Prova i modelli Gemini 1.5, gli ultimi modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token. Prova i modelli Gemini 1.5, i più recenti modelli multimodali di Vertex AI, e scopri cosa puoi creare con una finestra contestuale fino a 2 milioni di token.

Questa pagina è stata tradotta dall'API Cloud Translation.

Addestra e utilizza i tuoi modelli

Questa pagina fornisce una panoramica del flusso di lavoro per l'addestramento e l'uso su Vertex AI. Vertex AI offre due metodi per formazione:

AutoML: crea e addestra modelli con conoscenze tecniche minime e impegno. Per saperne di più su AutoML, consulta 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 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 imparare a 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 il tipo di dati o l'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 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 crei in risposta alle domande di partecipazione o in situazioni che richiedono le inferenze. Le previsioni batch sono richieste asincrone. Richiedi il batch le previsioni direttamente dalla risorsa del modello, senza bisogno di eseguirne il deployment in un endpoint. Per i dati immagine, usa le previsioni batch quando non sono necessarie risposta immediata e voglia elaborare i dati accumulati attraverso richiesta.

Classificazione delle immagini

Un modello di classificazione analizza i dati immagine e restituisce un elenco di contenuti categorie applicabili all'immagine. Ad esempio, puoi addestrare un modello classifica le immagini come contenenti o non contenenti un gatto, oppure potresti addestrare un modello per classificare le immagini dei cani in base alla razza.

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 per trovare la posizione dei gatti nei dati dell'immagine.

Dati tabulari

Vertex AI consente di eseguire attività di machine learning con dati tabulari usando processi e interfacce semplici. Puoi creare i seguenti tipi di modelli per i problemi relativi ai dati tabulari:

I modelli di classificazione binaria prevedono un risultato binario (uno 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, una 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, 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 tre 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 dati di testo. Puoi utilizzare AutoML per addestrare un modello ML per classificare il testo dati, estrarre informazioni o comprendere il sentiment degli autori.

Vertex AI consente di ottenere previsioni online e batch da i modelli basati su testo. Le previsioni online sono sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando crei in risposta alle domande di partecipazione o in situazioni che richiedono le inferenze. Le previsioni batch sono richieste asincrone. Richiedi il batch le previsioni direttamente dalla risorsa del modello, senza bisogno di eseguirne il deployment in un endpoint. Per i dati di testo, utilizza le previsioni batch quando non è necessario un risposta immediata e voglia elaborare i dati accumulati attraverso richiesta.

Classificazione del testo

Un modello di classificazione analizza i dati di testo e restituisce un elenco di categorie un elenco di categorie applicabili al testo trovato nei dati. Vertex AI offre sia modelli di classificazione del testo con o più etichette.

Estrazione di entità per il testo

Un modello di estrazione di entità controlla i dati di testo per individuare le entità note a cui viene fatto riferimento nei dati ed etichetta queste entità nel testo.

Analisi del sentiment per il testo

Un modello di analisi del sentiment ispeziona i dati di testo e identifica i valori prevalenti stato emotivo al suo interno, soprattutto per determinare l'atteggiamento di uno scrittore positiva, negativa o neutra.

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 categorizzato le azioni 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 includono un goal di calcio, uno swing nel golf, un touchdown o un "batti il cinque".

Classificazione dei 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.

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.

Addestramento personalizzato

Se nessuna delle soluzioni AutoML soddisfa le tue esigenze, puoi anche creare e usarla per addestrare modelli personalizzati Vertex AI. Puoi usare qualsiasi framework ML che vuoi e configurare risorse di computing da utilizzare per l'addestramento, tra cui:

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.