Introduzione
Questa guida per principianti è un'introduzione ad AutoML. Per comprendere le chiavi le differenze tra AutoML e l'addestramento personalizzato: Scelta di un metodo di addestramento.
Ecco un possibile scenario:
- Sei l'allenatore di una squadra di calcio.
- Ti trovi nel reparto marketing di un rivenditore digitale.
- Stai lavorando a un progetto architetturale che identifica i tipi di edifici.
- La tua attività ha un modulo di contatto sul proprio sito web.
Selezionare manualmente video, immagini, testi e tabelle è noioso e e richiede molto tempo. Non sarebbe più semplice insegnare a un computer a a identificare e segnalare i contenuti?
Immagine
Collabori con un board di conservazione dell'architettura che tenta di identificare
quartieri con uno stile architettonico coerente nella tua città. Hai a disposizione centinaia di migliaia di istantanee di case da esaminare. Tuttavia, è un processo laborioso e soggetto a errori se si tenta di classificare manualmente tutte queste immagini. Uno stagista ha etichettato come alcune centinaia di persone
mesi fa, ma nessuno ha esaminato i dati. Sarebbe molto utile se potessi soltanto insegnare
il tuo computer per fare la revisione al posto tuo.
Tabulare
Lavori nel reparto marketing di un rivenditore digitale. Tu e il tuo team siete
creando un programma email personalizzato basato sui clienti tipo. Hai creato le persone
e le email di marketing sono pronte per essere inviate. Ora devi creare un sistema che raggruppi i clienti
in ogni persona in base alle preferenze di acquisto e al comportamento di spesa, anche se si tratta di nuovi
clienti. Per massimizzare il coinvolgimento dei clienti, devi anche prevedere le loro abitudini di spesa in modo da ottimizzare il momento in cui inviare le email.
Poiché sei un rivenditore digitale, disponi di dati sui tuoi clienti e sugli acquisti che hanno effettuato. E i nuovi clienti? Gli approcci tradizionali possono calcolare questi valori per clienti con una lunga cronologia di acquisto, ma non hanno risultati soddisfacenti con clienti con una cronologia e i dati di Google Cloud. E se potessi creare un sistema per prevedere questi valori e aumentare la velocità di offri programmi di marketing personalizzati a tutti i tuoi clienti?
Fortunatamente, il machine learning e Vertex AI sono ben posizionati per risolvere questi problemi.
Testo
La tua attività ha un modulo di contatto sul proprio sito web. Ogni giorno ricevi molti messaggi dal modulo, molti dei quali sono in qualche modo utili. Siccome tutti si uniscono,
è facile rimanere indietro nel
trattarli. Dipendenti diversi gestiscono tipi di messaggi diversi.
Sarebbe bello se un sistema automatico potesse classificarli in modo che la persona giusta li veda
i commenti giusti.
Hai bisogno di un sistema che esamini i commenti e stabilisca se rappresentano reclami. elogiare i servizi passati, includere un tentativo di ottenere maggiori informazioni sulla tua attività, una richiesta pianificare un appuntamento o è un tentativo di stabilire una relazione.
Video
Hai a disposizione una vasta raccolta di video di giochi da utilizzare per l'analisi. Tuttavia, dobbiamo esaminare centinaia di ore di video. Guardare ogni video e contrassegnare manualmente i segmenti per evidenziare ogni azione è noioso e e richiede molto tempo. Inoltre, devi ripetere questa operazione ogni stagione. Ora immagina un modello di computer che possa identificare e segnalare automaticamente queste azioni ogni volta che appaiono in un video.
Di seguito sono riportati alcuni scenari specifici per gli obiettivi.
- Riconoscimento dell'azione: scopri azioni come segnare un gol, provocare un fallo o fare una
rigore. Utile per gli allenatori per studiare i punti di forza e i punti deboli della propria squadra.
- Classificazione: classifica ogni video girato come intervallo, visuale della partita, visuale del pubblico o visuale dell'allenatore. Utile ai coach per sfogliare solo le riprese dei video che ti interessano.
- Monitoraggio degli oggetti: consente di monitorare il pallone da calcio o i giocatori. Utile per gli allenatori per ottenere statistiche dei giocatori, come la mappa di calore in campo, il tasso di passaggi riusciti.
Questa guida illustra come funziona Vertex AI per dataset AutoML e illustra i tipi di problemi riscontrati in Vertex AI è progettato per risolvere.
Una nota sull'equità
Google si impegna a fare progressi nell'adozione di pratiche di IA responsabile. Per raggiungere questo obiettivo, i nostri prodotti di ML, tra cui AutoML, sono progettati in base a principi fondamentali come equità e machine learning incentrato sull'uomo. Per ulteriori informazioni sulle best practice per mitigare i bias durante la creazione il tuo sistema ML, consulta la guida sul machine learning inclusivo - AutoML
Perché Vertex AI è lo strumento giusto per questo problema?
Per la programmazione classica, il programmatore deve specificare istruzioni da seguire per un computer. Ma prendiamo in considerazione il caso d'uso dell'identificazione di azioni specifiche nelle partite di calcio. Esistono così tante varianti di colore, angolazione, risoluzione e illuminazione che sarebbe necessario codificare troppe regole per indicare a una macchina come prendere la decisione corretta. È difficile immaginare da dove iniziare. Oppure, nei casi in cui i commenti dei clienti, che utilizzano un'espressione vocabolario e struttura, sono troppo diversificati per essere intercettati da un semplice insieme le regole del caso. Se provassi a creare filtri manuali, scopriresti rapidamente di non essere in grado di classificare la maggior parte dei commenti dei clienti. Hai bisogno di un sistema in grado di generalizzare a una vasta gamma di commenti. In uno scenario in cui una sequenza di regole specifiche è destinata a espandersi in modo esponenziale, hai bisogno di un sistema in grado di apprendere dagli esempi.
Fortunatamente, il machine learning è in grado di risolvere questi problemi.
Come funziona Vertex AI?
Vertex AI prevede attività di apprendimento supervisionato per raggiungere un risultato scelto.
Le specifiche dell'algoritmo e dei metodi di addestramento variano in base al tipo di dati e al caso d'uso. Esistono molte sottocategorie diverse di machine learning, tutte le quali risolvono problemi diversi e operano in base a vincoli diversi.
Immagine
Addestra, testa e convalida il modello di machine learning con immagini di esempio annotate con etichette per la classificazione o con etichette e riquadri di delimitazione per il rilevamento di oggetti. Con l'apprendimento supervisionato, puoi addestrare un modello a riconoscere gli schemi e i contenuti che ti interessano nelle immagini.
Tabulare
Viene addestrato un modello di machine learning con dati di esempio. Vertex AI
utilizza dati tabulari (strutturati) per addestrare un modello di machine learning al fine di
fare previsioni sulla base di nuovi dati. Il modello imparerà a fare previsioni sui dati di una singola colonna del set di dati, chiamata target. Alcune delle altre colonne di dati sono gli input (chiamati caratteristiche) da cui il modello apprenderà i pattern. Puoi
usano le stesse caratteristiche di input per creare più tipi di modelli semplicemente modificando
la colonna target e le opzioni di addestramento. Nell'esempio di email marketing,
significa che puoi creare modelli con le stesse caratteristiche di input, ma con diverse
previsioni del target. Un modello potrebbe prevedere l'utente tipo di un cliente (una
categorico), un altro modello potrebbe prevedere la spesa mensile (una
target numerico) e un'altra potrebbe prevedere la domanda giornaliera dei tuoi prodotti
per i prossimi tre mesi (serie di target numerici).
Testo
Vertex AI ti consente di eseguire un apprendimento supervisionato. Ciò comporta l'addestramento di un computer per riconoscere pattern dai dati etichettati. Grazie all'apprendimento supervisionato, puoi addestrare AutoML per riconoscere i contenuti che ti interessano nel testo.
Video
Il modello di machine learning viene addestrato, testato e convalidato con i video che hai già etichettato. Con un modello addestrato, puoi quindi inserire nuovi video nel modello, che a sua volta genera video. segmenti con etichette. Un segmento video definisce l'offset temporale dell'ora di inizio e di fine all'interno di un video. La può essere l'intero video, un segmento di tempo definito dall'utente, l'inquadratura video rilevata automaticamente o semplicemente un timestamp che indica quando l'ora di inizio coincide con l'ora di fine. Un'etichetta è una "risposta" prevista dal modello. Ad esempio, nei casi d'uso relativi al calcio menzionati in precedenza, per ogni nuovo video di calcio, a seconda del tipo di modello:
- un modello di riconoscimento delle azioni addestrato genera offset di tempo video con etichette che descrivono scatti d'azione come "gol", "fallo personale" e così via.
- un modello di classificazione addestrato produce segmenti di colpi rilevati automaticamente con etichette definite dall'utente come "visualizzazione gioco", "visualizzazione pubblico".
- un modello addestrato di tracciamento degli oggetti produce le tracce del pallone da calcio o dei giocatori di delimitazione nei frame in cui appaiono gli oggetti.
Flusso di lavoro di Vertex AI
Vertex AI utilizza un flusso di lavoro di machine learning standard:
- Raccogli i dati: determina i dati di cui hai bisogno per addestrare e testare il tuo modello in base al risultato che vuoi ottenere.
- Prepara i dati: assicurati che siano formattati e etichettati correttamente.
- Addestra: imposta i parametri e crea il modello.
- Valuta: esamina le metriche del modello.
- Deployment e previsione: rendi il tuo modello disponibile per l'uso.
Ma prima di iniziare a raccogliere i dati, devi pensare che stai cercando di risolvere. In questo modo potrai definire i requisiti dei dati.
Preparazione dati
Valuta il tuo caso d'uso
Inizia dal problema: qual è il risultato che vuoi ottenere?
Immagine
Quando crei il set di dati, inizia sempre dal tuo caso d'uso. Puoi iniziare con le seguenti domande:
- Qual è il risultato che stai cercando di ottenere?
- Quali tipi di categorie o oggetti dovresti riconoscere per ottenere questo risultato?
- È possibile che gli esseri umani riconoscano queste categorie? Sebbene Vertex AI possa gestire un numero maggiore di categorie rispetto a quelle che gli esseri umani possono ricordare e assegnare contemporaneamente, se un essere umano non riesce a riconoscere una categoria specifica, anche Vertex AI avrà difficoltà.
- Quali tipi di esempi riflettono meglio il tipo e l'intervallo di dati che il sistema vedrà e cercherà di classificare?
Tabulare
Di che tipo di dati è composta la colonna di destinazione? Quanti dati hai accesso? In base alle tue risposte, Vertex AI crea il modello necessario per risolvere il tuo caso d'uso:
- Un modello di classificazione binaria prevede un risultato binario (uno due classi). Utilizzalo per le domande con risposta sì o no, ad esempio per prevedere se un cliente acquisterà o meno un abbonamento. A parità di condizioni, un problema di classificazione binaria richiede meno dati rispetto ad altri tipi di modelli.
- Un modello di classificazione multi-classe prevede una classe da tre o più classi discrete. Utilizzalo per categorizzare gli elementi. Per il retail Ad esempio, potresti creare un modello di classificazione multiclasse per segmentare in diversi utenti tipo.
- Un modello di previsione prevede una sequenza di valori. Ad esempio, in qualità di rivenditore, potresti voler prevedere la domanda giornaliera dei tuoi prodotti per i tre mesi successivi in modo da poter rifornire in anticipo gli inventari dei prodotti in modo appropriato.
- Un modello di regressione prevede un valore continuo. Nell'esempio di vendita al dettaglio, vorresti creare un modello di regressione per prevedere quanto spenderà un cliente il mese prossimo.
Testo
Quando raccogli il set di dati, inizia sempre dal tuo caso d'uso. Puoi iniziare con le seguenti domande:
- Quale risultato stai cercando di ottenere?
- Quali tipi di categorie devi riconoscere per ottenere questo risultato?
- Le persone possono riconoscere queste categorie? Sebbene Vertex AI possa gestire più categorie di quante un essere umano possa ricordare e assegnare contemporaneamente, se una persona non riesce a riconoscere una categoria specifica, anche Vertex AI avrà difficoltà.
- Quali tipi di esempi rifletterebbero meglio il tipo e l'intervallo di dati che il tuo sistema classificherà?
Video
A seconda del risultato che stai cercando di ottenere, seleziona l'obiettivo del modello appropriato:
- Per rilevare i momenti di azione in un video, ad esempio per identificare come segnare un gol o causare un fallo. Per fare un calcio di rigore, usa l'obiettivo del riconoscimento dell'azione.
- Per classificare gli scatti TV nelle seguenti categorie: pubblicità, notizie, programmi TV e così via, utilizza lo scopo classificazione.
- Per individuare e monitorare gli oggetti in un video, utilizza l'obiettivo di monitoraggio degli oggetti.
Consulta Preparazione dei dati video per ulteriori informazioni. informazioni sulle best practice per la preparazione dei set di dati per il riconoscimento, la classificazione e di monitoraggio degli oggetti.
Raccogli i tuoi dati
Dopo aver stabilito il caso d'uso, devi raccogliere i dati che ti consentono di creare il modello che ti interessa.
Immagine
Dopo aver stabilito quali dati ti servono, devi trovare un modo per ottenerli. Puoi
per iniziare prendendo in considerazione tutti i dati raccolti dalla tua organizzazione. Potresti scoprire di raccogliere già i dati pertinenti necessari per addestrare un modello. Se non disponi di questi dati,
puoi ottenerli manualmente o esternalizzarli a un fornitore di terze parti.
Includi esempi etichettati sufficienti in ogni categoria
Il minimo indispensabile richiesto da Vertex AI Training è di 100 esempi di immagini per categoria/etichetta per la classificazione.
La probabilità di riconoscere un'etichetta aumenta con il numero di video di alta qualità
esempi per ciascuno: in generale, più dati etichettati
puoi aggiungere al processo di addestramento,
migliore sarà il tuo modello. Scegli almeno 1000 esempi per etichetta come target.
Distribuisci gli esempi equamente tra le categorie
È importante acquisire una quantità quasi simile di esempi di addestramento per ogni categoria. Anche se hai molti dati per un'etichetta, è meglio avere una distribuzione equa per ogni etichetta. Per capire perché, immagina che l'80% delle immagini che usi per creare il tuo modello siano immagini
di case unifamiliari in stile moderno. Con una distribuzione così sbilanciata delle etichette, il tuo
modello ha molte probabilità di apprendere che è sicuro dirti sempre che una foto ritrae una casa singola moderna, piuttosto che rischiare di provare a prevedere un'etichetta molto meno comune.
È come scrivere un test a scelta multipla in cui quasi tutte le risposte corrette sono "C" - a breve
il tuo esperto candidato capirà che sa rispondere alla lettera "C" ogni volta senza nemmeno guardare
la domanda.
Siamo consapevoli che potrebbe non essere sempre possibile reperire un numero di esempi quasi uguale per ogni etichetta. Potrebbe essere più difficile trovare esempi di alta qualità e non soggettivi per alcune categorie. In queste circostanze, puoi seguire questa regola empirica: l'etichetta con il numero più basso di esempi deve avere almeno il 10% degli esempi dell'etichetta con il numero più alto di esempi. Quindi,se l'etichetta più grande ha 10.000 esempi, l'etichetta più piccola dovrebbe averne almeno 1000 esempi.
Cattura la variazione nello spazio dei problemi
Per motivi simili, assicurati che i tuoi dati catturino la varietà e la diversità dei tuoi
nello spazio dei problemi. Più ampia è la selezione a cui il processo di addestramento del modello vede, più
generalizza in base a nuovi esempi. Ad esempio, se stai cercando di classificare foto di
elettronica di consumo in categorie, maggiore è la varietà di elettronica di consumo a cui il modello è esposto
durante l'addestramento, maggiori sono le probabilità che sia in grado di distinguere tra un nuovo modello di tablet,
da uno smartphone o da un laptop, anche se non hai mai visto prima questo modello.
Abbina i dati all'output previsto per il modello
Trova immagini visivamente simili a quelle su cui intendi fare previsioni. Se stai tentando di classificare le immagini di case che sono state tutte scattate in inverno con la neve, probabilmente non otterrai un rendimento eccezionale da un modello addestrato solo su immagini di case scattate in giornate soleggiate, anche se le hai taggate con le classi che ti interessano, poiché l'illuminazione e lo scenario potrebbero essere sufficientemente diversi da influire sul rendimento. Idealmente, gli esempi di addestramento sono dati reali ricavati dallo stesso set di dati che prevedi di utilizzare per la classificazione del modello.
Tabulare
Dopo aver stabilito il caso d'uso, dovrai raccogliere i dati per addestrare il modello.
L'acquisizione e la preparazione dei dati sono passaggi fondamentali per creare un modello di machine learning.
I dati che hai a disposizione indicano il tipo di problemi che puoi risolvere. Quanti dati hai a disposizione? I tuoi dati sono pertinenti alle domande a cui stai cercando di rispondere? Durante la raccolta dei dati, tieni presente le seguenti considerazioni chiave.
Seleziona le funzionalità pertinenti
Una caratteristica è un attributo di input utilizzato per l'addestramento del modello. Le caratteristiche consentono al modello di identificare i pattern per fare previsioni, quindi devono essere pertinenti al problema. Ad esempio, per creare un modello che preveda se una transazione con carta di credito è fraudolenta o meno, devi creare un set di dati contenente i dettagli della transazione, come acquirente, venditore, importo, data e ora e articoli acquistati. Altre funzionalità utili potrebbero essere informazioni storiche sull'acquirente e sul venditore e la frequenza con cui l'articolo acquistato è stato coinvolto in attività fraudolente. Quali altre funzionalità potrebbero essere pertinenti?
Considera il caso d'uso dell'email marketing per la vendita al dettaglio fin dall'introduzione. Ecco alcune funzionalità colonne che potresti richiedere:
- Elenco di articoli acquistati (inclusi brand, categorie, prezzi, sconti)
- Numero di articoli acquistati (ultimo giorno, settimana, mese, anno)
- Somma di denaro speso (ultimo giorno, settimana, mese, anno)
- Per ogni articolo, il numero totale di articoli venduti ogni giorno
- Per ciascun articolo, il totale disponibile ogni giorno
- Se stai pubblicando una promozione per un giorno specifico
- Profilo demografico noto dello shopper
Includi dati sufficienti
In generale, maggiore è il numero di esempi di addestramento, migliori saranno i risultati. La quantità di dati di esempio richiesti varia anche in base alla complessità del problema che stai cercando di risolvere. Non
bisogno di più dati per ottenere un modello di classificazione binaria accurato rispetto a un modello multiclasse
perché è meno complicato prevedere una classe da due anziché da molte.
Non esiste una formula perfetta, ma esistono dei minimi consigliati di dati di esempio:
- Problema di classificazione: 50 righe x le caratteristiche numeriche.
- Problema di previsione:
- 5000 righe x il numero di elementi
- 10 valori univoci nella colonna dell'identificatore della serie temporale x il numero di elementi
- Problema di regressione: 200 x il numero di elementi
Acquisisci variante
Il set di dati deve rispecchiare la diversità dello spazio dei problemi. Più esempi diversi vengono mostrati a un modello durante l'addestramento, più facilmente può generalizzarsi a esempi nuovi o meno comuni. Immagina se il tuo modello di vendita al dettaglio fosse stato addestrato utilizzando solo i dati di acquisto invernali. Vuoi è in grado di prevedere correttamente le preferenze di abbigliamento o i comportamenti di acquisto per l'estate?
Testo
Dopo aver stabilito quali dati ti serviranno, devi trovare un modo per ottenerli. Puoi iniziare tenendo conto di tutti i dati raccolti dalla tua organizzazione. Potresti scoprire
stanno già raccogliendo i dati necessari
per addestrare un modello. Nel caso in cui non disponi dei dati necessari
puoi ottenerlo manualmente o affidarlo a un fornitore di terze parti.
Includi un numero sufficiente di esempi etichettati in ogni categoria
La probabilità di riconoscere un'etichetta aumenta con il numero di video di alta qualità
esempi per ciascuno: in generale, più dati etichettati
puoi aggiungere al processo di addestramento,
migliore sarà il tuo modello. Anche il numero di campioni necessari varia in base al grado di
e coerenza nei dati che vuoi prevedere e con il livello di accuratezza target. Puoi utilizzare meno esempi per set di dati coerenti o per ottenere una precisione dell'80% anziché del 97%.
Addestra un modello e poi valuta i risultati. Aggiungi altri esempi e
addestrarlo di nuovo fino a raggiungere gli obiettivi di accuratezza, il che potrebbe richiedere centinaia o
esempi per etichetta. Per ulteriori informazioni sui requisiti e sui consigli per i dati, consulta
Preparazione
dei dati di addestramento testo per i modelli AutoML.
Distribuisci gli esempi equamente tra le categorie
È importante acquisire un numero approssimativamente simile di esempi di addestramento per ogni categoria. Uniforme
se c'è un'abbondanza di dati per un'etichetta, è meglio avere una distribuzione uguale per
ciascuna etichetta. Per capire perché, immagina che l'80% dei commenti dei clienti che utilizzi per creare il tuo modello sia costituito da richieste di preventivo. Con una distribuzione non bilanciata delle etichette, è molto probabile che il modello
per sapere che puoi sempre indicare in sicurezza che il commento di un cliente è una richiesta di preventivo, anziché
cercando di prevedere un'etichetta molto meno comune. È come scrivere un test a scelta multipla in cui quasi tutte le risposte corrette sono "C": presto il candidato esperto capirà che può rispondere "C" ogni volta senza nemmeno guardare la domanda.
Potrebbe non essere sempre possibile generare un numero approssimativamente uguale di esempi per ogni dell'etichetta. Potrebbe essere più difficile reperire esempi di alta qualità e imparziali per alcune categorie. In queste circostanze, l'etichetta con il numero più basso di esempi deve avere almeno il 10% degli esempi dell'etichetta con il numero più alto di esempi. Pertanto, se l'etichetta più grande ha 10.000 esempi, l'etichetta più piccola deve avere almeno 1000 esempi.
Acquisisci la variante nello spazio dei problemi
Per motivi simili, cerca di fare in modo che i dati acquisiscano la varietà e la diversità del problema
spazio. Quando fornisci un set più ampio di esempi, il modello è più in grado di generalizzare
nuovi dati. Supponiamo che tu stia cercando di classificare gli articoli sull'elettronica di consumo in base agli argomenti. Più
i nomi dei brand e le specifiche tecniche che fornisci, più facile sarà per il modello
l'argomento di un articolo, anche se l'articolo riguarda un brand che non è
nel set di addestramento. Potresti anche prendere in considerazione l'aggiunta di "nessuno_dei_sopra" etichetta per
documenti che non corrispondono a nessuna delle etichette definite, per migliorare ulteriormente le prestazioni del modello.
Abbina i dati all'output previsto per il modello
Trova esempi di testo simili a quelli su cui prevedi di fare previsioni. Se
classificare i post sui social media sul soffiatura del vetro, probabilmente
le prestazioni di un modello addestrato su siti web informativi sulla soffiatura del vetro, poiché il vocabolario e
potrebbe essere diverso. Idealmente, gli esempi di addestramento sono dati reali ricavati dal
lo stesso set di dati per classificare il modello.
Video
Dopo aver stabilito il tuo caso d'uso, dovrai raccogliere i dati video che ti consentiranno di creare il modello che preferisci. I dati raccolti per l'addestramento indicano il tipo di problemi che
possono risolvere. Quanti video puoi usare? I video contengono abbastanza esempi per ciò che vuoi?
il tuo modello da prevedere? Quando raccogli i dati dei tuoi video, tieni presente le seguenti considerazioni.
Includi un numero sufficiente di video
In genere, maggiore è il numero di video di addestramento nel set di dati, migliore sarà il risultato. Il numero di
video consigliati si adatta anche alla complessità del problema che stai cercando di risolvere. Ad esempio, per la classificazione, avrai bisogno di meno dati video per un problema di classificazione binaria (previsione di una classe da due) rispetto a un problema con più etichette (previsione di una o più classi da molte).
La complessità di ciò che stai cercando di fare determina anche la quantità di dati video di cui hai bisogno. Prendi in considerazione il caso d'uso sul calcio per la classificazione, ovvero la creazione di un modello per distinguere piuttosto che addestrare un modello in grado di classificare i vari stili di nuoto. Ad esempio: per distinguere rana, farfalla, dorso e così via, avrai bisogno di più formazione per identificare i diversi stili di nuoto e aiutare il modello a capire come identificare che digitano in modo preciso. Consulta: Preparazione dei dati video per ottenere indicazioni su come comprendere le esigenze minime in termini di dati video per il riconoscimento, la classificazione e monitoraggio degli oggetti.
La quantità di dati video richiesta potrebbe essere superiore a quella di cui disponi al momento. Valuta la possibilità di ottenere altri video tramite un fornitore di terze parti. Ad esempio, potresti acquistare o ottenere altri video di colibrì se non ne hai abbastanza per il tuo modello di identificatore di azioni di gioco.
Distribuire i video in modo uniforme tra i corsi
Prova a fornire un numero simile di esempi di addestramento per ogni corso. Ecco perché: immagina che
l'80% del tuo set di dati di addestramento sia costituito da video di calcio che mostrano tiri in porta, ma solo il 20% dei video raffigura falli personali o calci di rigore. Con una distribuzione così diseguale delle classi, il tuo modello è più propenso a prevedere che una determinata azione sia un obiettivo. È un po' come scrivere una scelta multipla
Testa dove l'80% delle risposte corrette è "C": il modello esperto intuisce rapidamente che la lettera "C"
è una buona ipotesi la maggior parte delle volte.
Potrebbe non essere possibile trovare un numero uguale di video per ogni lezione. Anche esempi di alta qualità e imparziali possono essere difficili per alcuni corsi. Prova a seguire un rapporto 1:10, se il più grande ha 10.000 video, la più piccola dovrebbe averne almeno 1000.
Acquisisci variante
I dati video devono rispecchiare la diversità dello spazio dei problemi. Più sono diversi gli esempi visto durante l'addestramento, più prontamente potrà generalizzare in base a esempi nuovi o meno comuni. Pensa al modello di classificazione delle azioni di calcio: assicurati di includere video con una di inquadrature, di giorno e di notte e di movimenti del giocatore. L'esposizione del modello a una diversità di dati migliora la sua capacità di distinguere un'azione da un'altra.
Abbina i dati all'output previsto
Trova video di addestramento visivamente simili ai video che prevedi di inserire nel modello per la previsione. Ad esempio, se tutti i tuoi video di addestramento sono stati girati in inverno o la sera, l'illuminazione e i motivi di colore in questi ambienti influiranno sul tuo modello. Se poi lo utilizzi per testare i video realizzati in estate o in pieno giorno, potresti non ricevere previsioni precise.
Valuta questi fattori aggiuntivi: risoluzione video, frame al secondo, angolazione della videocamera, sfondo.
Preparare i dati
Immagine
Dopo aver deciso quale sia la soluzione più adatta a te, una suddivisione manuale o quella predefinita, puoi aggiungere dati in Vertex AI utilizzando uno dei seguenti metodi:
- Puoi importare i dati dal computer o da Cloud Storage in un formato disponibile (Righe in formato CSV o JSON) con il etichette (e riquadri di delimitazione, se necessario) in linea. Per saperne di più sul formato del file di importazione, consulta Preparare i dati di addestramento. Se vuoi suddividere manualmente il set di dati, puoi specificare le suddivisioni nelle righe CSV o JSON importa il file.
- Se i tuoi dati non sono stati annotati, puoi caricare immagini senza etichetta e utilizzare nella console Google Cloud per applicare le annotazioni. Puoi gestire le annotazioni in più set di annotazioni per lo stesso insieme di immagini. Ad esempio, per un singolo set di immagini puoi avere un set di annotazioni con informazioni su riquadri di delimitazione ed etichette per il rilevamento degli oggetti e un altro set di annotazioni con solo annotazioni delle etichette per la classificazione.
Tabulare
Dopo aver identificato i dati disponibili, devi assicurarti che siano pronti per l'addestramento.
Se i tuoi dati non sono differenziati o contengono valori mancanti o errati, ciò influisce sulla qualità dei
del modello. Prima di iniziare ad addestrare il modello, considera quanto segue.
Scopri di più.
Evita la fuga di dati e il disallineamento tra addestramento e distribuzione
La fuga di dati si verifica quando utilizzi le funzionalità di input durante l'addestramento che "rilasciano" informazioni sul target che stai cercando di prevedere e che non è disponibile quando il modello viene effettivamente pubblicato. Questo può essere rilevato quando una funzionalità altamente correlata alla colonna target è inclusa come una delle funzionalità di input. Ad esempio, se stai creando un modello per prevedere se un cliente sottoscriverà un abbonamento il mese successivo e uno degli input è un pagamento futuro dell'abbonamento da parte di quel cliente. Ciò può portare a un ottimo rendimento del modello durante i test, ma non quando viene implementato in produzione, poiché i dati di pagamento per gli abbonamenti futuri non sono disponibili al momento della pubblicazione.
Il disallineamento addestramento/produzione si verifica quando le funzionalità di input utilizzate durante l'addestramento sono diverse da quelle fornite al modello al momento della pubblicazione, causando una scarsa qualità del modello in produzione. Ad esempio, creare un modello per prevedere le temperature orarie, ma addestrarlo con dati che contengono solo temperature settimanali. Un altro esempio: fornire sempre i voti di uno studente nei dati di addestramento quando si prevede l'abbandono scolastico, ma non fornire queste informazioni al momento dell'erogazione.
Comprendere i dati di addestramento è importante per prevenire la fuga di dati e disallineamento addestramento/distribuzione:
- Prima di utilizzare qualsiasi dato, assicurati di sapere cosa significano i dati e se dovrebbe usarla come caratteristica
- Controlla la correlazione nella scheda Addestra. Le correlazioni elevate devono essere segnalate per la revisione.
- Disallineamento addestramento/produzione: assicurati di fornire al modello solo le funzionalità di input disponibili nello stesso identico formato al momento della pubblicazione.
Pulire i dati mancanti, incompleti e incoerenti
È normale che nei dati di esempio siano presenti valori mancanti e inesatti. Prenditi il tempo di esaminare e, se possibile, migliorare la qualità dei dati prima di utilizzarli per l'addestramento. Maggiore è il numero di valori mancanti, meno utili saranno i dati per l'addestramento di un modello di machine learning.
- Verifica la presenza di valori mancanti nei dati e correggili se possibile oppure lascia vuoto il valore se se la colonna è impostata per essere nullo. Vertex AI è in grado di gestire i valori mancanti, ma di ottenere risultati ottimali se sono disponibili tutti i valori.
- Per le previsioni, verifica che l'intervallo tra le righe di addestramento sia coerente. Vertex AI può imputare i valori mancanti, ma è più probabile che tu ottenga risultati ottimali se sono disponibili tutte le righe.
- Pulisci i tuoi dati correggendo o eliminando errori o rumore nei dati. Mantieni i dati coerenti: controlla l'ortografia, le abbreviazioni e la formattazione.
Analizzare i dati dopo l'importazione
Vertex AI fornisce una panoramica del set di dati dopo l'importazione. Controlla il set di dati importato per assicurarti che ogni colonna abbia il tipo di variabile corretto. Vertex AI rileverà automaticamente il tipo di variabile in base ai valori delle colonne, ma è meglio esaminarle tutte. Devi anche esaminare la nullabilità di ogni colonna, che determina se una colonna può avere valori mancanti o NULL.
Testo
Dopo aver deciso la suddivisione più adatta a te (manuale o predefinita),
aggiungere dati in Vertex AI utilizzando uno dei seguenti
metodo:
- Puoi importare i dati dal computer o da Cloud Storage nel formato CSV o Righe JSON con le etichette in linea, come specificato in Preparazione dei dati di addestramento. Se vuoi suddividere manualmente il set di dati, puoi specificare le suddivisioni CSV o JSON Lines.
- Se i tuoi dati non sono stati etichettati, puoi caricare esempi di testo non etichettati e utilizzare Vertex AI per applicare le etichette.
Video
Dopo aver raccolto i video che vuoi includere nel set di dati, devi assicurarti che contengano etichette associate a segmenti video o riquadri di delimitazione. Per il riconoscimento delle azioni,
il segmento video è un timestamp e ai fini della classificazione il segmento può essere una ripresa video,
un segmento o l'intero video. Per il monitoraggio degli oggetti, le etichette sono associate ai riquadri di delimitazione.
Perché i miei video hanno bisogno di riquadri di delimitazione ed etichette?
Per il monitoraggio di oggetti, in che modo un modello Vertex AI impara a identificare i pattern? È a questo scopo che servono i riquadri di delimitazione e le etichette durante l'addestramento. Prendiamo l'esempio del calcio: ogni video di esempio dovrà contenere riquadri di delimitazione intorno agli oggetti che ti interessa rilevare. Queste caselle hanno anche bisogno di etichette come "persona", e "palla", assegnato a che li rappresentano. In caso contrario, il modello non saprà cosa cercare. Disegnare riquadri e assegnare etichette ai video di esempio può richiedere del tempo.
Se i tuoi dati non sono ancora stati etichettati, puoi anche caricare i video non etichettati e utilizzare la console Google Cloud per applicare caselle delimitanti ed etichette. Per ulteriori informazioni, consulta Etichettare i dati utilizzando la console Google Cloud.
Addestramento del modello
Immagine
Valuta in che modo Vertex AI utilizza il tuo set di dati per creare un modello personalizzato
Il set di dati contiene set di addestramento, convalida e test. Se non specifichi le suddivisioni
(vedi Preparare i dati), Vertex AI utilizza automaticamente l'80% delle immagini per l'addestramento,
il 10% per la convalida e il 10% per i test.
Set di addestramento
La maggior parte dei dati dovrebbe essere presente nel set di addestramento. Questi sono i dati che il modello "vede"
durante l'addestramento: viene utilizzato per apprendere i parametri del modello, ossia i pesi
e connessioni tra i nodi della rete neurale.
Set di convalida
Il set di convalida, a volte chiamato anche "dev" viene utilizzato anche durante il processo di addestramento.
Dopo che il framework di apprendimento del modello ha incorporato i dati di addestramento durante ogni iterazione del
di addestramento del modello, utilizza le prestazioni del modello sul set di convalida per
gli iperparametri, che sono variabili che specificano la struttura del modello. Se si cercasse di utilizzare il set di addestramento per ottimizzare gli iperparametri, è molto probabile che il modello finirebbe per concentrarsi eccessivamente sui dati di addestramento e avrebbe difficoltà a generalizzare in base a esempi che non corrispondono esattamente.
L'utilizzo di un set di dati nuovo per ottimizzare la struttura del modello consente una migliore generalizzazione da parte del modello.
Set di test
Il set di test non è coinvolto in nessun modo nel processo di addestramento. Al termine dell'addestramento del modello, utilizziamo il set di test come risorsa di verifica completamente nuova per il modello. La
delle prestazioni del modello sul set di test ha lo scopo di darvi un'idea abbastanza precisa di come
del modello si baserà su dati reali.
Suddivisione manuale
Puoi anche suddividere autonomamente il tuo set di dati. La suddivisione manuale dei dati è una buona scelta se vuoi esercitare un maggiore controllo sul processo o se ci sono esempi specifici che vuoi includere in una determinata parte del ciclo di vita dell'addestramento del modello.
Tabulare
Dopo aver importato il set di dati, devi addestrare un modello. Vertex AI un modello di machine learning affidabile con i valori predefiniti per l'addestramento, alcuni parametri in base al caso d'uso specifico.
Cerca di selezionare il maggior numero possibile di colonne di caratteristiche per l'addestramento, ma esaminale per assicurarti che è appropriato per l'addestramento. Per la selezione delle caratteristiche, tieni presente quanto segue:
- Non selezionare colonne di funzionalità che creano rumore, ad esempio colonne di identificatori assegnati in modo casuale con un valore univoco per ogni riga.
- Assicurati di comprendere ogni colonna delle caratteristiche e i relativi valori.
- Se stai creando più modelli da un set di dati, rimuovi le colonne di destinazione che non fanno parte dell'attuale problema di previsione.
- Ricorda i principi di equità: stai addestrando il tuo modello con una funzionalità che potrebbe portare a decisioni biased o ingiuste per i gruppi emarginati?
In che modo Vertex AI utilizza il set di dati
Il set di dati verrà suddiviso in set di addestramento, convalida e test. La suddivisione predefinita applicata da Vertex AI dipende dal tipo di modello che stai addestrando. Se necessario, puoi anche specificare le suddivisioni (suddivisioni manuali). Per ulteriori informazioni, consulta Informazioni sulle suddivisioni di dati per i modelli AutoML.
Set di addestramento
La maggior parte dei dati dovrebbe essere presente nel set di addestramento. Questi sono i dati che il modello "vede"
durante l'addestramento: viene utilizzato per apprendere i parametri del modello, ossia i pesi
e connessioni tra i nodi della rete neurale.
Set di convalida
Il set di convalida, talvolta chiamato anche set "dev", viene utilizzato anche durante il processo di addestramento.
Dopo che i dati di addestramento sono stati incorporati durante ogni iterazione del processo di addestramento, il framework di apprendimento del modello utilizza le prestazioni del modello sul set di convalida per ottimizzarne gli iperparametri, che sono variabili che specificano la struttura del modello. Se hai provato a utilizzare
per ottimizzare gli iperparametri, è molto probabile che il modello finirebbe per concentrarsi eccessivamente
dati di addestramento e avere difficoltà a generalizzare in base a esempi che non corrispondono esattamente.
L'utilizzo di un set di dati nuovo per ottimizzare la struttura del modello consente una migliore generalizzazione da parte del modello.
Set di test
Il set di test non è coinvolto in nessun modo nel processo di addestramento. Una volta che il modello ha completato
l'addestramento, Vertex AI utilizza il set di test come sfida completamente nuova per il modello.
Le prestazioni del modello in base al set di test hanno lo scopo di dare un'idea abbastanza precisa di come il modello si comporterà utilizzando dati reali.
Testo
Considera in che modo Vertex AI utilizza il tuo set di dati per creare un modello personalizzato
Il set di dati contiene set di addestramento, convalida e test. Se non specifichi le suddivisioni come spiegato in Preparare i dati, Vertex AI utilizza automaticamente l'80% dei documenti dei contenuti per l'addestramento, il 10% per la convalida e il 10% per i test.
Set di addestramento
La maggior parte dei dati dovrebbe essere presente nel set di addestramento. Questi sono i dati che il modello "vede"
durante l'addestramento: vengono utilizzati per apprendere i parametri del modello, ossia i pesi delle connessioni tra i nodi della rete neurale.
Set di convalida
Il set di convalida, a volte chiamato anche "dev" viene utilizzato anche durante il processo di addestramento.
Dopo che il framework di apprendimento del modello ha incorporato i dati di addestramento durante ogni iterazione del
di addestramento del modello, utilizza le prestazioni del modello sul set di convalida per
gli iperparametri, che sono variabili che specificano la struttura del modello. Se hai provato a utilizzare
per ottimizzare gli iperparametri, è molto probabile che il modello finirebbe per concentrarsi eccessivamente
dati di addestramento e avere difficoltà a generalizzare in base a esempi che non corrispondono esattamente.
L'utilizzo di un set di dati nuovo per ottimizzare la struttura del modello consente una migliore generalizzazione da parte del modello.
Set di test
Il set di test non è coinvolto in nessun modo nel processo di addestramento. Al termine dell'addestramento del modello, utilizziamo il set di test come risorsa di verifica completamente nuova per il modello. Le prestazioni del modello in base al set di test hanno lo scopo di dare un'idea abbastanza precisa di come il modello si comporterà utilizzando dati reali.
Suddivisione manuale
Puoi anche suddividere il set di dati autonomamente. La suddivisione manuale dei dati è una buona scelta se vuoi esercitare un maggiore controllo sul processo o se ci sono esempi specifici che vuoi includere in una determinata parte del ciclo di vita dell'addestramento del modello.
Video
Dopo aver preparato i dati del video di addestramento, puoi creare un modello di machine learning. Tieni presente che puoi creare set di annotazioni per obiettivi di modello diversi nello stesso set di dati. Consulta: Creazione di un set di annotazioni.
Uno dei vantaggi di Vertex AI è che i parametri predefiniti ti guiderà verso un modello di machine learning affidabile. Tuttavia, potresti dover modificare i parametri in base alla qualità dei dati e al risultato che stai cercando. Ad esempio:
- Il tipo di previsione è il livello di granularità con il quale vengono elaborati i tuoi video.
- La frequenza fotogrammi è importante se le etichette che stai tentando di classificare sono sensibili. cambiamenti di movimento, come nel riconoscimento delle azioni. Ad esempio, prendi corsa anziché camminare. Un clip di una camminata con fotogrammi al secondo (f/s) basso potrebbe essere simile a una corsa. Per quanto riguarda il monitoraggio degli oggetti, è sensibile anche alla frequenza fotogrammi. In sostanza, l'oggetto da monitorare deve avere una sovrapposizione sufficiente tra i fotogrammi adiacenti.
- La risoluzione per il monitoraggio di oggetti è più importante che per un'azione. o per la classificazione dei video. Quando gli oggetti sono piccoli, assicurati di caricare video con una risoluzione più elevata. La pipeline attuale utilizza 256 x 256 per l'addestramento regolare o 512 x 512 se ci sono troppi oggetti piccoli (la cui area è inferiore all'1% dell'area dell'immagine) nei dati utente. È consigliabile utilizzare video di almeno 256p. L'utilizzo di video a risoluzione più alta non aiuta a migliorare le prestazioni del modello perché internamente i fotogrammi video sottocampionati per aumentare la velocità di addestramento e inferenza.
Valuta, testa ed esegui il deployment del modello
Valuta il modello
Immagine
Una volta addestrato il modello, riceverai un riepilogo delle relative prestazioni. Clic valuta o visualizza valutazione completa per visualizzare un'analisi dettagliata.
Il debug di un modello riguarda più i dati che il modello stesso. Se in un determinato momento il tuo
modello inizia a comportarsi in modo imprevisto durante la valutazione del suo rendimento prima e
dopo l'implementazione in produzione, devi tornare indietro e controllare i dati per capire dove potrebbe essere
migliorato.
Che tipo di analisi posso eseguire in Vertex AI?
Nella sezione "Valutazione" di Vertex AI puoi valutare le prestazioni del modello personalizzato utilizzando: l'output del modello su esempi di test e metriche di machine learning comuni. In questa sezione spiegheremo il significato di ciascuno di questi concetti.
- L'output del modello
- La soglia di punteggio
- Veri positivi, veri negativi, falsi positivi e falsi negativi
- Precisione e richiamo
- Curve di precisione-richiamo
- Precisione media
Come devo interpretare l'output del modello?
Vertex AI estrae esempi dai dati di test per presentare sfide completamente nuove per il tuo
modello. Per ogni esempio, il modello restituisce una serie di numeri che indicano l'intensità
associa ogni etichetta all'esempio. Se il numero è elevato, il modello ha un'elevata certezza
che l'etichetta debba essere applicata al documento.
Che cos'è la soglia di punteggio?
Possiamo convertire queste probabilità in valori binari "on"/"off" impostando una soglia di punteggio.
La soglia del punteggio si riferisce al livello di confidenza a cui il modello deve assegnare una categoria
un elemento di prova. Il cursore della soglia del punteggio nella console Google Cloud è uno strumento visivo per testare
l'effetto di soglie diverse per tutte le categorie e le singole categorie nel tuo set di dati.
Se la soglia del punteggio è bassa, il modello classificherà più immagini, ma corre il rischio
classificazione errata di alcune immagini nel processo. Se la soglia del punteggio è alta, il modello classifica
un numero inferiore di immagini, ma ciò comporta un rischio minore di classificazione errata delle immagini. Per eseguire esperimenti, puoi modificare le soglie per categoria nella console Google Cloud. Tuttavia, quando utilizzi il modello in produzione, devi applicare le soglie che hai trovato ottimali.
Che cosa sono i veri positivi, i veri negativi, i falsi positivi e i falsi negativi?
Dopo aver applicato la soglia del punteggio, le previsioni fatte dal modello rientreranno in una delle
le seguenti quattro categorie:
Le soglie che hai trovato ottimali.
Possiamo usare queste categorie per calcolare la precisione e il richiamo, metriche che ci aiutano a valutare l'efficacia del nostro modello.
Cosa sono precisione e richiamo?
La precisione e il richiamo ci aiutano a capire se il nostro modello sta acquisendo informazioni adeguate e quanto
sta tralasciando. La precisione ci dice, tra tutti gli esempi di test a cui è stata assegnata un'etichetta, quanti dovevano effettivamente essere classificati con quell'etichetta. Il ricordo ce lo dice, dopo tutte le prove
esempi a cui avrebbe dovuto essere assegnata l'etichetta, quanti di loro avrebbero effettivamente ricevuto l'etichetta.
Devo ottimizzare per la precisione o il richiamo?
A seconda del caso d'uso, ti consigliamo di ottimizzare la precisione o il richiamo. Prendi in considerazione i seguenti due casi d'uso per decidere quale approccio è più adatto alle tue esigenze.
Caso d'uso: privacy nelle immagini
Supponiamo che tu voglia creare un sistema che rilevi automaticamente informazioni sensibili e sfocature
la escogita.
In questo caso, i falsi positivi sono: cose che non devono essere sfocate ma che vengono sfocate,
il che può essere fastidioso, ma non dannoso.
In questo caso, i falsi negativi sono elementi che devono essere sfocati, ma non lo sono, come una carta di credito, il che può portare al furto d'identità.
In questo caso, dovresti eseguire l'ottimizzazione per il richiamo. Questa metrica misura tutte le le previsioni, quanto viene tralasciato. È probabile che un modello a richiamo elevato etichetti in modo marginale esempi pertinenti. Ciò è utile nei casi in cui la categoria abbia pochi dati di addestramento.
Caso d'uso: ricerca di foto stock
Supponiamo di voler creare un sistema che trovi la migliore foto di stock per una determinata parola chiave.
Un falso positivo in questo caso potrebbe essere la restituzione di un'immagine non pertinente. Poiché il tuo prodotto si vanta di restituire solo le immagini con la migliore corrispondenza, questo sarebbe un errore grave.
Un falso negativo in questo caso potrebbe essere il mancato ritorno di un'immagine pertinente per una ricerca per parole chiave.
Dato che molti termini di ricerca hanno migliaia di foto che rappresentano una potenziale corrispondenza, non c'è problema.
In questo caso, dovresti ottimizzare la precisione. Questa metrica misura tutte le previsioni fatte e la loro correttezza. Un modello ad alta precisione è probabile che etichetti solo gli esempi più pertinenti, il che è utile nei casi in cui la classe è comune nei dati di addestramento.
Come si utilizza la matrice di confusione?
Come si interpretano le curve di precisione-richiamo?
Lo strumento Soglia di punteggio ti consente di esplorare l'impatto della soglia di punteggio scelta sulla precisione e sul richiamo. Mentre trascini il dispositivo di scorrimento sulla barra della soglia di punteggio, puoi vedere dove ti trovi con questa
soglia sulla curva di compromesso precisione-richiamo, nonché in che modo la soglia influisce sulla precisione e sul richiamo singolarmente (per i modelli multiclasse, su questi grafici, precisione
e richiamo indicano che l'unica etichetta utilizzata per calcolare le metriche di precisione e richiamo è l'etichetta con il punteggio più alto
nell'insieme di etichette restituite). In questo modo puoi trovare un buon equilibrio tra falsi positivi e falsi negativi.
Dopo aver scelto una soglia che sembra accettabile per il modello nel suo complesso, fai clic sulle singole etichette e controlla dove si trova la soglia sulla curva di precisione-richiamo per etichetta. In alcuni casi, potrebbe significare che ricevi molte previsioni errate per alcune etichette, il che può aiutarti a decidere di scegliere una soglia per classe personalizzata in base alle etichette. Ad esempio, supponiamo che tu esamini il tuo set di dati di case e noti che una soglia pari a 0,5 ha una precisione e un richiamo ragionevoli per ogni tipo di immagine tranne per "Tudor", forse perché si tratta di una categoria molto generica. Per quella categoria, vedrai un sacco di falsi positivi. In questo caso, decide di usare una soglia di 0,8 solo per "Tudor" quando chiami il classificatore per le previsioni.
Che cos'è la precisione media?
Una metrica utile per l'accuratezza del modello è l'area sotto la curva di precisione-richiamo. Misura il modo in cui le prestazioni del modello in tutte le soglie di punteggio. In Vertex AI, questa metrica è chiamata Precisione media. Più questo punteggio è vicino a 1,0, migliori sono le prestazioni del modello sul set di test. Un modello che indovina a caso per ogni etichetta otterrebbe una precisione media di circa 0,5.
Tabulare
Dopo l'addestramento del modello, riceverai un riepilogo delle relative prestazioni. Le metriche di valutazione del modello si basano sul rendimento del modello rispetto a un'estrazione del set di dati (il set di dati di test). Esistono alcune metriche e alcuni concetti chiave da considerare per determinare se il modello è pronto per essere utilizzato con dati reali.
Metriche di classificazione
Soglia punteggio
Considera un modello di machine learning che prevede se un cliente acquisterà una giacca nei prossimi
anno. Quanto deve essere sicuro il modello prima di prevedere che un determinato cliente acquisterà un
una giacca? Nei modelli di classificazione, a ogni previsione viene assegnato un punteggio di affidabilità, ovvero una valutazione numerica del livello di certezza del modello che la classe prevista sia corretta. La soglia di punteggio è il numero che determina quando un determinato punteggio viene convertito in una decisione di sì o no, ovvero il valore a cui il modello dice "sì, questo punteggio di affidabilità è sufficientemente elevato per concludere che questo cliente acquisterà un cappotto entro il prossimo anno".
Se la soglia del punteggio è bassa, il modello rischia di eseguire una classificazione errata. Per questo motivo, la soglia del punteggio deve essere basata su un determinato caso d'uso.
Risultati della previsione
Dopo aver applicato la soglia di punteggio, le previsioni effettuate dal modello rientrano in una delle quattro categorie. Per comprendere queste categorie, immagina ancora un modello di classificazione binaria della giacca. In questo esempio, la classe positiva (ciò che il modello sta tentando di prevedere) è che il cliente acquisterà una giacca nel prossimo anno.
- Vero positivo: il modello prevede correttamente la classe positiva. Il modello correttamente ha previsto che un cliente ha acquistato una giacca.
- Falso positivo: il modello prevede erroneamente la classe positiva. Il modello ha previsto che un cliente ha acquistato una giacca, ma non l'ha fatto.
- Vero negativo: il modello prevede correttamente la classe negativa. Il modello ha previsto correttamente che un cliente non ha acquistato una giacca.
- Falso negativo: il modello prevede erroneamente una classe negativa. Il modello ha previsto che un cliente non ha acquistato una giacca, ma l'ha fatto.
Precisione e richiamo
Le metriche di precisione e richiamo ti aiutano a comprendere l'efficacia con cui il modello acquisisce informazioni e cosa tralascia. Scopri di più su precisione e richiamo.
- Per precisione si intende la frazione delle previsioni positive che sono risultate corrette. Tra tutte le previsioni di acquisto di un cliente, qual è la frazione di acquisti effettivi?
- Per richiamo si intende la frazione delle righe con questa etichetta che sono state previste correttamente dal modello. Tra tutte le previsioni che un cliente potrebbe aver identificato, qual è la frazione prevista correttamente?
A seconda del caso d'uso, potrebbe essere necessario ottimizzare la precisione o il richiamo.
Altre metriche di classificazione
- AUC PR: l'area sotto la curva di precisione-richiamo (PR). Il valore va da zero a uno, dove un valore più elevato indica un modello di qualità superiore.
- AUC ROC: l'area sotto la curva della caratteristica operativa del ricevitore (ROC). L'intervallo varia da zero a uno, dove un valore più elevato indica un modello di qualità superiore.
- Accuratezza: la frazione delle previsioni di classificazione prodotte dal modello risposta esatta.
- Perdita logaritmica: entropia incrociata tra le previsioni del modello e i valori target. L'intervallo va da zero a infinito, dove un valore inferiore indica un modello di qualità migliore.
- Punteggio F1: la media armonica di precisione e richiamo. F1 è una metrica utile per trovare un equilibrio tra precisione e richiamo qualora esista una distribuzione non uniforme delle classi.
Metriche di previsione e regressione
Una volta creato il modello, Vertex AI fornisce una serie di metriche standard da esaminare. Non esiste una risposta perfetta su come valutare il modello. Considera le metriche di valutazione nel contesto del tipo di problema e di ciò che vuoi ottenere con il modello. L'elenco seguente è una panoramica di alcune metriche che Vertex AI può fornire.
Errore assoluto medio (MAE)
Il MAE (Mean Absolute Error) indica la differenza media assoluta tra i valori target e quelli previsti. Misura la portata media degli errori, la differenza tra un valore target e quello previsto, in un insieme di previsioni. E poiché utilizza valori assoluti, il MAE non considera la direzione della relazione né indicano prestazioni inferiori o superiori. Quando si valuta il MAE, un valore minore indica un modello di qualità superiore (in cui 0 rappresenta un predittore perfetto).
Errore quadratico medio (RMSE)
L'RMSE è la radice quadrata della differenza quadrata media tra il target e i valori previsti. L'RMSE è più sensibile agli outlier rispetto al MAE. Di conseguenza, se la preoccupazione principale riguarda gli errori di grande entità, l'RMSE può essere una metrica più utile da valutare. In modo simile al MAE, un valore minore indica un modello di qualità migliore (0 rappresenta un predittore perfetto).
Errore logaritmico quadratico medio (RMSLE)
L'RMSLE è l'RMSE in scala logaritmica. L'RMSLE è più sensibile agli errori relativi rispetto a quelli assoluti e si interessano di più alle prestazioni inferiori che a quelle superiori.
Quantile osservato (solo previsione)
Per un determinato quantile target, il quantile osservato mostra la frazione effettiva di valori osservati al di sotto dei valori di previsione dei quantili specificati. La il quantile osservato mostra quanto il modello è lontano o vicino al quantile target. Una differenza minore tra i due valori indica un modello di qualità migliore.
Perdita scalata del flipper (solo previsione)
Misura la qualità di un modello in un determinato quantile target. Un numero inferiore indica un modello di qualità superiore. Puoi confrontare la metrica della perdita di pinball scalata in quantili diversi per determinare l'accuratezza relativa del tuo modello tra questi quantili diversi.
Testo
Una volta addestrato il modello, riceverai un riepilogo delle relative prestazioni. Per visualizzare un analisi dettagliata, fai clic su valuta o visualizza valutazione completa.
Cosa devo tenere presente prima di valutare il mio modello?
Il debug di un modello riguarda più i dati che il modello stesso. Se il modello inizia a comportarsi in modo imprevisto durante la valutazione delle prestazioni prima e dopo il push in produzione, devi tornare indietro e controllare i dati per capire dove potrebbe essere migliorato.
Che tipo di analisi posso eseguire in Vertex AI?
Nella sezione di valutazione di Vertex AI, puoi valutare le prestazioni del tuo modello personalizzato utilizzando l'output del modello su esempi di test e metriche di machine learning comuni. Questa sezione spiega il significato di ciascuno dei seguenti concetti:
- L'output del modello
- La soglia di punteggio
- Veri positivi, veri negativi, falsi positivi e falsi negativi
- Precisione e richiamo
- Curve di precisione/richiamo.
- Precisione media
Come devo interpretare l'output del modello?
Vertex AI estrae esempi dai tuoi dati di test per presentare nuove sfide per il tuo
un modello di machine learning. Per ogni esempio, il modello genera una serie di numeri che indicano la forza con cui associa ogni etichetta all'esempio. Se il numero è elevato, il modello ha un'elevata certezza
che l'etichetta debba essere applicata al documento.
Che cos'è la soglia di punteggio?
La soglia del punteggio consente a Vertex AI di convertire le probabilità in valori binari "on"/"off". La soglia del punteggio si riferisce al livello di confidenza che il modello deve avere per assegnare
categoria a un elemento di prova. Il cursore della soglia di punteggio nella console è uno strumento visivo per testare
l'impatto di soglie diverse nel set di dati. Nell'esempio precedente, se impostiamo il punteggio
soglia a 0,8 per tutte le categorie, "Ottimo servizio" e "Suggerimento" verrà assegnato, ma non
"Richiesta di informazioni" Se la soglia del punteggio è bassa, il modello classificherà più elementi di testo, ma
rischia di classificare erroneamente più elementi di testo nel processo. Se la soglia di punteggio è elevata, il modello classificherà meno elementi di testo, ma avrà un rischio inferiore di classificare erroneamente gli elementi di testo. Per eseguire esperimenti, puoi modificare le soglie per categoria nella console Google Cloud.
Tuttavia, quando utilizzi
del modello in produzione, devi applicare le soglie che ritieni ottimali.
Che cosa sono i veri positivi, veri negativi, falsi positivi, falsi negativi?
Dopo aver applicato la soglia del punteggio, le previsioni fatte dal modello rientreranno in una delle
in base a quattro categorie.
Puoi usare queste categorie per calcolare la precisione e il richiamo, metriche che aiutano a valutare il l'efficacia del modello.
Che cosa sono la precisione e il richiamo?
La precisione e il richiamo ci aiutano a capire l'efficacia con cui il nostro modello sta acquisendo informazioni e quanto
tralascia. La precisione ci dice, tra tutti gli esempi di test a cui è stata assegnata un'etichetta, quanti dovevano effettivamente essere classificati con quell'etichetta. Il richiamo ci dice, tra tutti gli esempi di test a cui avrebbe dovuto essere assegnata l'etichetta, a quanti è stata effettivamente assegnata.
Devo ottimizzare per la precisione o il richiamo?
A seconda del caso d'uso, ti consigliamo di ottimizzare la precisione o il richiamo. Prendi in considerazione i seguenti due casi d'uso per decidere quale approccio è più adatto alle tue esigenze.
Caso d'uso: documenti urgenti
Supponiamo che tu voglia creare un sistema in grado di dare la priorità ai documenti urgenti rispetto a quelli non urgenti.
Un falso positivo in questo caso potrebbe essere un documento che non è urgente, ma viene contrassegnato come tale.
L'utente può ignorarli come non urgenti e continuare.
Un falso negativo in questo caso potrebbe essere un documento urgente, ma il sistema non riesce a segnalarlo come tale. Ciò potrebbe causare problemi.
In questo caso, ti conviene ottimizzare per il richiamo. Questa metrica misura, per tutte le predizioni effettuate, quanto viene omesso. È probabile che un modello a richiamo elevato etichetti in modo marginale esempi pertinenti. Ciò è utile nei casi in cui la categoria abbia pochi dati di addestramento.
Caso d'uso: filtro antispam
Supponiamo che tu voglia creare un sistema che filtri automaticamente i messaggi email che sono spam da quelli che non lo sono.
Un falso negativo in questo caso potrebbe essere un'email di spam che non viene rilevata e che vedi nella Posta in arrivo. Di solito, è solo un po' fastidioso.
Un falso positivo in questo caso potrebbe essere un'email erroneamente segnalata come spam e rimossa. direttamente dalla posta in arrivo. Se l'email era importante, l'utente potrebbe essere interessato negativamente.
In questo caso, dovresti ottimizzare per la precisione. Questa metrica misura l'accuratezza di tutte le predizioni effettuate. Un modello ad alta precisione è probabile che etichetti solo gli esempi più pertinenti, il che è utile nei casi in cui la tua categoria è comune nei dati di addestramento.
Come si utilizza la matrice di confusione?
Possiamo confrontare il rendimento del modello su ogni etichetta utilizzando una matrice di confusione. In un modello ideale,
tutti i valori sulla diagonale saranno alti, mentre tutti gli altri saranno bassi. Ciò indica che le categorie desiderate vengono identificate correttamente. Se altri valori sono alti,
ci dà un indizio su come il modello classifica erroneamente gli elementi di test.
Come si interpretano le curve di precisione-richiamo?
Lo strumento Soglia di punteggio ti consente di esplorare l'impatto della soglia di punteggio scelta sulla precisione e sul richiamo. Mentre trascini il dispositivo di scorrimento sulla barra della soglia di punteggio, puoi vedere dove ti trovi con questa
soglia sulla curva di compromesso precisione-richiamo, nonché in che modo la soglia influisce sulla precisione e sul richiamo singolarmente (per i modelli multiclasse, su questi grafici,
precisione e richiamo indicano che l'unica etichetta utilizzata per calcolare le metriche di precisione e richiamo è
l'etichetta con il punteggio più alto nell'insieme di etichette restituite). In questo modo potrai trovare un buon equilibrio tra falsi positivi e falsi negativi.
Dopo aver scelto una soglia che sembra essere accettabile per il tuo modello nel suo complesso, puoi fare clic sulle singole etichette e vedere dove rientra la soglia in base al richiamo di precisione per etichetta della curva. In alcuni casi, potrebbe significare che ricevi molte previsioni errate per alcune etichette, il che può aiutarti a decidere di scegliere una soglia per classe personalizzata in base alle etichette. Ad esempio, supponi di esaminare il set di dati dei commenti dei clienti e di notare che una soglia 0.5 ha una precisione e un richiamo ragionevoli per ogni tipo di commento tranne "Suggerimento", magari perché è una categoria molto generica. Per questa categoria, vengono visualizzati molti falsi positivi. In questo caso, potresti decidere di utilizzare una soglia di 0,8 solo per "Suggerimento" quando chiami classificatore per le previsioni.
Che cos'è la precisione media?
Una metrica utile per l'accuratezza del modello è l'area sotto la curva di precisione-richiamo. Misura il modo in cui le prestazioni del modello in tutte le soglie di punteggio. In Vertex AI, questa metrica è media precisione. Più questo punteggio è vicino a 1,0, migliore sarà il rendimento del modello il set di test; un modello che indovina in modo casuale per ogni etichetta otterrebbe una precisione media di circa 0,5.
Video
Dopo l'addestramento del modello, riceverai un riepilogo delle relative prestazioni. Le metriche di valutazione del modello si basano sul rendimento del modello rispetto a un'estrazione del set di dati (il set di dati di test). Là
sono un paio di metriche e concetti chiave da considerare per determinare se il tuo modello è pronto
da usare con nuovi dati.
Soglia punteggio
In che modo un modello di machine learning a sapere quando una porta nel calcio è davvero un goal? A ogni previsione viene assegnato un punteggio di affidabilità, ovvero una valutazione numerica del livello di certezza del modello che un determinato segmento di video contenga una classe. La soglia di punteggio è il numero che determina quando un determinato punteggio viene convertito in una decisione di sì o no, ovvero il valore a cui il modello dice "sì, questo numero di affidabilità è sufficientemente elevato per concludere che questo segmento video contiene un obiettivo".
Se la soglia di punteggio è bassa, il modello rischia di etichettare erroneamente i segmenti video. Per questo motivo, la soglia di punteggio deve essere basata su un determinato caso d'uso. Immagina un caso d'uso medico come il rilevamento del cancro, in cui le conseguenze dell'errata classificazione sono maggiori rispetto a quelle dei video sportivi. Per il rilevamento del cancro, è appropriata una soglia di punteggio più elevata.
Risultati della previsione
Dopo aver applicato la soglia del punteggio, le previsioni fatte dal modello rientrano in una di quattro categorie categorie. Per comprendere queste categorie, immagina di aver creato un modello per rilevare se un determinato segmento contiene o meno un gol di calcio. In questo esempio, un obiettivo è una classe positiva (quello che il modello sta cercando di prevedere).
- Vero positivo: il modello prevede correttamente la classe positiva. Il modello ha previsto correttamente un gol nel segmento video.
- Falso positivo: il modello prevede erroneamente la classe positiva. Il modello ha previsto un obiettivo era nel segmento, ma non era presente.
- Vero negativo: il modello prevede correttamente la classe negativa. Il modello correttamente non era presente un obiettivo nel segmento.
- Falso negativo:il modello prevede erroneamente una classe negativa. Il modello ha previsto che non c'era un obiettivo nel segmento, ma ce n'era uno.
Precisione e richiamo
Le metriche di precisione e richiamo ti aiutano a comprendere l'efficacia con cui il modello acquisisce informazioni e cosa tralascia. Scopri di più su precisione e richiamo
- Per precisione si intende la frazione delle previsioni positive che sono risultate corrette. Di tutti i previsioni con l'etichetta "obiettivo", quale frazione conteneva effettivamente un obiettivo?
- Per richiamo si intende la frazione di tutte le previsioni positive che sono state effettivamente identificate. Di tutti i gol di calcio che avrebbero potuto essere identificati, quale frazione erano?
A seconda del caso d'uso, potrebbe essere necessario ottimizzare la precisione o il richiamo. Prendi in considerazione i seguenti casi d'uso.
Caso d'uso: informazioni private nei video
Immagina di creare un software che rileva automaticamente le informazioni sensibili in un video e la sfoca. Le conseguenze di risultati falsi possono includere:
- Un falso positivo identifica qualcosa che non deve essere censurato, ma censurato
in ogni caso. Potrebbe essere fastidioso, ma non dannoso.
- Un falso negativo non riesce a identificare le informazioni che devono essere censurate, come un credito
numero della carta di credito. In questo modo vengono rilasciate informazioni private ed è lo scenario peggiore.
In questo caso d'uso, è fondamentale ottimizzare per il riconoscimento per assicurarsi che il modello trovi tutti i casi pertinenti. Un modello ottimizzato per il richiamo ha maggiori probabilità di etichettare un modello marginalmente pertinente dagli esempi, ma è anche più probabile che etichettano quelli errati (offrindone una maggiore sfocatura).
Caso d'uso: ricerca di video stock
Supponiamo che tu voglia creare un software che consenta agli utenti di cercare una raccolta di video in base a una parola chiave. Considera i risultati errati:
- Un falso positivo restituisce un video non pertinente. Dato che il tuo sistema tenta di fornire
pertinenti, il software non funziona come è stato progettato.
- Un falso negativo non restituisce un video pertinente. Poiché molte parole chiave hanno centinaia di
video, questo problema non è grave come restituire un video non pertinente.
In questo esempio, dovrai eseguire l'ottimizzazione per garantire la precisione del modello risultati pertinenti e corretti. Un modello ad alta precisione probabilmente etichetta solo il più pertinente ma può escluderne alcuni. Scopri di più sulle metriche di valutazione del modello.
Testa il tuo modello
Immagine
Vertex AI utilizza il 10% dei dati automaticamente (o, se scegli suddividere i dati in modo autonomo indipendentemente dalla percentuale che hai scelto di utilizzare) per testare il modello e la colonna "Valuta" la pagina mostra come il modello ha fatto sui dati di test. Tuttavia, se vuoi verificare l'affidabilità del tuo modello, esistono diversi modi per farlo. Il modo più semplice è caricare alcune immagini nella pagina "Deployment e test" e esaminare le etichette scelte dal modello per i tuoi esempi. Speriamo che questo corrisponda le aspettative. Prova qualche esempio di ogni tipo di immagine che prevedi di ricevere.
Se invece vuoi utilizzare il modello nei tuoi test automatici, la colonna "Deployment e test" anche sulla pagina indica come chiamare il modello in modo programmatico.
Tabulare
La valutazione delle metriche del modello è principalmente il modo in cui puoi determinare se il modello è pronto ma puoi anche testarlo con nuovi dati. Carica nuovi dati per vedere se le previsioni del modello corrispondono alle aspettative. In base alle metriche di valutazione o ai test con nuovi dati, potresti dover continuare a migliorare le prestazioni del modello.
Testo
Vertex AI utilizza automaticamente il 10% dei dati (o, se hai scelto la suddivisione dei dati, la percentuale che hai scelto di utilizzare) per testare il modello e la pagina Valuta ti indica il rendimento del modello sui dati di test. Tuttavia, se vuoi controllare il tuo modello, esistono diversi modi per farlo. Dopo aver eseguito il deployment del modello, puoi inserire esempi di testo nella nel campo Esegui il deployment e testa e osserva le etichette che il modello sceglie per i tuoi esempi. Speriamo che questo corrisponda alle tue aspettative. Prova qualche esempio di ogni tipo di commento che prevedi di ricevere.
Se vuoi utilizzare il modello nei test automatici, la pagina Deployment e test fornisce un esempio di richiesta API che mostra come chiamare il modello in modo programmatico.
Se vuoi utilizzare il modello nei test automatici, la pagina Deployment e test fornisce un esempio Richiesta API che mostra come effettuare chiamate al modello in modo programmatico.
Nella pagina Previsioni batch, puoi creare una previsione batch, che raggruppa molte richieste di previsione in una sola. Una previsione batch è asincrona, il che significa che il modello attende di elaborare tutte le richieste di previsione prima di restituire i risultati.
Video
Vertex AI Video utilizza il 20% dei dati automaticamente o, se hai scelto suddividere i dati autonomamente, indipendentemente dalla percentuale che hai scelto di utilizzare, per testare il modello. La scheda Valuta nella console indica il rendimento del modello sui dati di test. Ma se vuoi controllare il tuo modello, puoi farlo in vari modi. Un modo è fornire un file CSV con i dati video per i test nella scheda "Testa e utilizza" e esaminare le etichette previste dal modello per i video. Ci auguriamo che queste informazioni soddisfino le tue aspettative.
Puoi regolare la soglia per la visualizzazione delle previsioni e controllare previsioni su 3 scale temporali: intervalli di 1 secondo, inquadrature con la videocamera dopo gli scatti automatici del rilevamento dei confini e di interi segmenti video.
Esegui il deployment del modello
Immagine
Se ritieni che le prestazioni del modello vadano bene, puoi iniziare a utilizzarlo. Potresti utilizzarlo in produzione o potrebbe essere una richiesta di previsione una tantum. In base al caso d'uso, puoi usare il modello in vari modi.
Previsione batch
La previsione batch è utile per fare molte richieste di previsione contemporaneamente. Previsione batch è asincrono, il che significa che il modello attende di elaborare tutte le previsioni richieste prima di restituire un JSON Lines con e i valori della previsione.
Previsione online
Usa un'API REST per distribuire il modello in modo da renderlo disponibile per le richieste di previsione. La previsione online è sincrona (in tempo reale), il che significa che restituirà rapidamente ma accetta una sola richiesta di previsione per ogni chiamata API. La previsione online è utile se il modello fa parte di un'applicazione e alcune parti del tuo sistema dipendono da risposte rapide restituite dalle previsioni.
Tabulare
Se ritieni che le prestazioni del modello vadano bene, puoi iniziare a utilizzarlo. Forse un utilizzo in produzione o potrebbe essere una richiesta di previsione una tantum. In base all'utilizzo caso, puoi usare il modello in diversi modi.
Previsione batch
La previsione batch è utile per fare molte richieste di previsione contemporaneamente. La previsione batch è asincrono, ovvero il modello attenderà di elaborare tutte le richieste di previsione. prima di restituire un file CSV o una tabella BigQuery con valori di previsione.
Previsione online
Usa un'API REST per distribuire il modello in modo da renderlo disponibile per le richieste di previsione. La previsione online è sincrona (in tempo reale), il che significa che restituirà rapidamente i risultati, ma accetta una sola richiesta di previsione per ogni chiamata API. La previsione online è utile se il modello fa parte di un'applicazione e alcune parti del tuo sistema dipendono da risposte rapide restituite dalle previsioni.
Video
Se ritieni che le prestazioni del modello vadano bene, puoi iniziare a utilizzarlo. Vertex AI utilizza la previsione batch, che ti consente di caricare un file CSV con i percorsi dei video ospitati su Cloud Storage. Il modello elaborerà ogni video e produrrà le previsioni in un altro file CSV. La previsione batch è asincrona, il che significa che il modello elabora tutte le richieste di previsione prima di inviare i risultati.
Esegui la pulizia
Per evitare addebiti indesiderati, annulla il deployment del modello quando non è in uso.
Al termine dell'utilizzo del modello, elimina le risorse che hai creato per evitare addebiti indesiderati sul tuo account.
- Hello image data: esegui la pulizia del progetto
- Introduzione ai dati tabulari: pulizia del progetto
- Ciao dati di testo: ripulisci il progetto
- Ciao dati video: ripulisci il progetto