- AutoML: crea e addestra modelli con conoscenze tecniche e sforzi minimi. Per scoprire di più su AutoML, consulta la Guida per nuovi utenti di AutoML.
- Addestramento personalizzato: crea e addestra modelli su larga scala utilizzando qualsiasi framework ML. Per saperne di più sull'addestramento personalizzato su Vertex AI, consulta Panoramica dell'addestramento personalizzato.
Per aiutarti a decidere quale di questi metodi utilizzare, vedi Scegliere un metodo di addestramento.
AutoML
I modelli di machine learning (ML) utilizzano i dati di addestramento per scoprire come dedurre i risultati per i dati su cui il modello non è stato addestrato. AutoML su Vertex AI consente di creare un modello senza codice basato sui dati di addestramento che fornisci.
Tipi di modelli che puoi creare con AutoML
I tipi di modelli che puoi creare dipendono dal tipo di dati di cui disponi. Vertex AI offre soluzioni AutoML per i seguenti tipi di dati e obiettivi del modello:
| Tipo di dati | Obiettivi supportati |
|---|---|
| Dati immagine | Classificazione, rilevamento di oggetti. |
| Dati relativi ai video | Riconoscimento delle azioni, classificazione, monitoraggio degli oggetti. |
| Dati di testo | Classificazione, estrazione di entità, analisi del sentiment. |
| Dati tabulari | classificazione/regressione, previsione. |
Il flusso di lavoro per l'addestramento e l'utilizzo di un modello AutoML è lo stesso, indipendentemente dal tipo di dati o dall'obiettivo:
- Prepara i dati di addestramento.
- Crea un set di dati.
- Addestra un modello.
- Valutazione e iterazione del modello.
- Ottieni previsioni dal modello.
- Interpretare i risultati delle previsioni.
Dati immagine
AutoML utilizza il machine learning per analizzare il contenuto dei dati delle immagini. Puoi utilizzare AutoML per addestrare un modello ML in modo da classificare i dati delle immagini o trovare oggetti nei dati delle immagini.
Vertex AI consente di ottenere previsioni online e batch dai modelli basati su immagini. Le previsioni online sono richieste sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando invii richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Puoi richiedere previsioni batch direttamente dalla risorsa del modello senza dover eseguire il deployment del modello in un endpoint. Per i dati immagine, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati attraverso una singola richiesta.
Classificazione delle immagini
Un modello di classificazione analizza i dati immagine e restituisce un elenco di categorie di contenuti applicabili all'immagine. Ad esempio, puoi addestrare un modello che classifica le immagini come contenenti o non contenenti un gatto oppure potresti addestrare un modello a classificare le immagini dei cani per razza.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Rilevamento di oggetti per le immagini
Un modello di rilevamento di oggetti analizza i dati immagine e restituisce annotazioni per tutti gli oggetti rilevati in un'immagine, costituiti da un'etichetta e dalla posizione di un riquadro di delimitazione per ciascun oggetto. Ad esempio, puoi addestrare un modello per trovare la posizione dei gatti nei dati immagine.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Dati tabulari
Vertex AI permette di eseguire attività di machine learning con dati tabulari utilizzando interfacce e processi semplici. Puoi creare i seguenti tipi di modello per i problemi relativi ai dati tabulari:
- I modelli di classificazione binaria prevedono un risultato binario (una di due classi). Utilizza questo tipo di modello per domande sì o no. Ad esempio, potresti voler creare un modello di classificazione binaria per prevedere se un cliente acquisterà un abbonamento. Generalmente, un problema di classificazione binaria richiede meno dati rispetto ad altri tipi di modelli.
- I modelli di classificazione multi-classe prevedono una classe da tre o più classi discrete. Utilizza questo tipo di modello per la categorizzazione. Ad esempio, in qualità di retailer, potresti voler creare un modello di classificazione multiclasse per segmentare i clienti in utenti tipo diversi.
- I modelli di regressione prevedono un valore continuo. Ad esempio, come rivenditore, potresti voler creare un modello di regressione per prevedere quanto un cliente spenderà il mese prossimo.
- I modelli di previsione prevedono una sequenza di valori. Ad esempio, in qualità di rivenditore, potresti voler prevedere la domanda giornaliera dei tuoi prodotti per i prossimi 3 mesi, in modo da poter disporre in anticipo dei prodotti in magazzino.
Per scoprire di più, consulta la Panoramica dei dati tabulari.
Se i dati tabulari sono archiviati in BigQuery ML, puoi addestrare un modello tabulare AutoML direttamente in BigQuery ML. Per scoprire di più, consulta la documentazione di riferimento tabulare di AutoML.
Dati di testo
AutoML utilizza il machine learning per analizzare la struttura e il significato dei dati di testo. Puoi usare AutoML per addestrare un modello ML in modo da classificare dati di testo, estrarre informazioni o comprendere il sentiment degli autori.
Vertex AI ti consente di ottenere previsioni online e batch dai tuoi modelli basati su testo. Le previsioni online sono richieste sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando invii richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Puoi richiedere previsioni batch direttamente dalla risorsa del modello senza dover eseguire il deployment del modello in un endpoint. Per i dati di testo, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati attraverso una singola richiesta.
Classificazione del testo
Un modello di classificazione analizza i dati di testo e restituisce un elenco di categorie applicabili al testo trovato nei dati. Vertex AI offre modelli di classificazione del testo con o più etichette.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Estrazione di entità per il testo
Un modello di estrazione di entità controlla i dati di testo per individuare le entità note a cui si fa riferimento nei dati e le etichetta nel testo.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Analisi del sentiment per il testo
Un modello di analisi del sentiment esamina i dati di testo e identifica lo stato emotivo prevalente al loro interno, in particolare per determinare l'atteggiamento di un autore come positivo, negativo o neutro.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Dati relativi ai video
AutoML utilizza il machine learning per analizzare i dati video e classificare inquadrature e segmenti o per rilevare e monitorare più oggetti nei dati video.
Riconoscimento delle azioni per i video
Un modello di riconoscimento delle azioni analizza i dati video e restituisce un elenco di azioni classificate con i momenti in cui si sono verificate. Ad esempio, puoi addestrare un modello che analizza i dati video per identificare i momenti di azione che riguardano un goal nel calcio, uno swing nel golf, un touchdown o un "batti il cinque".
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Classificazione dei video
Un modello di classificazione analizza i dati video e restituisce un elenco di inquadrature e segmenti classificati. Ad esempio, potresti addestrare un modello che analizza i dati video per identificare se il video riguarda una partita di baseball, calcio, basket o football.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Monitoraggio di oggetti per i video
Un modello di monitoraggio degli oggetti analizza i dati video e restituisce un elenco di inquadrature e segmenti in cui sono stati rilevati questi oggetti. Ad esempio, potresti addestrare un modello che analizza i dati video delle partite di calcio per identificare e tracciare la palla.
Documentazione: Preparare i dati | Crea set di dati | Addestrare il modello | Valutare il modello | Ottenere previsioni | Interpretare i risultati
Addestramento personalizzato
Se nessuna delle soluzioni AutoML soddisfa le tue esigenze, puoi anche creare una tua applicazione di addestramento e utilizzarla per addestrare modelli personalizzati su Vertex AI. Puoi utilizzare qualsiasi framework ML desiderato e configurare le risorse di calcolo da utilizzare per l'addestramento, incluso quanto segue:
- Tipo e numero di VM.
- GPU (Graphics Processing Unit).
- Tensor Processing Unit (TPU).
- Tipo e dimensioni del disco di avvio.
Per saperne di più sull'addestramento personalizzato su Vertex AI, consulta Panoramica dell'addestramento personalizzato.