Prova i modelli Gemini 1.5, i più recenti modelli multimodali in 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 in 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.

Gemini per gli utenti di testo AutoML

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`

Passaggi successivi

Introduzione all'ottimizzazione.