Questa pagina fornisce confronti tra testo AutoML e Gemini per aiutare AutoML e gli utenti sanno usare Gemini.
Controlla le tabelle applicabili al tuo caso d'uso e per rivedere le modifiche che potrebbero influire sul flusso di lavoro.
Uso generale
Queste differenze sono applicabili a tutti gli utenti di Gemini.
Operazione | AutoML Text | Gemini |
---|---|---|
Formati dei dati di addestramento | Puoi utilizzare file CSV o JSON Lines, ad eccezione dell'estrazione delle entità di testo, per
includi snippet di testo incorporati o di riferimento a documenti di tipo
TXT . L'estrazione delle entità supporta solo i file JSON Lines. |
Puoi utilizzare solo file JSON Line. Ogni riga del file deve rappresentare un singolo esempio di addestramento. Puoi scaricare un set di dati di esempio per ottimizzare i modelli Gemini. I file devono essere archiviati in Cloud Storage. |
Annotazione del set di dati |
Le annotazioni vengono raggruppate come un oggetto AnnotationSet .
Puoi usare set di annotazioni diversi con lo stesso set di dati.
|
Le annotazioni del set di dati non sono applicabili a Gemini. |
Importazione del set di dati | Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per il formato CSV, nella stessa riga
come dati; oppure come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se
non specifichi valori di utilizzo del ML, i dati vengono suddivisi automaticamente
addestramento, test e convalida. Per l'analisi del sentiment, i file CSV devono includere il valore massimo del sentiment in nell'ultima colonna di ogni riga. |
Devi avere due file JSONL separati, uno per l'addestramento e uno per la convalida. Il file di convalida è facoltativo. Il file di convalida deve contenere 10-256 esempi. |
Costi di archiviazione | Quando crei un set di dati, i tuoi dati vengono caricati in Cloud Storage nel tuo progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più. | Quando crei un set di dati, i tuoi dati vengono caricati in Cloud Storage nel tuo progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più |
Etichettatura dati |
Le istruzioni per l'etichettatura vengono fornite utilizzando un URL. Le annotazioni fanno parte
l'oggetto Dataset e non può essere manipolato con l'API.
|
L'etichettatura dei dati non è applicabile a Gemini. |
Deployment del modello |
Puoi creare un oggetto Endpoint, che fornisce risorse per
per fornire previsioni online. Poi esegui il deployment del modello nell'endpoint.
Per richiedere previsioni, chiama il metodo
predict()
.
|
Dopo aver ottimizzato Gemini, il modello viene archiviato in Vertex AI Model Registry e viene creato automaticamente un endpoint. Le previsioni online dal modello ottimizzato possono essere richieste utilizzando l'SDK Python, l'API REST o la console. Per richiedere le previsioni, devi prima recuperare l'endpoint ottimizzato e poi utilizzare
generate_content() . |
Utilizzo del numero di progetto o dell'ID progetto |
Sia project-number che
project-id funzionano in Vertex AI.
|
Gemini utilizza project-id . |
Utenti API
Per informazioni dettagliate sull'API, consulta la documentazione di riferimento dell'API Vertex AI per l'ottimizzazione dell'IA generativa.
Operazione o entità | AutoML Text | Gemini |
---|---|---|
Creazione del modello |
Crei un oggetto TrainingPipeline , che restituisce un
un lavoro di addestramento lungo.
|
Puoi creare un job di ottimizzazione supervisionato che restituisce il job di ottimizzazione. |
Utilizzo della libreria client | Esistono client API diversi per ogni risorsa API. | Puoi creare un job di ottimizzazione supervisionato per Gemini utilizzando l'SDK Python, l'API REST o la console. |
Richiesta di previsioni |
Puoi richiedere previsioni chiamando il metodo
predict()
sulla risorsa Endpoint.
|
Per richiedere le previsioni, devi prima recuperare l'endpoint ottimizzato e poi utilizzare il metodo generate_content . |
Endpoint di previsione online | Di seguito, sostituisci REGION con la regione
del modello di previsione.REGION-aiplatform.googleapis.com .
Ad esempio:us-central1-aiplatform.googleapis.com |
Di seguito, sostituisci TUNING_JOB_REGION con la regione in cui
viene eseguito il job di ottimizzazione.TUNING_JOB_REGION-aiplatform.googleapis.com .
Ad esempio:us-central1-aiplatform.googleapis.com |
File di schema e definizione | Alcuni campi di richiesta e risposta sono definiti nello schema e nella definizione . I formati dei dati vengono definiti utilizzando file di schema predefiniti. Questo consente la flessibilità per l'API e i formati dei dati. | Il corpo della richiesta, i parametri del modello e il corpo della risposta sono gli stessi dei modelli Gemini non ottimizzati. Vedi le richieste di esempio. |
Nome host | aiplatform.googleapis.com |
aiplatform.googleapis.com |
Nome host regionale | Obbligatorio. Ad esempio:us-central1-aiplatform.googleapis.com |
Obbligatorio. Ad esempio:us-central1-aiplatform.googleapis.com |