Problemas conhecidos

Nesta página, você verá uma lista de problemas conhecidos do AutoML Tables, além de maneiras de evitar esses problemas ou se recuperar deles.

Previsão

  • Os pedidos de previsões em lote com apenas uma coluna de recurso tendem a falhar.

    Forneça pelo menos duas colunas de atributos com previsões em lote.

Integração com o BigQuery

  • Erros com tabelas ou visualizações do BigQuery mostrados como erro interno

    Se houver problemas com o esquema ou a configuração do BigQuery usado como fonte de dados ou como previsão de resultados pretendidos, o erro poderá ser retornado no AutoML Tables como um erro interno. Verifique seu esquema e configurações caso ocorra um erro interno ao trabalhar com o BigQuery.

API Cloud AutoML

  • Versões da API não compatíveis presentes na documentação e em endpoints da API

    A única versão da API Cloud AutoML compatível com AutoML Tables é v1beta. Não é possível usar a v1 endpoints REST ou RPC para acessar ou modificar objetos do AutoML Tables.

Como usar o Console do Google Cloud com AutoML Tables

  • A experiência do usuário com os navegadores Microsoft Edge e Microsoft Internet Explorer pode estar abaixo do ideal.

    O Microsoft Edge e o Microsoft Internet Explorer não são compatíveis com todos os recursos do AutoML Tables. Se você tiver problemas, tente usar o Google Chrome, o Safari ou o Firefox.

Problemas resolvidos

Os problemas a seguir foram listados nesta página, mas não estão mais afetando o AutoML Tables.

  • Os resultados da importância de atributo local não são compatíveis com os atributos de carimbo de data e hora

    A importância de atributo local agora tem total suporte para modelos com atributos do tipo Timestamp.

  • Alta latência para pedidos de previsão on-line após a implantação do modelo

    Os primeiros pedidos de previsão on-line já não mostram aumento da latência após a implantação do modelo.

  • Treinamentos mais longos que o necessário não prejudicam mais a qualidade do modelo.

    O AutoML Tables para automaticamente de treinar o modelo quando detecta que ele deixou de ter melhorias.

  • Conjuntos de dados com menos de 100.000 linhas não mais resultam em modelos de qualidade reduzida.

    Conjuntos de dados com menos de 100.000 linhas podem ser usados para treinar modelos sem resultar em queda significativa na qualidade do modelo. Lembre-se de que mais dados normalmente resultam em melhor qualidade do modelo. A quantidade mínima de dados de treinamento é de 1.000 linhas.