機械学習（ML）モデルでは、トレーニング データを使用して、トレーニングされていないデータの結果をモデルが推測する方法を確認します。Vertex AI の AutoML では、ユーザーが提供するトレーニング データに基づいて、コード不要のモデルを構築できます。
このドキュメントでは、AutoML で解決できる問題のタイプについて説明します。
AutoML で作成できるモデルの種類
構築できるモデルの種類はデータのタイプによって異なります。以降のセクションでは、画像データ、表形式データ、テキストデータ、動画データを使用して構築できるモデルのタイプについて説明します。
次のセクションで説明する問題と一致しない複雑な問題を解決するには、問題を小さな問題に分割する方法を検討してください。複数のモデルを組み合わせると複雑な問題を解決できます。
画像データ
AutoML は、機械学習を使用して画像データのコンテンツを分析します。AutoML を使用すると、画像データを分類する ML モデルをトレーニングできます。また、画像データ内のオブジェクトを検索することもできます。
分類モデルは、画像データを分析し、画像に適用されるコンテンツ カテゴリのリストを返します。たとえば、猫を含むかどうかで画像を分類するモデルをトレーニングすることも、犬の品種で犬の画像を分類するようにモデルをトレーニングすることもできます。
オブジェクト検出モデルは、画像データを分析し、画像内で見つかったすべてのオブジェクトのアノテーションを返します。これは、オブジェクトのラベルと境界ボックスの位置で構成されています。たとえば、画像データ内で猫の場所を見つけるモデルをトレーニングできます。
AutoML を使用して画像データモデルの作成を開始するには:
Console
REST API
表形式データ
AutoML は、機械学習を使用して表形式データの内容を分析します。AutoML を使用すると、回帰を使用して数値を見つける ML モデルをトレーニングできます。また、分類を使用して表形式データからカテゴリの結果を予測することもできます。
回帰モデルは、表形式データを分析して数値を返します。たとえば、住宅の価値を推定するモデルをトレーニングできます。
分類モデルは、表形式のデータを分析し、データを記述するカテゴリのリストを返します。たとえば、顧客の購入履歴から定期購入を行う可能性を予測するモデルをトレーニングできます。
予測モデル（プレビュー）は、過去の時間依存の表形式データの複数行を使用して、将来に向けた一連の数値を予測します。たとえば、将来の商品の需要を予測することで、小売業はサプライ チェーンを最適化して、商品の過剰在庫や在庫切れの可能性を減らすことができます。
AutoML を使用して表形式データのモデルを作成するには:
Console
REST API
AutoML を使用した予測モデルのトレーニングについて説明する Jupyter Notebook については、以下をご覧ください。
| Vertex AI の機能 | ノートブック | 説明 | 開始 |
|---|---|---|---|
| AutoML | 時系列予測モデル | バッチ予測用の AutoML 時系列予測モデルの作成、トレーニング、使用 |
テキストデータ
AutoML は、機械学習を使用してテキストデータの構造と意味を分析します。AutoML を使用すると、テキストデータの分類、情報の抽出、著者の感情を把握する ML モデルをトレーニングできます。
分類モデルは、テキストデータを分析し、データで見つかったテキストに適用されるカテゴリのリストを返します。Vertex AI は、単一ラベルとマルチラベルのテキスト分類モデルの両方を提供します。
エンティティ抽出モデルは、データ内で参照されている既知のエンティティについてテキストデータを検査し、テキスト内のエンティティにラベルを付けます。
感情分析モデルは、ドキュメントを検査し、その中で優勢な感情的意見を特定して、前向きな意見、否定的な意見、中立的な意見か判断します。
AutoML を使用してテキスト データモデルの作成を開始するには:
Console
REST API
AutoML によるテキスト分類モデルのトレーニングを説明する Jupyter Notebook については、以下をご覧ください。
| Vertex AI の機能 | ノートブック | 説明 | 開始 |
|---|---|---|---|
| AutoML | テキスト分類モデル | Vertex AI でテキスト分類モデルの作成、トレーニング、デプロイを行います。 |
動画データ
AutoML は、機械学習を使用して動画データを分析し、ショットやセグメントの分類を行います。動画データ内の複数のオブジェクトを検出して追跡することもできます。
分類モデルは、動画データを分析し、分類されたショットとセグメントのリストを返します。たとえば、動画データを分析するモデルをトレーニングし、動画が野球、サッカー、バスケットボール、フットボールのどれに該当するかを識別できます。
オブジェクト トラッキング モデルでは、動画データを分析し、これらのオブジェクトが検出されたショットとセグメントのリストを返します。たとえば、サッカーの動画データを分析してボールを識別し、追跡するモデルをトレーニングできます。
動作認識モデルは、動画データを分析し、動作の発生時点で動作を分類してリストを返します。たとえば、動画データを分析するモデルをトレーニングすることで、サッカーのゴール、ゴルフ スウィング、タッチダウン、ハイカーなどの動作のタイミングを特定できます。
AutoML を使用して動画データモデルの作成を開始するには: