本文件將概略說明預測的資料欄工作流程管道和元件。如要瞭解如何訓練模型，請參閱「使用預測用 Tabular Workflow 訓練模型 」一文。
預測的「表格工作流程」是預測工作完整的管道。這項服務與 AutoML API 類似，但可讓您選擇要控制和自動化的項目。您可以為管道中的每個步驟設定控制項，而非為整個管道設定控制項。管道控制項包括：
- 資料分割
- 特徵工程
- 架構搜尋
- 模型訓練
- 模型集成
優點
以下列舉預測用表格式工作流程的部分優點：
- 支援大型資料集，大小上限為 1 TB，最多可包含 200 個欄。
- 可限制架構類型的搜尋空間或略過架構搜尋，提升穩定性並縮短訓練時間。
- 您可以手動選取用於訓練和架構搜尋的硬體，提升訓練速度。
- 您可以變更集成組大小，縮減模型大小並改善延遲時間。
- 您可以在強大的管道圖表介面中檢查每個元件，查看已轉換的資料表、評估的模型架構，以及更多詳細資料。
- 每個元件都會享有更高的彈性和透明度，例如能夠自訂參數、硬體、查看程序狀態和記錄等。
使用 Vertex AI 管道進行預測
預測用 Tabular Workflow 是 Vertex AI Pipelines 的受管例項。
Vertex AI Pipelines 是執行 Kubeflow 管道的無伺服器服務。您可以使用管道來自動執行及監控機器學習和資料準備工作。管道中的每個步驟都會執行管道工作流程的一部分。舉例來說，管道可以包含分割資料、轉換資料類型和訓練模型的步驟。由於步驟是管道元件的例項，因此步驟會包含輸入內容、輸出內容和容器映像檔。步驟輸入內容可從管道的輸入內容設定，也可以取決於管道中其他步驟的輸出內容。這些依附元件會將管道的工作流程定義為有向非循環圖。
管道和元件總覽
下圖顯示預測用表格式工作流程的模擬管道：
管道元件如下：
- feature-transform-engine：執行特徵工程。詳情請參閱「特徵轉換引擎」。
training-configurator-and-validator：驗證訓練設定，並產生訓練中繼資料。
輸入：
instance_schema：OpenAPI 規格中的例項結構定義，用於描述推論資料的資料類型。dataset_stats：描述原始資料集的統計資料。舉例來說，dataset_stats會提供資料集中的資料列數。training_schema：OpenAPI 規格中的訓練資料架構，用於說明訓練資料的資料類型。
split-materialized-data：將具象化資料分割為訓練集、評估集和測試集。
輸入：
materialized_data：已實體化的資料。
輸出：
materialized_train_split：具體化訓練分割。materialized_eval_split：具體化評估分割。materialized_test_split：已實作的測試集。
calculate-training-parameters-2：計算 automl-forecasting-stage-1-tuner 的預期執行時間長度。
get-hyperparameter-tuning-results - 選用：如果您已將管道設定為略過架構搜尋，請從先前管道執行作業中載入超參數調整結果。
執行模型架構搜尋並調整超參數 (automl-forecasting-stage-1-tuner)，或使用先前管道執行作業的超參數調整結果 (automl-forecasting-stage-2-tuner)。
- 架構是由一組超參數定義。
- 超參數包括模型類型和模型參數。
- 考慮的模型類型包括類神經網路和強化型樹狀結構。
- 系統會針對考慮的每個架構訓練模型。
輸入：
materialized_train_split：具體化訓練分割。materialized_eval_split：具體化評估分割。artifact- 先前管道執行作業的超參數調整結果。只有在您將管道設定為略過架構搜尋時，這個構件才會是輸入內容。
輸出：
tuning_result_output：調整輸出內容。
get-prediction-image-uri-2：根據模型類型產生正確的推論圖片 URI。
automl-forecasting-ensemble-2：將最佳架構匯集起來，產生最終模型。
輸入：
tuning_result_output：調整輸出內容。
輸出：
unmanaged_container_model：輸出模型。
model-upload-2 - 上傳模型。
輸入：
unmanaged_container_model：輸出模型。
輸出：
model：Vertex AI 模型。
should_run_model_evaluation - 選用：使用測試集計算評估指標。