- AutoML: crea e addestra modelli con conoscenze tecniche minime e impegno. Per scoprire di più su AutoML, consulta la guida per principianti di AutoML.
- Addestramento personalizzato: crea e addestra modelli su larga scala utilizzando qualsiasi framework ML. Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica dell'addestramento personalizzato.
Per informazioni su come 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 apprendere 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 gli scopi del modello:
| Tipo di dati | Obiettivi supportati |
|---|---|
| Dati dell'immagine | Classificazione, rilevamento di oggetti. |
| Dati 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.
- Ottenere le previsioni dal modello.
- Interpreta i risultati della previsione.
Dati dell'immagine
AutoML utilizza il machine learning per analizzare il contenuto dei dati delle immagini. Tu puoi utilizzare AutoML per addestrare un modello ML al fine di classificare i dati di immagine o trovare nei dati immagine.
Vertex AI consente di ottenere previsioni online e batch da modelli basati su immagini. Le previsioni online sono sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Le previsioni batch vanno richieste direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Per i dati immagine, usa le previsioni batch quando non è necessario un risposta immediata e voglia elaborare i dati accumulati attraverso richiesta.
Classificazione per le 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 un modello per classificare le immagini dei cani in base alla razza.
Documentazione: Preparare i dati | Creare il set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta 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 presenti in un'immagine, costituiti da un'etichetta e un riquadro di delimitazione posizione di ciascun oggetto. Ad esempio, puoi addestrare un modello a trovare la posizione dei gatti nei dati immagine.
Documentazione: Preparare i dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpretare i risultati
Dati tabulari
Vertex AI consente di eseguire attività di machine learning con dati tabulari usando processi e interfacce semplici. Per i problemi relativi ai dati tabulari, puoi creare i seguenti tipi di modelli:
- I modelli di classificazione binaria prevedono un esito binario (una di due classi). Utilizza questo tipo di modello per domande sì o no. Ad esempio, potresti volere creare un modello di classificazione binaria per prevedere se un cliente acquistare un abbonamento. In genere, 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 classificazione. Ad esempio, come un rivenditore, potresti voler creare un modello di classificazione multiclasse per segmentare in diversi utenti tipo.
- I modelli di regressione prevedono un valore continuo. Ad esempio, in qualità di rivenditore, potresti voler creare un modello di regressione per prevedere quanto 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 stoccare il prodotto in modo appropriato gli inventari in anticipo.
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 saperne di più, vedi Documentazione di riferimento tabulare per AutoML.
Dati di testo
AutoML utilizza il machine learning per analizzare la struttura e il significato dei dati di testo. Puoi utilizzare AutoML per addestrare un modello di ML per classificare i 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 effettuate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono inferenze tempestive. Le previsioni batch sono richieste asincrone. Le previsioni batch vanno richieste direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su 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 utilizzando 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 sia modelli di classificazione del testo con o più etichette.
Documentazione: Preparare i dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpretare i risultati
Estrazione di entità per il testo
Un modello di estrazione di entità esamina i dati di testo al fine di individuare entità note a cui si fa riferimento nei dati ed etichettarle nel testo.
Documentazione: Preparare i dati | Creare un set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta 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 suo interno, soprattutto per determinare se l'atteggiamento di un autore è positivo, negativo o neutro.
Documentazione: Preparare i dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpretare i risultati
Dati video
AutoML usa il machine learning per analizzare i dati video e classificare le 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 categorizzate 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 coinvolgono un goal nel calcio, uno swing nel golf, un touchdown o un "batti il cinque".
Documentazione: Preparare i dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpretare i risultati
Classificazione per i video
Un modello di classificazione analizza i dati video e restituisce un elenco di categorizzati di inquadrature e segmenti. Ad esempio, potresti addestrare un modello analizza i dati video per identificare se il video riguarda una palla da baseball, un calcio una partita di basket o football.
Documentazione: Preparare i dati | Creare un set di dati | Addestrare il modello | Valutare il modello | Ottenere le previsioni | Interpreta 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 monitorare la palla.
Documentazione: Preparare i dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpretare i risultati
Addestramento personalizzato
Se nessuna delle soluzioni AutoML soddisfa le tue esigenze, puoi anche creare e usarla per addestrare modelli personalizzati Vertex AI. Puoi utilizzare qualsiasi framework di ML e configurare le risorse di calcolo da utilizzare per l'addestramento, tra cui:
- Tipo e numero di VM.
- GPU (unità di elaborazione grafica).
- Tensor Processing Unit (TPU).
- Tipo e dimensioni del disco di avvio.
Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica dell'addestramento personalizzato.