窗裡任意去切換模型，來觀察不同的模型所生成的結果，非常方便：

在「整合」的頁面，我們可以設定要串接的外部服務，為了展示方便，我們在授權類型選擇「公開存取權」，然後再下方輸入要整合的網域，並且按下「儲存」：

畫面再往下捲動，我們看到它已經幫你準備好網頁的 HTML 原始碼，我們可以直接複製起來，貼到想要呈現搜尋框的頁面中：

這個畫面就是我在自己架設的網站上所呈現的結果：

到這裡我們成功建立了一個方便的 Agent，以後不用真的找到文件，它能夠直接告訴你答案，不覺得很方便嗎？

三、Model Builder：簡化 AI 模型的開發與訓練

Model Builder（模型建造器），這個工具可以幫助企業打造自己的 AI 模型。它把複雜的機器學習過程變得簡單，就像是用積木搭建東西一樣容易。目前有兩種建立 Model 的方法：

Custom Training 客製化的訓練

Vertex AI 提供代管的模型訓練服務，如果你是一位 AI 專家，了解各種 AI 的演算法，可以自己撰寫程式來開發 AI 模型。你就可以在 GCP 上面使用現成的模型開發環境，而不需要自己建立各種基礎建設。 

AutoML

如果你不是 AI 專家怎麼辦？AutoML 讓你不用自己撰寫演算法，就可以開發和訓練 AI 模型。 畢竟對大多數的人來說，並非人人都是 AI 專家。你可能是胸腔內科醫生、電子商務的行銷人員或正在判斷建築物類型，AI 的技術對你來說是一個門檻，但是不用擔心，你只要把手上的資料準備好，就可以讓 Google 來幫你建立和訓練 AI 模型。

假設你是一個行銷人員，你的手上有網站使用者的資料和過去的消費紀錄，你想要提高使用者購買產品的機率，但是你不知道該怎麼做。

你手上已經有一張表格包含特徵（使用者的屬性和行為）和標籤 （購買金額），你可以直接讓 AutoML 幫你建立和訓練模型。

這個模型可以幫你分類使用者，是屬於哪一種類型，例如瀏覽者、時尚前衛、最後一刻購物者或是折扣愛好者。

當模型訓練完成，部署上線之後，每當新的使用者進來，你的模型可以很快判斷，他是哪一種類型的使用者，你就可以立即提供適合他的促銷方案，進而帶動產品的銷售。

簡單的操作示範

這個示範來自 Identify Damaged Car Parts with Vertex AutoML Vision，我們要建立一個照片辨認的模型，這個模型要從一堆損壞的汽車照片當中，判斷它到底是哪一種零件。首先我們來啟用 Cloud Shell：

首先設定兩個環境變數，之後執行相關指令會用到：

export PROJECT_ID=[ 你的專案 ID ]

export BUCKET=[ 你之後要建立的 Cloud Storage Bucket ID ]

再執行建立 Bucket 的指令：

gsutil mb -p $PROJECT_ID -c standard -l us-central1 gs://$[BUCKET]

接下來我們把 Google 公開 Bucket 的資料，也就是汽車的照片，複製到我們剛建好的 Bucket：

gsutil -m cp -r gs://car_damage_lab_images/* gs://${BUCKET}

光是有照片本身還不夠，因為機器學習的過程中，你需要給 AutoML 一張表格，告訴它哪些照片（特徵）是屬於哪一種汽車零件（標籤），我們執行指令去取得表格： 

gsutil cp gs://car_damage_lab_metadata/data.csv .

我們可以看到如下的表格，可以知道前面 18 張都是屬於保險桿的照片，我們之後要傳給 AutoML，就像在教小嬰兒看動物照片那樣。 

另外這些照片的儲存位置，我們也要改成在我們專案環境裡面的位置，如下圖紅色框選處：

我們可以執行這個指令，來批次修改這個檔案的內容： 

sed -i -e “s/car_damage_lab_images/${BUCKET}/g” ./data.csv

執行完就可以看到每個照片的檔案路徑都一口氣改好了：

目前這個表格檔案還是放在 Cloud Shell，我們現在要把它複製到跟照片同樣的 Bucket 位置：

 gsutil cp ./data.csv gs://${BUCKET}

接下來我們進入 Vetex Ai，並且啟用建議的 API：

我們剛剛準備好的資料是放在 Cloud Storage ，而 Vertex AI 還不知道，我們必須要在這邊再建立一次資料集，讓它知道這個資料是要拿來訓練模型用的：

我們輸入資料集的名稱，然後在資料類型選擇「圖片」，分類方式選擇「單一標籤分類」，接著按下「建立」：

然後我們在「選取匯入方法」當中，選擇從「Cloud Storage 選取匯入檔案」，接著打開選取物件的視窗，找到我們剛剛準備好的表格，再按下「選取」：

我們在「匯入檔案路徑」欄位會看到綠色勾勾，表示它有讀取到檔案，我們再按「繼續」。畫面會跳轉到正在執行匯入流程的頁面，然後等待資料匯入完成：

當資料匯入完成，我們也會收到一封通知信，告訴你匯入作業成功，我們可以點擊上面提供的超連結，直接進入資料集的畫面：

你會看到它匯入了 100 張照片，這些照片都已經設定好標籤。我們可以在這個畫面調整標籤，如果確認資料都沒問題，可以按下右上角的「訓練新模型」：

在訓練方法的部分我們選擇 AutoML，然後按下繼續：

在這一頁，我們選擇「訓練新的模型」，加上模型的名稱，再按繼續：

在訓練選項的部分，選擇「Higher accuracy (new) 」，再按繼續：

在預算的部分要注意，最短的訓練時常為 8 小時，即使你的資料不多，它還是會以 8 小時計費，而每個小時的費用是 3.465 美金， 所以你訓練一次至少要花費 27.72 美金，如果不想花到這麼高的費用可以去 GCP 提供的 Lab 環境 操作。接著我們按下「開始訓練」：

大概 1 小時後，我們又收到了模型訓練完成的通知信，可以直接點擊它所提供的連結：

接下來我們會以 Vertex AI Lab 的擷圖來展示後續成果，因為它有提供 Cloud Run 做為 Model 上線運作的 AI 服務端點，可以直接呼叫。

我們就來將幾張測試圖片傳送給這個 Model 來分辨，我們再次打開 Cloud Shell，並且設定環境變數：

AUTOML_PROXY=https://automl-proxy-646123337508.us-centrall.run.app

INPUT DATA FILE=payload.json

上圖的環境變數中，我們有設定 INPUT_DATA_FILE=payload.json，它會包含我們要給模型判斷的圖片檔，但目前這個檔案還不存在。所以我們要建立 payload.json 檔案，把我們要測試的圖片藉由這個檔案送去給 Model 判斷。

你可能覺得奇怪，文字檔怎麼放圖？
我們不是直接上傳圖片，而是透過指令來傳送檔案，透過 Base64 Image Encoder 把圖片轉成 Base64 格式，只要把圖片拖曳進入網頁，它就產生 Base64 的字串，你看起來是亂碼，不要懷疑，它就是圖片的 Base64 格式， 把它複製起來：

接著打開 Cloud Shell 的檔案編輯器，將字串貼到 payload.json 檔案的 content 欄位，你會覺得怪怪的，但不要懷疑這是正確的：

現在我們可以開始測試了，執行下方指令，把圖片傳到 Cloud Run 去判斷： 

curl -X POST -H “Content-Type: application/json” $AUTOML_PROXY/v1 -d “@${INPUT_DATA_FILE}”

在它傳回的資料當中，Conficences 95% 指的是信心水準，代表我們有 95% 的信心相信它判斷的準確度，Display Name 寫的是「bumper」保險桿，可以知道他的判斷是正確的：

我們用相同指令再傳送另一張圖片給它，得到 96% 的信心水準，它的判斷是「hood」引擎蓋，也是正確的：

到這裡代表我們已經成功建立一個 AI 模型囉！過程中主要在準備資料，後執行一些指令，還沒到寫程式的程度喔！

四、Model Garden：預先訓練好的模型庫，快速導入 AI 解決方案

你可以把它想像成一個大型的 AI 模型商店，裡面有 Google 自己的模型，也有其他公司的模型，企業可以直接挑選合適的來用。

Model Garden 提供三大模型類別如下表：

我們在 Model Garden 的主畫面上可以看到，它有各種模型的列表，左邊有依照資料格式和工作場景的模型篩選器，和上方可以看到最新消息，例如最近討論熱烈的 DeepSeek 模型，已經可以在這裡找到：

我們選擇 Gemini 1.5 Pro 來看看：

我們選擇在「Vertex AI studio 開啟」： 

我們可以再提示區輸入提示詞，接著模型會再回應區產生回答，同時我們可以再設定區調整參數，看看它的回答是否會不一樣：

在設定區的部分，我們可以隨時切換成不同的模型而不需要另外打開其他的視窗。而在不同 Region，可以使用的模型可能會不一樣。

在溫度參數的部分，數值越大，代表回答內容的隨機程度越高，你也可以限制每次回應文字的上限。同時你也可以啟用「基準建立」，確保它的回應是有可靠的參考來源。最後你也可以決定讓它輸出純文字或者 JSON 格式的內容。

我們找到一張範例圖片拖曳進去，並且直接輸入中文的提示詞，請它來描述這張圖片，你會看到在回應區，它提供了詳細的描述資訊：

接下來我請它將照片中的時間和城巿用表格來呈現，它也如預期地整理成完整的表格：

我們回到主畫面再搜尋「OWL-ViT」，然後點擊該模型：

這次我們點擊開啟筆記本 （Notebook），這個功能就是「Colab Enterprise」，它是一個幫你設定好的 AI 開發環境，你可以在這裡調整這個模型：

打開之後你會看到一些程式碼，你可以輸入或調整它的程式碼，同時可以查查看它的執行結果：

在這裡要特別注意，當我們打開 Notebook 時，它會直接建立一台虛擬機器，規格是 e2-standard-4 和 100 GB 的 SSD Disk，當你沒有在使用記得要關起來喔！

我們回到 Model Garden 主畫面，再來看另外一個模型 Imagen 3，它是由 Google 所開發的圖片生成模型。

我們直接在下方輸入要想要生層的圖片描述，同時右邊也有各種參數可以選擇，包含生成的模型、照片的比例，以及產生圖片的數量，當我們按下「傳送」之後，就看到它生成了四隻可愛的倉鼠照片。

五、為什麼要選擇 Vertex AI？

不用學習 AI 演算法，可立即開發

我們不需要去學習各種 AI 的演算法或程式， Vertex AI 已經準備好簡易的開發環境和直觀的操作介面，你可以在上面輕易的建立、訓練和調整你的模型。 

一站式平台，整合 GCP 各項服務

在開發 AI 模型之前我們必須要收集整和理相關資料， 可以使用 Pub/Sub、Dataflow、Dataproc 等等，當你把資料儲存到 BigQuery 或 Cloud Storage 後，可以直接匯入 Vertex AI 。當模型訓練完成我們還可以直接部署上線，所以整個 AI 模型的生命週期，通通都在 GCP 上完成。不用切換到其他陌生的環境，提升了方便性與安全性。 

整合 Google 強大 AI 技術，提升模型效能

Google 在 AI 領域的領先地位無庸置疑，而 Vertex AI 直接提供 Google 自家 AI 研究的技術，例如：

• AutoML：無需寫程式碼即可訓練高效能機器學習模型，適合行銷人員與資料科學家。
• Gemini：內建 Google 最新的大型語言模型（LLM），適用於自然語言處理（NLP）、對話式 AI、生成式 AI 應用。
• TPU 支援：可使用 Google 自家研發的 Tensor Processing Unit（TPU），提供比 GPU 更快的 AI 訓練與推論效能。

內建 MLOps 工作流程

MLOps（Machine Learning Operations）是現代 AI 開發的重要關鍵，Vertex AI 內建多種 MLOps 工具，幫助企業加速 AI 的開發流程：

• Vertex AI Pipelines：自動化 AI 工作流程，確保模型訓練、部署與更新流程標準化。
• Feature Store：集中管理與重複使用特徵工程的資料，提升模型訓練的效率。
• Model Monitoring：監控模型在生產環境的表現，主動偵測數據漂移（Data Drift；因趨勢改變造成模型不準），確保 AI 訓練工作精準運行。

六、結論與未來發展

(一) 最新功能 Vertex AI RAG Engine 發布

Vertex AI RAG Engine 能夠整合你公司的內部資料，針對公司內部的問題來回答。一般的 AI（也就是大型語言模型 LLM）只能搜尋網路上公開的資訊，不知道你們公司內部的事，而它能夠尋找公司資料，給你精準的回答（例如去年的公司第四季營收），而不是直接回答「我不知道」。

企業可以將此功能用在客服系統，讓它更智慧的回答客戶問題，也可以讓員工可以直接詢問問題，而不用東翻西找查資料。在知識管理方面，可以集中公司的知識，讓大家學習更快，做好知識的傳承。由於 RAG Engine 才剛發佈，未來此功能必定會持續優化，給企業帶來更多價值。 

(二) 持續提供更多大型語言模型

目前（截稿前）已經支援超過 160 種模型，除了 Google 自己的 Gemini 和 Imagen 持續改版優化中，還有提供第三方的 Claude 模型，也有開源的 Llama 和 Gemma，甚至最新的 DeepSeek 模型，都以極快的速度收進 Model Garden。未來必定持續擴充，你一定可以找到最適合的模型。

(三) 更強的客製化能力

Google 計劃進一步提升 Vertex AI 的客製化選項，讓企業能更靈活地調整 AI 模型，以滿足不同產業的需求。例如，在 AutoML 和 MLOps 方面提供更多可以調整的參數，讓開發人員能夠更深入調整模型和部署環境。

(四) AI 民主化持續進行

自從當年 AutoML 的推出，讓大家開始能夠在不懂任何 AI 知識的情況下，開發自己的模型，現在生成式 AI 時代的到來，Google 必定會往低程式碼或無程式碼的方向持續發展，讓 AI 民主化更為徹底，達到人人都可以不只使用 AI，還能開發 AI。

結論

整個 AI 領域正在朝著更實用的方向發展。從最早的單純回答問題，到現在能夠處理特定專業領域的問題，甚至能夠主動完成任務。隨著技術越來越成熟，我們看到越來越多好用的工具出現，讓企業能更容易地運用 AI 來改善工作效率。

這些發展讓我們看到 AI 的未來充滿可能性。隨著 AI 變得越來越聰明，相信它們能為各行各業帶來更多便利，讓我們的工作和生活變得更輕鬆。

七、常見問題解答（FAQ）

Vertex AI 與 AI Platform 有什麼不同？

Vertex AI 是 AI Platform 的進化版本，提供了更完整的功能，包括 AutoML 和客製化的訓練，都整合在統一的操作界面上，以及更強大的模型管理和 MLOps 功能。

Vertex AI 適合初學者使用嗎？

適合，像 Agent Builder 和 Model Builder 只需要提供資料和一點點操作就可以建立應用程式和模型；Model Garden 只要選定想要的模型，就可以調整參數來測試 AI 回答的內容。

Vertex AI 適合的產業或應用

Agent Builder 適合任何需要對話機器人，或是搜尋功能的應用；Model Builder 產生的模型可以用來分類、辨識和預測等；Model Garden 則是可以用來生成任何你想要的文字或圖片；不管你在哪一個產業，只要你的工作流程牽涉到上述的應用，都可以使用 Vertex AI。

如何開始使用 Vertex AI？

只要你有一個正式的 GCP 專案環境，都可以立即開始使用 Vertex AI。 不過你也要啟用相關的 API，並且準備好訓練的資料。如果是要客製化模型，也需要熟悉相關的開發工具和 SDK 喔！

Model Garden 的模型可以客製化嗎？

Model Garden 中的許多模型都支援微調，這表示你可以使用自己的資料集來進一步訓練模型，以提高其在特定任務上的效能。你可以將多個模型組合在一起，用來開發出更複雜的系統。當然你還可以通過撰寫程式碼來修改模型的行為。

但是要注意，並非所有模型都支援所有客製化選項，而且客製化模型可能需要一定的技術知識和經驗。

Vertex AI 支援哪些 AI 框架？

目前提供 PyTorch、TensorFlow、scikit-learn 和 XGBoost，在 GCP 的官方文件都有相關的使用教學。

Vertex AI 的是如何計費的？

• Vertex AI 的 Agent，文字聊天 1,000 次輸入為 12 美金，但測試階段不計費。 Vertex AI Search 則是 1000 次 2 美元。
• AutoML，每小時訓練費為 3.465 美元，一次至少 8 小時。
• 自訂模型，主要是依照訓練主機的時數計費，例如台灣 （asis-east1）的 n1-standard-4 是每小時 0.253 美元。
• 以上只是針對常見應用舉例，各項功能可能和價格可能會不定期更新，建議以官方文件為準，使用前多確認相關費用，以免不小心誤開機器或 GPU，造成高額的帳單費用！

如何確保 Vertex AI 上的模型安全性？

因為 Vertex AI 整合在 GCP 上，你可以直接透過 IAM 權限控管、私有的存取服務（Private Access）、VPC Service Control 和加密的儲存等機制來保護模型和資料。

Vertex AI 的模型部署選項有哪些？

提供多種部署選項如線上預測（當做 API 即時呼叫）、批次預測（特定時間開機器來運作）、邊緣部署（部署到手機、IoT 設備或生產線）等。可以選擇虛擬機器或容器化的方式部署。

本文同時刊登於：

《【東東老師 X 思想科技】Vertex AI 核心功能 Agent Builder 和 Model Builder》

《【東東老師 X 思想科技】Vertex AI 核心功能 Model Garden 介紹》