Entrena y usa tus propios modelos

En esta página, se proporciona una descripción general del flujo de trabajo del entrenamiento y uso de tus propios modelos en Vertex AI. Vertex AI ofrece dos métodos para el entrenamiento de modelos:

Para obtener ayuda con el fin de decidir cuál de estos métodos usar, consulta Elige un método de entrenamiento.

AutoML

Los modelos del aprendizaje automático (AA) usan datos de entrenamiento para aprender a inferir los resultados de los datos sobre los que no se entrenó el modelo. AutoML en Vertex AI te permite compilar un modelo sin código según los datos de entrenamiento que proporciones.

Tipos de modelos que puedes compilar con AutoML

Los tipos de modelos que puedes compilar dependen del tipo de datos que tengas. Vertex AI ofrece soluciones de AutoML para los siguientes tipos de datos y objetivos del modelo:

Tipo de dato Objetivos admitidos
Datos de imágenes Clasificación, detección de objetos.
Datos de video Reconocimiento de acciones, clasificación, seguimiento de objetos
Datos de texto Clasificación, extracción de entidades y análisis de opiniones.
Datos tabulares Clasificación/regresión, previsión.

El flujo de trabajo para entrenar y usar un modelo de AutoML es el mismo, sin importar el tipo de datos o el objetivo:

  1. Prepara los datos de entrenamiento.
  2. Crea un conjunto de datos.
  3. Entrenar un modelo.
  4. Evaluar e iterar en tu modelo.
  5. Obtén predicciones de tu modelo.
  6. Interpreta los resultados de la predicción.

Datos de imágenes

AutoML usa el aprendizaje automático para analizar el contenido de los datos de imágenes. Puedes usar AutoML para entrenar un modelo de AA con el fin de clasificar los datos de imágenes o encontrar objetos en los datos de imagen.

Vertex AI te permite obtener predicciones en línea y predicciones por lotes de tus modelos basados en imágenes. Las predicciones en línea son solicitudes síncronas realizadas en un extremo del modelo. Usa predicciones en línea cuando realices solicitudes en respuesta a la entrada de la aplicación o en situaciones en las que se necesite una inferencia oportuna. Las predicciones por lotes son solicitudes asíncronas. Las predicciones por lotes se solicitan directamente desde el recurso de modelo sin necesidad de implementar el modelo en un extremo. Para los datos de imágenes, usa predicciones por lotes cuando no necesites una respuesta inmediata y desees procesar datos acumulados mediante una sola solicitud.

Clasificación de imágenes

Un modelo de clasificación analiza los datos de imágenes y muestra una lista de las categorías de contenido que se aplican a la imagen. Por ejemplo, puedes entrenar un modelo que clasifique imágenes que contengan o no un gato, o podrías entrenar un modelo para clasificar imágenes de perros según la raza.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Detección de objetos para imágenes

Un modelo de detección de objetos analiza los datos de tus imágenes y muestra las anotaciones para todos los objetos que se encuentran en una imagen, que constan de una etiqueta y la ubicación del cuadro de límite para cada objeto. Por ejemplo, puedes entrenar un modelo para que busque la ubicación de los gatos en los datos de imágenes.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Datos tabulares

Vertex AI te permite realizar el aprendizaje automático con datos tabulares con interfaces y procesos simples. Puedes crear los siguientes tipos de modelos para tus problemas de datos tabulares:

  • Los modelos de clasificación binaria predicen un resultado binario (una de dos clases). Usa este tipo de modelo para preguntas de sí o no. Por ejemplo, es posible que desees crear un modelo de clasificación binaria para predecir si un cliente compraría una suscripción. Por lo general, un problema de clasificación binaria requiere menos datos que otros tipos de modelos.
  • Los modelos de clasificación de varias clases predicen una clase de tres o más clases discretas. Usa este tipo de modelo para la categorización. Por ejemplo, como minorista, te recomendamos crear un modelo de clasificación de clases múltiples para segmentar a los clientes en diferentes perfiles.
  • Los modelos de regresión predicen un valor continuo. Por ejemplo, como minorista, es posible que desees crear un modelo de regresión para predecir cuánto gastará un cliente el mes siguiente.
  • Los modelos de previsión predicen una secuencia de valores. Por ejemplo, como minorista, te recomendamos prever la demanda diaria de tus productos durante los próximos 3 meses para que puedas almacenar los inventarios de productos de forma adecuada con anticipación.

Para obtener más información, consulta Descripción general de los datos tabulares.

Si tus datos tabulares se almacenan en BigQuery ML, puedes entrenar un modelo tabular de AutoML directamente en BigQuery ML. Para obtener más información, consulta Documentación de referencia de datos tabulares de AutoML

Datos de texto

AutoML usa el aprendizaje automático para analizar la estructura y el significado del texto de datos. Puedes usar AutoML para entrenar un modelo de AA a fin de clasificar datos de texto, extraer información o comprender las opiniones de los autores.

Vertex AI te permite obtener predicciones en línea y predicciones por lotes de tus modelos basados en texto. Las predicciones en línea son solicitudes síncronas realizadas en un extremo del modelo. Usa predicciones en línea cuando realices solicitudes en respuesta a la entrada de la aplicación o en situaciones en las que se necesite una inferencia oportuna. Las predicciones por lotes son solicitudes asíncronas. Las predicciones por lotes se solicitan directamente desde el recurso de modelo sin necesidad de implementar el modelo en un extremo. Para los datos de texto, usa predicciones por lotes cuando no necesites una respuesta inmediata y desees procesar datos acumulados mediante una sola solicitud.

Clasificación de texto

Un modelo de clasificación analiza los datos del texto y muestra una lista de las categorías que se aplican al texto encontrado en los datos. Vertex AI ofrece modelos de clasificación de texto de una sola etiqueta y de varias etiquetas.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Extracción de entidad para texto

Un modelo de extracción de entidades inspecciona datos de texto en busca de entidades conocidas a las que se hace referencia en los datos y las etiqueta de esas entidades en el texto.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Análisis de opiniones para texto

Un modelo de análisis de opiniones inspecciona datos de texto y, además, identifica el estado emocional que predomina en él; en particular, con el propósito de determinar si la actitud del escritor es positiva, negativa o neutral.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Datos de video

AutoML usa el aprendizaje automático para analizar los datos de video a fin de clasificar tomas y segmentos, o detectar y seguir varios objetos en tus datos de video.

Reconocimiento de acciones para videos

Un modelo de reconocimiento de acciones analiza los datos de tus videos y muestra una lista de acciones clasificadas con los momentos en que ocurrieron las acciones. Por ejemplo, podría entrenar un modelo que analice los datos de video para identificar los momentos de la acción que implican un gol de fútbol, un swing de golf, un touchdown o un choca esos cinco.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Clasificación de videos

Un modelo de clasificación analiza los datos de tus videos y muestra una lista de tomas y segmentos clasificados. Por ejemplo, podrías entrenar un modelo que analice los datos de video a fin de identificar si es un partido de béisbol, fútbol, baloncesto o fútbol americano.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Seguimiento de objetos de video

Un modelo de seguimiento de objetos analiza los datos de tus videos y muestra una lista de tomas y segmentos donde se detectaron estos objetos. Por ejemplo, podría entrenar un modelo que analice datos de video de partidos de fútbol para identificar y hacer un seguimiento de la pelota.

Documentación: Preparar los datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar el modelo | Obtener predicciones | Interpretar los resultados

Entrenamiento personalizado

Si ninguna de las soluciones de AutoML satisface tus necesidades, también puedes crear tu propia aplicación de entrenamiento y usarla para entrenar modelos personalizados en Vertex AI. Puedes usar cualquier marco de trabajo de AA que desees y configurar los recursos de procesamiento que se usarán para el entrenamiento, incluidos los siguientes:

  • Tipo y cantidad de VMs
  • Unidades de procesamiento gráfico (GPUs)
  • Unidades de procesamiento tensorial (TPUs)
  • Tipo y tamaño del disco de arranque.

Para obtener más información sobre el entrenamiento personalizado en Vertex AI, consulta Descripción general del entrenamiento personalizado.