Masalah umum

Halaman ini mencantumkan masalah umum pada AutoML Tables, beserta cara yang dapat Anda lakukan untuk menghindari atau memulihkan dari masalah ini.

Prediksi

  • Permintaan prediksi batch dengan hanya satu kolom fitur akan gagal.

    Anda harus menyediakan setidaknya 2 kolom fitur dengan prediksi batch.

Integrasi BigQuery

  • Error pada tabel atau tampilan BigQuery Anda ditampilkan sebagai error internal

    Saat Anda menggunakan BigQuery sebagai sumber data atau target hasil prediksi, dan ada masalah dengan skema atau konfigurasi BigQuery, error mungkin akan ditampilkan di Tabel AutoML sebagai error internal. Jika Anda mendapatkan error internal saat bekerja dengan BigQuery, periksa skema dan konfigurasi BigQuery.

Cloud AutoML API

  • Ada versi API yang tidak didukung di endpoint dan dokumentasi API

    Satu-satunya versi Cloud AutoML API yang didukung untuk AutoML Tables adalah v1beta. Penggunaan endpoint v1 REST atau RPC untuk mengakses atau mengubah objek AutoML Tables tidak didukung.

Menggunakan Google Cloud Console dengan AutoML Tables

  • Pengalaman pengguna dengan browser Microsoft Edge dan Microsoft Internet Explorer mungkin kurang optimal.

    Microsoft Edge dan Microsoft Internet Explorer tidak mendukung semua fitur AutoML Tables. Jika Anda mengalami masalah, coba Google Chrome, Safari, atau Firefox.

Masalah yang diperbaiki

Masalah berikut telah tercantum di halaman ini, tetapi tidak lagi memengaruhi Tabel AutoML.

  • Hasil nilai penting fitur lokal tidak didukung dengan fitur stempel waktu

    Tingkat kepentingan fitur lokal kini sepenuhnya didukung untuk model dengan fitur berjenis Stempel waktu.

  • Latensi tinggi untuk permintaan prediksi online setelah men-deploy model

    Setelah Anda men-deploy model, permintaan prediksi online pertama tidak lagi menampilkan peningkatan latensi.

  • Pelatihan selama lebih lama dari yang diperlukan tidak lagi menurunkan kualitas model.

    AutoML Tables secara otomatis menghentikan pelatihan model saat mendeteksi bahwa kualitas model tidak lagi meningkat.

  • Set data yang memiliki kurang dari 100.000 baris tidak lagi mengakibatkan penurunan kualitas model.

    Set data yang memiliki kurang dari 100.000 baris dapat digunakan untuk melatih model tanpa penurunan kualitas model yang signifikan. Perlu diingat bahwa semakin banyak data biasanya akan menghasilkan kualitas model yang lebih baik. Jumlah minimum data pelatihan adalah 1.000 baris.