- AutoML: crea e addestra modelli con il minimo impegno e conoscenze tecniche. Per scoprire di più su AutoML, consulta la guida per principianti di AutoML.
- Addestramento personalizzato: crea e addestra modelli su larga scala utilizzando qualsiasi framework ML. Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica dell'addestramento personalizzato.
Per decidere quale di questi metodi utilizzare, consulta Scegliere un metodo di addestramento.
AutoML
I modelli di machine learning (ML) utilizzano i dati di addestramento per apprendere come dedurre i risultati per i dati su cui il modello non è stato addestrato. AutoML su Vertex AI consente di creare un modello senza codice in base ai dati di addestramento forniti.
Tipi di modelli che puoi creare utilizzando AutoML
I tipi di modelli che puoi creare dipendono dal tipo di dati a tua disposizione. Vertex AI offre soluzioni AutoML per i seguenti tipi di dati e scopi del modello:
| Tipo di dati | Scopi supportati |
|---|---|
| Dati dell'immagine | Classificazione, rilevamento di oggetti. |
| Dati video | Riconoscimento azioni, classificazione, monitoraggio oggetti. |
| Dati di testo | Classificazione, estrazione di entità, analisi del sentiment. |
| Dati tabulari | Classificazione/regressione, previsione. |
Il flusso di lavoro per l'addestramento e l'utilizzo di un modello AutoML è lo stesso, indipendentemente dal tipo di dati o dall'obiettivo:
- Prepara i dati di addestramento.
- Crea un set di dati.
- Addestra un modello.
- Valuta ed esegui l'iterazione sul modello.
- Ottenere le previsioni dal modello.
- Interpreta i risultati della previsione.
Dati dell'immagine
AutoML utilizza il machine learning per analizzare i contenuti dei dati delle immagini. Puoi utilizzare AutoML per addestrare un modello ML a classificare i dati delle immagini o trovare oggetti nei dati delle immagini.
Vertex AI ti consente di ottenere previsioni online e in batch dai tuoi modelli basati su immagini. Le previsioni online sono richieste sincrone effettuate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Le previsioni in batch devono essere richieste direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Per i dati delle immagini, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati utilizzando una singola richiesta.
Classificazione per le immagini
Un modello di classificazione analizza i dati immagine e restituisce un elenco di categorie di contenuti applicabili all'immagine. Ad esempio, puoi addestrare un modello che classifica le immagini come contenenti o non contenenti un gatto oppure un modello per classificare le immagini dei cani in base alla razza.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Rilevamento di oggetti per le immagini
Un modello di rilevamento degli oggetti analizza i dati immagine e restituisce annotazioni per tutti gli oggetti trovati in un'immagine, costituite da un'etichetta e dalla posizione di un riquadro di delimitazione per ciascun oggetto. Ad esempio, puoi addestrare un modello a trovare la posizione dei gatti nei dati immagine.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Dati tabulari
Vertex AI ti consente di eseguire il machine learning con dati tabulari utilizzando processi e interfacce semplici. Per i problemi relativi ai dati tabulari, puoi creare i seguenti tipi di modelli:
- I modelli di classificazione binaria prevedono un esito binario (una di due classi). Utilizza questo tipo di modello per le domande con risposta sì o no. Ad esempio, potresti volere costruire un modello di classificazione binaria per prevedere se un cliente acquisterà un abbonamento. In genere, un problema di classificazione binaria richiede meno dati rispetto ad altri tipi di modelli.
- I modelli di classificazione multi-classe prevedono una classe da tre o più classi discrete. Utilizza questo tipo di modello per la classificazione. Ad esempio, come rivenditore, potresti voler creare un modello di classificazione multi-classe per segmentare i clienti in diversi profili.
- I modelli di regressione prevedono un valore continuo. Ad esempio, in qualità di rivenditore, potresti voler creare un modello di regressione per prevedere quanto spenderà un cliente il mese successivo.
- I modelli di previsione prevedono una sequenza di valori. Ad esempio, come rivenditore, potresti voler prevedere la domanda giornaliera dei tuoi prodotti per i tre mesi successivi in modo da poter rifornire in anticipo gli inventari dei prodotti in modo appropriato.
Per scoprire di più, consulta la Panoramica dei dati tabulari.
Se i dati tabulari sono archiviati in BigQuery ML, puoi addestrare un modello tabulare AutoML direttamente in BigQuery ML. Per saperne di più, consulta la documentazione di riferimento di AutoML Tabular.
Dati di testo
AutoML utilizza il machine learning per analizzare la struttura e il significato dei dati di testo. Puoi utilizzare AutoML per addestrare un modello di ML per classificare i dati di testo, estrarre informazioni o comprendere il sentiment degli autori.
Vertex AI ti consente di ottenere previsioni online e in batch dai tuoi modelli basati su testo. Le previsioni online sono richieste sincrone effettuate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Le previsioni in batch devono essere richieste direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Per i dati di testo, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati utilizzando una singola richiesta.
Classificazione del testo
Un modello di classificazione analizza i dati di testo e restituisce un elenco di categorie applicabili al testo trovato nei dati. Vertex AI offre modelli di classificazione del testo sia con un'etichetta sia con più etichette.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Estrazione di entità per il testo
Un modello di estrazione di entità esamina i dati di testo al fine di individuare entità note a cui si fa riferimento nei dati ed etichettarle nel testo.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Analisi del sentiment per il testo
Un modello di analisi del sentiment esamina i dati di testo e identifica lo stato emotivo prevalente al suo interno, soprattutto per determinare se l'atteggiamento di un autore è positivo, negativo o neutro.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Dati video
AutoML utilizza il machine learning per analizzare i dati video e classificare fotogrammi e segmenti oppure per rilevare e monitorare più oggetti nei dati video.
Riconoscimento delle azioni per i video
Un modello di riconoscimento delle azioni analizza i dati video e restituisce un elenco di azioni categorizzate con i momenti in cui si sono verificate. Ad esempio, puoi addestrare un modello che analizza i dati video per identificare i momenti di azione che coinvolgono un goal nel calcio, uno swing nel golf, un touchdown o un "batti il cinque".
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Classificazione per i video
Un modello di classificazione analizza i dati video e restituisce un elenco di inquadrature e segmenti categorizzati. Ad esempio, potresti addestrare un modello che analizza i dati video per determinare se il video riguarda una partita di baseball, calcio, basket o football.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Monitoraggio degli oggetti per i video
Un modello di monitoraggio degli oggetti analizza i dati video e restituisce un elenco di inquadrature e segmenti in cui sono stati rilevati questi oggetti. Ad esempio, potresti addestrare un modello che analizza i dati video delle partite di calcio per identificare e tracciare la palla.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta i risultati
Addestramento personalizzato
Se nessuna delle soluzioni AutoML soddisfa le tue esigenze, puoi anche creare la tua applicazione di addestramento e utilizzarla per addestrare modelli personalizzati su Vertex AI. Puoi utilizzare qualsiasi framework di ML e configurare le risorse di calcolo da utilizzare per l'addestramento, tra cui:
- Tipo e numero di VM.
- GPU (unità di elaborazione grafica).
- Tensor Processing Unit (TPU).
- Tipo e dimensioni del disco di avvio.
Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica dell'addestramento personalizzato.