In questa pagina sono elencati i problemi noti di AutoML Tables, insieme ai modi per evitarli o risolverli.
Previsione
Le richieste di previsione batch con una sola colonna di funzionalità non vanno a buon fine.
Devi fornire almeno due colonne di caratteristiche con previsioni batch.
Integrazione BigQuery
Errori relativi alle tabelle o alle viste BigQuery mostrati come errore interno
Se utilizzi BigQuery come origine dati o destinazione dei risultati di previsione e si verificano problemi con lo schema o la configurazione di BigQuery, in AutoML Tables l'errore potrebbe essere restituito come errore interno. Se si verifica un errore interno quando lavori con BigQuery, controlla lo schema e la configurazione di BigQuery.
API Cloud AutoML
Versioni API non supportate presenti negli endpoint API e nella documentazione
L'unica versione dell'API Cloud AutoML supportata per AutoML Tables è
v1beta. L'utilizzo degli endpoint REST o RPCv1per accedere o modificare gli oggetti AutoML Tables non è supportato.
Utilizzo della console Google Cloud con AutoML Tables
L'esperienza utente con i browser Microsoft Edge e Microsoft Internet Explorer potrebbe non essere ottimale.
Microsoft Edge e Microsoft Internet Explorer non supportano tutte le funzionalità di AutoML Tables. Se riscontri dei problemi, prova Google Chrome, Safari o Firefox.
Problemi risolti
In questa pagina sono stati elencati i seguenti problemi, ma non interessano più AutoML Tables.
I risultati relativi all'importanza delle caratteristiche locali non sono supportati con le funzionalità del timestamp
L'importanza delle caratteristiche locali è ora completamente supportata per i modelli con funzionalità di tipo Timestamp.
Latenza elevata per le richieste di previsione online dopo il deployment del modello
Dopo aver eseguito il deployment del modello, le prime richieste di previsione online non mostrano più una latenza aumentata.
L'addestramento più lungo del necessario non influisce più sulla qualità del modello.
AutoML Tables interrompe automaticamente l'addestramento del modello quando rileva che la qualità del modello non migliora.
I set di dati con meno di 100.000 righe non comportano più una riduzione della qualità del modello.
I set di dati con meno di 100.000 righe possono essere utilizzati per addestrare i modelli senza un calo significativo della qualità dei modelli. Tieni presente che un maggior numero di dati di solito comporta una migliore qualità del modello. La quantità minima di dati di addestramento è di 1000 righe.