Entraîner et utiliser vos propres modèles

Cette page présente le workflow d'entraînement et d'utilisation de vos propres modèles sur Vertex AI. Vertex AI propose deux méthodes pour entraîner des modèles :

  • AutoML : créez et entraînez des modèles avec un minimum de connaissances techniques et d'efforts. Pour en savoir plus sur AutoML, consultez le guide du débutant en AutoML.
  • Entraînement personnalisé : créez et entraînez des modèles à grande échelle à l'aide de n'importe quel framework de ML. Pour en savoir plus sur l'entraînement personnalisé sur Vertex AI, consultez la présentation de l'entraînement personnalisé.

Pour obtenir de l'aide dans votre choix de ces méthodes, consultez la page Choisir une méthode d'entraînement.

AutoML

Les modèles de machine learning (ML) utilisent des données d'entraînement pour déterminer comment déduire les résultats pour des données sur lesquelles le modèle n'a pas été entraîné. AutoML sur Vertex AI vous permet de créer un modèle sans code à partir des données d'entraînement que vous fournissez.

Types de modèles que vous pouvez créer à l'aide d'AutoML

Les types de modèles que vous pouvez créer dépendent du type de données dont vous disposez. Vertex AI propose des solutions AutoML pour les types de données et les objectifs de modèle suivants :

Type de données Objectifs compatibles
Données d'image Classification et détection d'objets.
Données vidéo Reconnaissance d'actions, classification et suivi d'objets.
Text data Classification, extraction d'entités et analyse des sentiments.
Données tabulaires Classification/régression, prévision.

Le workflow d'entraînement et d'utilisation d'un modèle AutoML est identique, quel que soit votre type de données ou votre objectif :

  1. Préparez vos données d'entraînement.
  2. Créez un ensemble de données.
  3. Entraîner un modèle
  4. Évaluez et itérez votre modèle.
  5. Obtenez des prédictions à partir de votre modèle.
  6. Interprétez les résultats des prédictions.

Données d'image

AutoML utilise le machine learning pour analyser le contenu des données d'image. Vous pouvez utiliser AutoML pour entraîner un modèle de ML afin de classer des données d'images ou de rechercher des objets dans ces données.

Vertex AI vous permet d'obtenir des prédictions en ligne et par lots à partir de vos modèles basés sur des images. Les prédictions en ligne sont des requêtes synchrones adressées à un point de terminaison de modèle. Utilisez les prédictions en ligne pour effectuer des requêtes en réponse à des entrées d'application ou dans des situations nécessitant des inférences rapides. Les prédictions par lots sont des requêtes asynchrones. Vous demandez des prédictions par lots directement à partir de la ressource de modèle, sans avoir à déployer le modèle sur un point de terminaison. Pour les données d'images, utilisez les prédictions par lot lorsque vous n'avez pas besoin d'une réponse immédiate et que vous souhaitez traiter des données accumulées à l'aide d'une seule requête.

Classification d'images

Un modèle de classification analyse les données d'image et renvoie une liste de catégories de contenu qui s'appliquent à l'image. Par exemple, vous pouvez entraîner un modèle qui classe les images selon qu'elles contiennent ou non un chat, ou un modèle capable de classer des images de chats selon la race.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Détection d'objets pour les images

Un modèle de détection d'objet analyse vos données d'image et renvoie pour tous les objets détectés dans une image des annotations constituées d'une étiquette et de l'emplacement du cadre de délimitation de chaque objet. Par exemple, vous pouvez entraîner un modèle pour trouver l'emplacement de chats dans des données d'image.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Données tabulaires

Vertex AI vous permet d'effectuer des opérations de machine learning avec des données tabulaires à l'aide de processus et d'interfaces simples. Vous pouvez créer les types de modèles suivants pour vos problèmes de données tabulaires :

  • Les modèles de classification binaire prédisent un résultat binaire (l'une des deux classes). Utilisez ce type de modèle pour les questions fermées, c'est-à-dire dont la réponse peut être "oui" ou "non". Par exemple, vous pouvez créer un modèle de classification binaire pour prédire si un client achètera un abonnement. En règle générale, un problème de classification binaire nécessite moins de données que les autres types de modèle.
  • Les modèles de classification à classes multiples prédisent une classe à partir de trois classes distinctes ou plus. Utilisez ce type de modèle pour la catégorisation. Par exemple, en tant que revendeur, vous pouvez créer un modèle de classification à classes multiples pour segmenter les clients en différents personas.
  • Les modèles de régression prédisent une valeur continue. Par exemple, en tant que revendeur, vous pouvez créer un modèle de régression pour prédire le montant qu'un client dépensera le mois prochain.
  • Les modèles de prévision prédisent une séquence de valeurs. Par exemple, en tant que revendeur, vous souhaitez peut-être prévoir la demande quotidienne de vos produits pour les trois prochains mois afin de pouvoir anticiper convenablement les stocks de produits nécessaires.

Pour en savoir plus, consultez la page Présentation des données tabulaires.

Si vos données tabulaires sont stockées dans BigQuery ML, vous pouvez entraîner un modèle tabulaire AutoML directement dans BigQuery ML. Pour en savoir plus, consultez la documentation de référence sur AutoML Tabular.

Données textuelles

AutoML utilise le machine learning pour analyser la structure et la signification des données textuelles. Vous pouvez utiliser AutoML pour entraîner un modèle de ML afin de classer des données textuelles, d'extraire des informations ou de comprendre le sentiment des auteurs.

Vertex AI vous permet d'obtenir des prédictions en ligne et par lots à partir de vos modèles basés sur du texte. Les prédictions en ligne sont des requêtes synchrones adressées à un point de terminaison de modèle. Utilisez les prédictions en ligne pour effectuer des requêtes en réponse à des entrées d'application ou dans des situations nécessitant des inférences rapides. Les prédictions par lots sont des requêtes asynchrones. Vous demandez des prédictions par lots directement à partir de la ressource de modèle, sans avoir à déployer le modèle sur un point de terminaison. Pour les données textuelles, utilisez les prédictions par lot lorsque vous n'avez pas besoin d'une réponse immédiate et que vous souhaitez traiter des données accumulées à l'aide d'une seule requête.

Classification pour le texte

Un modèle de classification analyse des données textuelles et renvoie une liste de catégories qui s'appliquent au texte trouvé dans les données. Vertex AI propose des modèles de classification de texte à étiquette unique et multi-étiquettes.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Extraction d'entités pour le texte

Un modèle d'extraction d'entités inspecte les données textuelles pour y rechercher des entités connues référencées dans les données et attribue une étiquette à ces entités dans le texte.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Analyse des sentiments pour un texte

Un modèle d'analyse des sentiments inspecte les données textuelles et identifie l'état émotionnel prédominant qu'il contient, en particulier pour déterminer l'attitude positive, négative ou neutre d'un auteur.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Données vidéo

AutoML utilise le machine learning pour analyser les données vidéo afin de classer des plans et des segments ou de détecter et suivre plusieurs objets dans vos données vidéo.

Reconnaissance d'actions pour les vidéos

Un modèle de reconnaissance d'actions analyse vos données vidéo et renvoie une liste d'actions catégorisées avec les moments où elles se sont produites. Par exemple, vous pouvez entraîner un modèle qui analyse des données vidéo pour identifier les moments d'action impliquant un but au football, un swing au golf, un "touchdown" ou encore un "high five".

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Classification de vidéos

Un modèle de classification analyse vos données vidéo et renvoie une liste de séquences et de segments classés. Par exemple, vous pouvez entraîner un modèle qui analyse les données vidéo pour déterminer si la vidéo est un match de base-ball, de football, de basket-ball ou de football américain.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Suivi des objets pour les vidéos

Un modèle de suivi des objets analyse vos données vidéo et renvoie une liste de plans et de segments dans lesquels ces objets ont été détectés. Par exemple, vous pouvez entraîner un modèle qui analyse les données vidéo des matchs de football pour repérer et suivre le ballon.

Documentation : Préparer les données | Créer un ensemble de données | Entraîner un modèle | Évaluer le modèle | Obtenir des prédictions | Interpréter les résultats

Entraînement personnalisé

Si aucune des solutions AutoML ne répond à vos besoins, vous pouvez également créer votre propre application d'entraînement et l'utiliser pour entraîner des modèles personnalisés sur Vertex AI. Vous pouvez utiliser n'importe quel framework de ML et configurer les ressources de calcul à utiliser pour l'entraînement, y compris :

  • Type et nombre de VM
  • Processeurs graphiques (GPU)
  • TPU (Tensor Processing Unit)
  • Type et taille du disque de démarrage

Pour en savoir plus sur l'entraînement personnalisé sur Vertex AI, consultez la présentation de l'entraînement personnalisé.