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 ti consente di creare un modello senza codice in base ai dati di addestramento che fornisci.
In questo documento vengono descritti alcuni dei tipi di problemi che puoi risolvere utilizzando AutoML.
Tipi di modelli che puoi creare con AutoML
I tipi di modelli che puoi creare dipendono dal tipo di dati in tuo possesso. Le seguenti sezioni descrivono i tipi di modelli che puoi creare con dati immagine, dati tabulari, dati di testo e dati video.
Per risolvere un problema complesso che non corrisponde ai tipi di problemi nelle sezioni seguenti, cerca modi per dividere il problema in un insieme di problemi minori. Se combini più modelli, puoi risolvere un problema particolarmente complesso.
Dati dell'immagine
AutoML utilizza il machine learning per analizzare i contenuti dei dati di immagine. Puoi utilizzare AutoML per addestrare un modello ML per classificare i dati dell'immagine o trovare oggetti nei dati dell'immagine.
Un modello di classificazione analizza i dati delle immagini e restituisce un elenco di categorie di contenuti applicabili all'immagine. Ad esempio, puoi addestrare un modello che classifica le immagini come contenente un gatto o non contenente un gatto oppure puoi addestrare un modello per classificare le immagini dei cani di razza.
Un modello di rilevamento oggetti analizza i dati dell'immagine e restituisce annotazioni per tutti gli oggetti trovati in un'immagine, costituiti da un'etichetta e dalla posizione del riquadro di delimitazione per ogni oggetto. Ad esempio, puoi addestrare un modello per trovare la posizione dei gatti nei dati delle immagini.
Per iniziare a creare il modello dei dati immagine utilizzando AutoML:
console
API REST
Dati tabulari
AutoML utilizza il machine learning per analizzare i contenuti dei dati tabulari. Puoi utilizzare AutoML per addestrare un modello di machine learning per utilizzare la regressione per trovare un valore numerico oppure utilizzare la classificazione per prevedere un risultato categorico dai tuoi dati tabulari.
Un modello di regressione analizza i tuoi dati tabulari e restituisce un valore numerico. Ad esempio, puoi addestrare un modello per stimare il valore di una casa.
Un modello di classificazione analizza i dati tabulari e restituisce un elenco di categorie che descrivono i dati. Ad esempio, puoi addestrare un modello per prevedere se la cronologia acquisti di un cliente prevede che acquisterà o meno un abbonamento.
Un modello di previsione utilizza più righe di dati tabulari dipendenti dal passato per prevedere una serie di valori numerici che si estendono nel futuro. Ad esempio, prevedendo la domanda futura dei prodotti, un'organizzazione di vendita al dettaglio potrebbe ottimizzare la propria catena di fornitura per ridurre le probabilità di mettere in esaurimento o vendere i prodotti.
Per iniziare a creare il modello di dati tabulari con AutoML:
console
API REST
Per un blocco note Jupyter che illustra l'addestramento di un modello di previsione con AutoML, consulta:
| Funzionalità Vertex AI | Blocco note | Descrizione | Apri in |
|---|---|---|---|
| AutoML | Modello di previsione per serie temporali | Crea, addestra e utilizza un modello di previsione delle serie temporali AutoML per la previsione batch. |
Dati di testo
AutoML utilizza il machine learning per analizzare la struttura e il significato dei dati di testo. Puoi utilizzare AutoML per addestrare un modello di machine learning per classificare dati di testo, estrarre informazioni o comprendere il sentiment degli autori.
Un modello di classificazione analizza i dati di testo e restituisce un elenco di categorie applicabili al testo trovato nei dati. Vertex AI offre i modelli di classificazione del testo a etichetta singola e a più etichette.
Un modello di estrazione delle entità controlla i dati di testo per individuare le entità note a cui fanno riferimento i dati e le etichetta nel testo.
Un modello di analisi del sentiment esamina i dati di testo e identifica l'opinione emotiva prevalente al suo interno, in particolare per determinare l'atteggiamento di un autore come positivo, negativo o neutro.
Per iniziare a creare il modello dei dati di testo utilizzando AutoML:
console
API REST
Per un blocco note Jupyter che illustra l'addestramento di un modello di classificazione del testo con AutoML, consulta:
| Funzionalità Vertex AI | Blocco note | Descrizione | Apri in |
|---|---|---|---|
| AutoML | Modello di classificazione del testo | Crea, addestra ed esegui il deployment di un modello di classificazione del testo su Vertex AI. |
Dati relativi ai video
AutoML utilizza il machine learning per analizzare i dati video e classificare fotogrammi e segmenti o rilevare e monitorare più oggetti nei dati video.
Un modello di classificazione analizza i dati del video e restituisce un elenco di scatti e segmenti suddivisi in categorie. Ad esempio, puoi addestrare un modello che analizzi i dati video per identificare se un video riguarda una partita di baseball, calcio, basket o football.
Un modello di monitoraggio oggetti analizza i dati video e restituisce un elenco di scatti e segmenti in cui sono stati rilevati questi oggetti. Ad esempio, puoi addestrare un modello che analizzi i dati video delle partite di calcio per identificare e monitorare la palla.
Un modello di riconoscimento dell'azione analizza i dati del video e restituisce un elenco di azioni classificate con i momenti in cui si sono verificate. Ad esempio, puoi addestrare un modello che analizzi i dati video per identificare i momenti di azione che riguardano un obiettivo di calcio, uno swing, un touchdown o un cinque.
Per iniziare a creare il modello dei dati video utilizzando AutoML: