Types de modèles AutoML

Les modèles de machine learning (ML) utilisent des données d'entraînement pour déterminer comment déduire les résultats pour des données sur lesquelles le modèle n'a pas été entraîné. Vertex AI vous permet de créer un modèle sans code à partir des données d'entraînement que vous fournissez.

Ce document décrit certains des types de problèmes que vous pouvez résoudre en utilisant AutoML.

Types de modèles que vous pouvez créer à l'aide d'AutoML

Les types de modèles que vous pouvez créer dépendent du type de données dont vous disposez. Les sections suivantes décrivent les types de modèles que vous pouvez créer à partir de données d'images, de données tabulaires, de données de texte ou de données vidéo.

Pour résoudre un problème complexe qui ne correspond pas aux types de problèmes présentés dans les sections suivantes, essayez de trouver un moyen de diviser votre problème en plusieurs problèmes plus simples. Combiner plusieurs modèles peut vous aider à résoudre un problème particulièrement complexe.

Données d'image

AutoML utilise le machine learning pour analyser le contenu des données d'image. Vous pouvez utiliser AutoML pour entraîner un modèle de ML afin de classer des données d'images ou de rechercher des objets dans ces données.

  • Un modèle de classification analyse les données d'image et renvoie une liste de catégories de contenu qui s'appliquent à l'image. Par exemple, vous pouvez entraîner un modèle qui classe des images comme contenant un chat ou ne contenant pas un chat, ou un modèle capable de classer des images de chiens par race.

  • Un modèle de détection d'objet analyse vos données d'image et renvoie pour tous les objets détectés dans une image des annotations constituées d'une étiquette et de l'emplacement du cadre de délimitation de chaque objet. Par exemple, vous pouvez entraîner un modèle pour trouver l'emplacement de chats dans des données d'image.

Pour commencer à créer votre modèle de données d'image à l'aide d'AutoML, procédez comme suit :

Données tabulaires

AutoML utilise le machine learning pour analyser le contenu des données tabulaires. Vous pouvez utiliser AutoML pour entraîner un modèle de ML afin d'utiliser la régression pour trouver une valeur numérique ou d'utiliser la classification pour prédire un résultat catégoriel à partir de vos données tabulaires.

  • Un modèle de régression analyse vos données tabulaires et renvoie une valeur numérique. Par exemple, vous pouvez entraîner un modèle pour estimer la valeur d'une maison.

  • Un modèle de classification analyse vos données tabulaires et renvoie une liste de catégories décrivant ces données. Par exemple, vous pouvez entraîner un modèle pour prédire si l'historique des achats d'un client prédit qu'il achètera ou non un abonnement.

  • Un modèle de prévision (Bêta) exploite plusieurs lignes de données tabulaires dépendantes de l'heure du passé pour prédire une série de valeurs numériques qui s'étendent dans l'avenir. Par exemple, une prévision de la demande future de produits peut permettre à une entreprise de vente au détail d'optimiser sa chaîne d'approvisionnement pour réduire le risque de surprovisionnement ou de rupture de stock de ce produit.

Pour commencer à créer votre modèle de données tabulaires en utilisant AutoML, procédez comme suit :

Données textuelles

AutoML utilise le machine learning pour analyser la structure et la signification des données textuelles. Vous pouvez utiliser AutoML pour entraîner un modèle de ML afin de classer des données textuelles, d'extraire des informations ou de comprendre le sentiment des auteurs.

  • Un modèle de classification analyse des données textuelles et renvoie une liste de catégories qui s'appliquent au texte trouvé dans les données. Vertex AI propose des modèles de classification de texte à étiquette unique et multi-étiquettes.

  • Un modèle d'extraction d'entités inspecte les données textuelles pour y rechercher des entités connues référencées dans les données et attribue une étiquette à ces entités dans le texte.

  • Un modèle d'analyse des sentiments inspecte les données textuelles et identifie les opinions émotionnelles prédominantes qu'il contient, en particulier pour déterminer l'attitude positive, négative ou neutre d'un auteur.

Pour commencer à créer votre modèle de données textuelles en utilisant AutoML :

Statistiques relatives aux vidéos

AutoML utilise le machine learning pour analyser les données vidéo afin de classer des plans et des segments ou de détecter et suivre plusieurs objets dans vos données vidéo.

  • Un modèle de classification analyse vos données vidéo et renvoie une liste de séquences et de segments classés. Par exemple, vous pouvez entraîner un modèle qui analyse les données vidéo pour déterminer si la vidéo est un match de football, de base-ball, de basket-ball ou de football.

  • Un modèle de suivi des objets analyse vos données vidéo et renvoie une liste de plans et de segments dans lesquels ces objets ont été détectés. Par exemple, vous pouvez entraîner un modèle qui analyse les données vidéo des matchs de football pour identifier et suivre e ballon.

  • Un modèle de reconnaissance d'actions analyse vos données vidéo et renvoie une liste d'actions catégorisées avec les moments où elles se sont produites. Par exemple, vous pouvez entraîner un modèle qui analyse des données vidéo pour identifier les moments d'action impliquant un but au football, un swing au golf, un "touchdown" ou un "high five".

Pour commencer à créer votre modèle de données vidéos en utilisant AutoML :