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 obiettivi del modello:
| Tipo di dati | Obiettivi supportati |
|---|---|
| Dati dell'immagine | Classificazione, rilevamento di oggetti. |
| Dati video | Riconoscimento delle azioni, classificazione, monitoraggio degli oggetti. |
| 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 il modello e ripeti l'operazione.
- Ottieni inferenze dal modello.
- Interpretare i risultati dell'inferenza.
Dati dell'immagine
AutoML utilizza il machine learning per analizzare i contenuti dei dati immagine. Puoi utilizzare AutoML per addestrare un modello ML a classificare i dati delle immagini o a trovare oggetti nei dati delle immagini.
Vertex AI ti consente di ottenere inferenze online e in batch dai tuoi modelli basati su immagini. Le inferenze online sono richieste sincrone effettuate a un endpoint del modello. Utilizza le inferenze online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le inferenze batch sono richieste asincrone. Le inferenze batch vanno richieste direttamente dalla risorsa del modello, senza la necessità di eseguire il deployment del modello su un endpoint. Per i dati delle immagini, utilizza le inferenze 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 un set di dati | Addestrare il modello | Valutare il modello | Ottenere inferenze | Interpretare 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 un set di dati | Addestrare il modello | Valutare il modello | Ottenere inferenze | Interpretare i risultati
Dati tabulari
Vertex AI ti consente di eseguire il machine learning con dati tabulari utilizzando processi e interfacce semplici. Puoi creare i seguenti tipi di modelli per i problemi relativi ai dati tabulari:
- I modelli di classificazione binaria prevedono un risultato binario (una delle due classi). Utilizza questo tipo di modello per le domande con risposta sì o no. Ad esempio, potresti voler creare 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 tra tre o più classi discrete. Utilizza questo tipo di modello per la categorizzazione. Ad esempio, in qualità di rivenditore, potresti voler creare un modello di classificazione multiclasse per segmentare i clienti in diverse buyer persona.
- 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, in qualità di rivenditore, potresti voler prevedere la domanda giornaliera dei tuoi prodotti per i prossimi tre mesi, in modo da poter fare scorta di inventari in anticipo.
Per scoprire di più, consulta la panoramica dei dati tabellari.
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
Dati video
AutoML utilizza il machine learning per analizzare i dati video per classificare le inquadrature e i segmenti o 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 un set di dati | Addestrare il modello | Valutare il modello | Ottenere inferenze | Interpretare 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 un set di dati | Addestrare il modello | Valutare il modello | Ottenere inferenze | Interpretare i risultati
Monitoraggio degli oggetti per i video
Un modello di monitoraggio 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 un set di dati | Addestrare il modello | Valutare il modello | Ottenere inferenze | Interpretare i risultati