Melatih dan menggunakan model Anda sendiri

Halaman ini menyediakan ringkasan alur kerja untuk pelatihan dan penggunaan model Anda sendiri di Vertex AI. Vertex AI menawarkan dua metode untuk pelatihan model:

  • AutoML: Membuat dan melatih model dengan upaya dan pengetahuan teknis yang minimal. Untuk mempelajari AutoML lebih lanjut, lihat Panduan AutoML untuk pemula.
  • Pelatihan kustom: Membuat dan melatih model dalam skala besar menggunakan framework ML apa pun. Untuk mempelajari pelatihan kustom di Vertex AI lebih lanjut, lihat Ringkasan pelatihan kustom.

Untuk mendapatkan bantuan dalam memutuskan metode mana yang akan digunakan, lihat Memilih metode pelatihan.

AutoML

Model machine learning (ML) menggunakan data pelatihan untuk mempelajari cara menyimpulkan hasil untuk data yang tidak digunakan untuk melatih model. AutoML di Vertex AI memungkinkan Anda membuat model bebas kode berdasarkan data pelatihan yang Anda berikan.

Jenis model yang dapat dibuat menggunakan AutoML

Jenis model yang dapat dibuat bergantung pada jenis data yang Anda miliki. Vertex AI menawarkan solusi AutoML untuk jenis data dan tujuan model berikut:

Jenis data Tujuan yang didukung
Data gambar Klasifikasi, deteksi objek.
Data video Pengenalan tindakan, klasifikasi, pelacakan objek.
Data teks Klasifikasi, ekstraksi entitas, analisis sentimen.
Data tabulasi Klasifikasi/regresi, perkiraan.

Alur kerja untuk pelatihan dan penggunaan model AutoML sama, terlepas dari jenis data atau tujuan Anda:

  1. Menyiapkan data pelatihan Anda.
  2. Membuat set data.
  3. Melatih model.
  4. Mengevaluasi dan melakukan iterasi pada model Anda.
  5. Mendapatkan prediksi dari model Anda.
  6. Menafsirkan hasil prediksi.

Data gambar

AutoML menggunakan machine learning untuk menganalisis konten data gambar. Anda dapat menggunakan AutoML untuk melatih model ML guna mengklasifikasikan data gambar atau menemukan objek dalam data gambar.

Vertex AI memungkinkan Anda mendapatkan prediksi online dan prediksi batch dari model berbasis gambar. Prediksi online adalah permintaan sinkron yang dibuat ke endpoint model. Gunakan prediksi online saat Anda membuat permintaan sebagai respons terhadap input aplikasi atau dalam situasi yang memerlukan inferensi tepat waktu. Prediksi batch adalah permintaan asinkron. Anda meminta prediksi batch secara langsung dari resource model tanpa perlu men-deploy model ke endpoint. Untuk data gambar, gunakan prediksi batch jika Anda tidak memerlukan respons langsung dan ingin memproses data yang terakumulasi menggunakan satu permintaan.

Klasifikasi untuk gambar

Model klasifikasi menganalisis data gambar dan menampilkan daftar kategori konten yang berlaku untuk gambar tersebut. Misalnya, Anda dapat melatih model yang mengklasifikasikan gambar sebagai gambar dengan atau tanpa kucing, atau Anda dapat melatih model untuk mengklasifikasikan gambar anjing berdasarkan ras.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Deteksi objek untuk gambar

Model deteksi objek menganalisis data gambar Anda dan menampilkan anotasi untuk semua objek yang ditemukan dalam gambar, yang terdiri dari label dan lokasi kotak pembatas untuk setiap objek. Misalnya, Anda dapat melatih model untuk menemukan keberadaan kucing dalam data gambar.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Data tabulasi

Dengan Vertex AI, Anda dapat menjalankan machine learning dengan data tabulasi menggunakan proses dan antarmuka yang sederhana. Anda dapat membuat jenis model berikut untuk masalah data tabulasi Anda:

  • Model klasifikasi biner memprediksi hasil biner (salah satu dari dua class). Gunakan jenis model ini untuk pertanyaan ya atau tidak. Misalnya, Anda mungkin ingin membuat model klasifikasi biner untuk memprediksi apakah pelanggan akan membeli langganan. Umumnya, masalah klasifikasi biner membutuhkan lebih sedikit data dibandingkan jenis model lainnya.
  • Model klasifikasi kelas jamak memprediksi satu class dari tiga class atau lebih yang terpisah. Gunakan jenis model ini untuk kategorisasi. Misalnya, sebagai retailer, Anda mungkin ingin membuat model klasifikasi kelas jamak untuk mengelompokkan pelanggan ke dalam berbagai persona.
  • Model regresi memprediksi nilai berkelanjutan. Misalnya, sebagai retailer, Anda mungkin ingin membuat model regresi untuk memprediksi jumlah yang akan dibelanjakan pelanggan bulan depan.
  • Model Perkiraan memprediksi urutan nilai. Misalnya, sebagai retailer, Anda mungkin ingin memperkirakan permintaan harian produk Anda selama 3 bulan ke depan, sehingga Anda dapat menyediakan inventaris produk dengan tepat di awal.

Untuk mempelajari lebih lanjut, lihat Ringkasan data tabulasi.

Jika data tabulasi disimpan di BigQuery ML, Anda dapat melatih model tabulasi AutoML langsung di BigQuery ML. Untuk mempelajari lebih lanjut, lihat Dokumentasi referensi AutoML Tabular.

Data teks

AutoML menggunakan machine learning untuk menganalisis struktur dan arti data teks. Anda dapat menggunakan AutoML untuk melatih model ML guna mengklasifikasikan data teks, mengekstrak informasi, atau memahami sentimen penulis.

Vertex AI memungkinkan Anda mendapatkan prediksi online dan prediksi batch dari model berbasis teks. Prediksi online adalah permintaan sinkron yang dibuat ke endpoint model. Gunakan prediksi online saat Anda membuat permintaan sebagai respons terhadap input aplikasi atau dalam situasi yang memerlukan inferensi tepat waktu. Prediksi batch adalah permintaan asinkron. Anda meminta prediksi batch secara langsung dari resource model tanpa perlu men-deploy model ke endpoint. Untuk data teks, gunakan prediksi batch jika Anda tidak memerlukan respons langsung, dan ingin memproses data yang terakumulasi menggunakan satu permintaan.

Klasifikasi untuk teks

Model klasifikasi menganalisis data teks dan menampilkan daftar kategori yang berlaku untuk teks yang ditemukan dalam data tersebut. Vertex AI menawarkan model klasifikasi teks label tunggal dan multi-label.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Ekstraksi entity untuk teks

Model ekstraksi entity memeriksa data teks untuk entity umum yang direferensikan dalam data dan memberi label entity tersebut dalam teks.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Analisis sentimen untuk teks

Model analisis sentimen memeriksa data teks dan mengidentifikasi keadaan emosional yang berlaku di dalamnya, terutama untuk menentukan sikap penulis sebagai positif, negatif, atau netral.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Data video

AutoML menggunakan machine learning untuk menganalisis data video guna mengklasifikasikan foto dan segmen, atau untuk mendeteksi dan melacak berbagai objek dalam data video Anda.

Pengenalan tindakan untuk video

Model pengenalan tindakan menganalisis data video Anda dan menampilkan daftar tindakan yang dikategorikan dengan momen saat tindakan tersebut terjadi. Misalnya, Anda dapat melatih model yang menganalisis data video untuk mengidentifikasi momen tindakan yang melibatkan gol sepak bola, ayunan golf, touchdown, atau tos.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Klasifikasi untuk video

Model klasifikasi menganalisis data video Anda dan menampilkan daftar foto dan segmen yang dikategorikan. Misalnya, Anda dapat melatih model yang menganalisis data video untuk mengidentifikasi apakah video tersebut berisi pertandingan bisbol, sepak bola, atau basket.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Pelacakan objek untuk video

Model pelacakan objek menganalisis data video Anda dan menampilkan daftar gambar serta segmen tempat objek terdeteksi. Misalnya, Anda dapat melatih model yang menganalisis data video dari pertandingan sepak bola untuk mengidentifikasi dan melacak bola.

Dokumentasi: Menyiapkan data | Membuat set data | Melatih model | Mengevaluasi model | Mendapatkan prediksi | Menafsirkan hasil

Pelatihan kustom

Jika tidak ada solusi AutoML yang memenuhi kebutuhan Anda, Anda juga dapat membuat aplikasi pelatihan sendiri dan menggunakannya untuk melatih model kustom di Vertex AI. Anda dapat menggunakan framework ML apa pun yang diinginkan dan mengonfigurasi resource komputasi yang akan digunakan untuk pelatihan, termasuk resource berikut:

  • Jenis dan jumlah VM.
  • Unit pemrosesan grafis (GPU).
  • Tensor processing unit (TPU)
  • Jenis dan ukuran boot disk.

Untuk mempelajari pelatihan kustom di Vertex AI lebih lanjut, lihat Ringkasan pelatihan kustom.