Problemas conocidos

En esta página, se describen los problemas conocidos de AutoML Tables, junto con las formas de evitarlos o solucionarlos.

Predicción

  • Las solicitudes de predicción por lotes con una sola columna de atributos presentan errores.

    Debes proporcionar al menos 2 columnas de atributos con predicciones por lotes.

Integración en BigQuery

  • Errores en las tablas o vistas de BigQuery que se muestran como un error interno

    Cuando usas BigQuery como objetivo de resultado de una predicción o fuente de datos, y tu esquema o configuración de BigQuery tiene problemas, es posible que el error se muestre en AutoML Tables como un error interno. Si obtienes un error interno mientras trabajas con BigQuery, verifica el esquema y la configuración de BigQuery.

API de Cloud AutoML

  • Versiones incompatibles de la API presentes en la documentación y los extremos de la API

    v1beta es la única versión de la API de Cloud AutoML compatible con AutoML Tables. No se admite el uso de los extremos REST o RPC v1 para acceder a los objetos de AutoML Tables o modificarlos.

Usa la consola de Google Cloud con AutoML Tables

  • Es posible que la experiencia del usuario con los navegadores Microsoft Edge y Microsoft Internet Explorer no sea óptima.

    Microsoft Edge y Microsoft Internet Explorer no son compatibles con todas las funciones de AutoML Tables. Si tienes problemas, prueba con Google Chrome, Safari o Firefox.

Problemas resueltos

Los siguientes problemas se encontraban en esta página, pero ya no afectan a AutoML Tables.

  • Los resultados de la importancia de las funciones locales no son compatibles con las funciones de marcas de tiempo

    La importancia de las características locales ahora es totalmente compatible con los modelos con funciones de tipo marca de tiempo.

  • Alta latencia en las solicitudes de predicción en línea después de implementar el modelo

    Después de implementar el modelo, las primeras solicitudes de predicción en línea ya no muestran una latencia elevada.

  • El entrenamiento por más tiempo de lo necesario ya no reduce la calidad del modelo.

    AutoML Tables detiene de forma automática el entrenamiento del modelo cuando detecta que la calidad del mismo ya no mejora.

  • Los conjuntos de datos con menos de 100,000 filas ya no tienen como resultado una disminución en la calidad del modelo.

    Los conjuntos de datos con menos de 100,000 filas se pueden usar para entrenar modelos sin una disminución significativa en la calidad del modelo. Ten en cuenta que, por lo general, una mayor cantidad de datos da como resultado un modelo de mayor calidad. La cantidad mínima de datos de entrenamiento es de 1,000 filas.