Problèmes connus

Cette page répertorie les problèmes connus d'AutoML Tables et explique comment les éviter ou les résoudre.

Prédiction

  • Les requêtes de prédiction par lot ne contenant qu'une colonne de caractéristiques échouent.

    Vous devez fournir au moins deux colonnes de caractéristiques avec des prédictions par lot.

Intégration de BigQuery

  • Erreurs d'affichage de vos tables ou vues BigQuery en tant qu'erreur interne

    Lorsque vous utilisez BigQuery comme source de données ou cible des résultats de prédiction et que votre configuration ou schéma BigQuery présente des problèmes, l'erreur peut s'afficher dans AutoML Tables en tant qu'erreur interne. Si vous obtenez une erreur interne lors de l'utilisation de BigQuery, vérifiez le schéma et la configuration de BigQuery.

API Cloud AutoML

  • Versions d'API non compatibles présentes dans les points de terminaison et la documentation de l'API

    La seule version de l'API Cloud AutoML compatible avec AutoML Tables est v1beta. Il n'est pas possible d'utiliser les points de terminaison v1 REST ou RPC pour accéder aux objets AutoML Tables ou les modifier.

Utiliser la console Google Cloud avec AutoML Tables

  • L'expérience utilisateur avec les navigateurs Microsoft Edge et Microsoft Internet Explorer n'est pas toujours optimale.

    Microsoft Edge et Microsoft Internet Explorer ne sont pas compatibles avec toutes les fonctionnalités d'AutoML Tables. Si vous éprouvez des difficultés, utilisez Google Chrome, Safari ou Firefox.

Problèmes résolus

Les problèmes suivants ont été répertoriés sur cette page, mais ne concernent plus AutoML Tables.

  • Les résultats de l'importance des caractéristiques locales ne sont pas compatibles avec les fonctionnalités d'horodatage

    L'importance des caractéristiques locales est désormais entièrement compatible avec les modèles dotés de caractéristiques de type Horodatage.

  • Latence élevée pour les requêtes de prédiction en ligne après le déploiement du modèle

    Après le déploiement de votre modèle, les premières requêtes de prédiction en ligne ne présentent plus d'augmentation de latence.

  • Un entraînement plus long que nécessaire ne dégrade plus la qualité du modèle.

    AutoML Tables interrompt automatiquement l'entraînement du modèle lorsqu'il détecte que la qualité du modèle ne s'améliore plus.

  • Les ensembles de données comportant moins de 100 000 lignes ne se traduisent plus par une baisse de qualité des modèles.

    Les ensembles de données comportant moins de 100 000 lignes peuvent être utilisés pour entraîner des modèles sans baisse significative de leur qualité. Retenez que plus le nombre de données est élevé, plus la qualité du modèle augmente. Le nombre minimal de données d'entraînement est de 1 000 lignes.