Treine e use seus próprios modelos

Esta página fornece uma visão geral do fluxo de trabalho para treinamento e uso dos seus próprios modelos na Vertex AI. A Vertex AI oferece dois métodos para treinamento de modelo:

AutoML: crie e treine modelos com conhecimento técnico mínimo e esforço. Para saber mais sobre o AutoML, consulte o guia para iniciantes do AutoML.
Treinamento personalizado: crie e treine modelos em escala usando qualquer framework de ML. Para saber mais sobre o treinamento personalizado na Vertex AI, consulte Visão geral do treinamento personalizado.

Se precisar de ajuda para decidir qual desses métodos usar, consulte Escolher um método de treinamento.

AutoML

Os modelos de machine learning (ML) usam dados de treinamento para aprender a inferir resultados de dados para os quais não foram treinados. Com o AutoML na Vertex AI, você cria um modelo sem código com base nos dados de treinamento fornecidos.

Tipos de modelos que você pode criar usando o AutoML

Os tipos de modelo que você pode criar dependem do tipo de dados que você tem. A Vertex AI oferece soluções do AutoML para os seguintes tipos de dados e objetivos de modelo:

Tipo de dados	Objetivos aceitos
Dados de imagem	Classificação, detecção de objetos.
Dados de vídeo	Reconhecimento de ação, classificação e rastreamento de objetos.
Dados de texto	Classificação, extração de entidades, análise de sentimentos.
Dados em tabela	Classificação/regressão, previsão.

O fluxo de trabalho para treinamento e uso de um modelo do AutoML é o mesmo, seja qual for o tipo de dados ou objetivo:

Preparar seus dados de treinamento.
Crie um conjunto de dados.
Treinar um modelo.
Avalie e itere seu modelo.
Receber previsões do modelo.
Interpretar resultados de previsão.

Dados de imagem

O AutoML usa machine learning para analisar o conteúdo dos dados de imagem. É possível usar o AutoML para treinar um modelo de ML que classifique dados de imagem ou encontre objetos nos dados da imagem.

Com a Vertex AI, você recebe previsões on-line e em lote dos modelos baseados em imagens. As previsões on-line são solicitações síncronas feitas em um endpoint de modelo. Use as previsões on-line ao fazer solicitações em resposta a uma entrada de aplicativo ou em situações que exigem inferências em tempo hábil. As previsões em lote são solicitações assíncronas. Solicite previsões em lote diretamente do recurso do modelo sem precisar implantá-lo em um endpoint. Para dados tabulares, use previsões em lote quando não precisar de uma resposta imediata e quiser processar dados acumulados usando uma única solicitação.

Classificação para imagens

Um modelo de classificação analisa dados de imagem e retorna uma lista de categorias de conteúdo que se aplicam à imagem. Por exemplo, é possível treinar um modelo para classificar imagens de acordo com a presença ou não de um cachorro, ou treinar um modelo para classificar imagens de cães de acordo com a raça.

Detecção de objetos para imagens

Um modelo de detecção de objetos analisa os dados da imagem e retorna anotações para todos os objetos encontrados em uma imagem, que consiste em um rótulo e um local da caixa delimitadora para cada objeto. Por exemplo, é possível treinar um modelo para encontrar a localização dos gatos em dados de imagem.

Dados em tabela

Com a Vertex AI, você usa interfaces e processos simples para executar machine learning com dados tabulares. É possível criar os seguintes tipos de modelo para seus problemas de dados tabulares:

Os modelos de classificação binária preveem um resultado binário (uma de duas classes). Use esse tipo de modelo para perguntas sim ou não. Por exemplo, é possível criar um modelo de classificação binária para prever se um cliente faria uma assinatura. Geralmente, um problema de classificação binária requer menos dados do que outros tipos de modelo.
Os modelos de classificação multiclasse preveem uma classe entre três ou mais classes distintas. Use esse tipo de modelo para categorização. Por exemplo, como varejista, convém criar um modelo de classificação multiclasse para segmentar clientes em diferentes perfis.
Os modelos de regressão preveem um valor contínuo. Por exemplo, como varejista, talvez você queira criar um modelo de regressão para prever quanto um cliente vai gastar no próximo mês.
Os modelos de estimativa estimam uma sequência de valores. Por exemplo, como varejista, você pode prever a demanda diária dos seus produtos nos próximos três meses para poder estoque adequadamente nos estoques com antecedência.

Para saber mais, consulte Visão geral dos dados tabulares.

Se os dados tabulares estiverem armazenados no BigQuery ML, será possível treinar um modelo tabular do AutoML diretamente no BigQuery ML. Para saber mais, consulte a documentação de referência do AutoML Tabular.

Dados de texto

O AutoML usa machine learning para analisar a estrutura e o significado dos dados de texto. É possível usar o AutoML para treinar um modelo de ML para classificar dados de texto, extrair informações ou entender o sentimento dos autores.

Com a Vertex AI, você recebe previsões on-line e em lote dos modelos baseados em texto. As previsões on-line são solicitações síncronas feitas em um endpoint de modelo. Use as previsões on-line ao fazer solicitações em resposta a uma entrada de aplicativo ou em situações que exigem inferências em tempo hábil. As previsões em lote são solicitações assíncronas. Solicite previsões em lote diretamente do recurso do modelo sem precisar implantá-lo em um endpoint. Para dados tabulares, use previsões em lote quando não precisar de uma resposta imediata e quiser processar dados acumulados usando uma única solicitação.

Classificação de texto

Um modelo de classificação analisa dados de texto e retorna uma lista de categorias que se aplicam ao texto encontrado nos dados. A Vertex AI oferece modelos de classificação de texto com um ou vários rótulos.

Extração de entidade para texto

Um modelo de extração de entidade inspeciona os dados de texto de entidades conhecidas citadas nos dados e rotula essas entidades no texto.

Análise de sentimento para texto

Um modelo de análise de sentimento inspeciona dados de texto e identifica o estado emocional predominante neles, principalmente para determinar a atitude de um escritor como positiva, negativa ou neutra.

Dados de vídeo

O AutoML usa machine learning para analisar dados de vídeos para classificar sequências e segmentos ou para detectar e rastrear vários objetos nos dados do vídeo.

Reconhecimento de ação para vídeos

Um modelo de reconhecimento de ações analisa os dados de vídeo e retorna uma lista de ações categorizadas com os momentos em que as ações ocorreram. Por exemplo, é possível treinar um modelo que analisa dados de vídeo para identificar os momentos de ação envolvendo um gol, uma tacada de golfe, um touchdown ou um "bate aqui".

Classificação para vídeos

Um modelo de classificação analisa os dados do vídeo e retorna uma lista de sequências e segmentos categorizados. Por exemplo, é possível treinar um modelo que analisa dados de vídeo para identificar se o vídeo é de um jogo de futebol, beisebol, basquete ou futebol americano.

Rastreamento de objetos para vídeos

Um modelo de rastreamento de objetos analisa os dados de vídeo e retorna uma lista de sequências e segmentos em que esses objetos foram detectados. Por exemplo, é possível treinar um modelo que analisa dados de vídeo de jogos de futebol para identificar e rastrear a bola.

Treinamento personalizado

Se nenhuma das soluções do AutoML atender às suas necessidades, crie também seu próprio aplicativo de treinamento e use-o para treinar modelos personalizados na Vertex AI. Use qualquer framework de ML que quiser e configure os recursos de computação que serão usados no treinamento, incluindo o seguinte:

Tipo e número de VMs.
Unidades de processamento gráfico (GPUs).
Unidades de Processamento de Tensor (TPUs).
Tipo e tamanho do disco de inicialização.

Para saber mais sobre o treinamento personalizado na Vertex AI, consulte Visão geral do treinamento personalizado.