Vertex AI per gli utenti di AutoML

Questa pagina fornisce confronti tra i prodotti legacy AutoML e AutoML su Vertex AI per aiutare gli utenti AutoML legacy a capire come utilizzare Vertex AI.

Controlla le tabelle applicabili al tuo caso d'uso ed esamina le modifiche che potrebbero influire sul flusso di lavoro.

Uso generale

Queste differenze si applicano a tutti gli utenti di Vertex AI.

Operazione AutoML legacy Vertex AI
Deployment dei modelli Esegui direttamente il deployment di un modello per renderlo disponibile per le previsioni online. Creerai un oggetto Endpoint, che fornisce risorse per fornire previsioni online. Quindi, esegui il deployment del modello sull'endpoint. Per richiedere previsioni, chiama il metodo predict().
Utilizzare il numero di progetto o l'ID progetto Alcune parti della documentazione di AutoML mostrano esempi che utilizzano project-number e altre mostrano esempi che utilizzano project-id. Sia project-number che project-id funzionano in Vertex AI.

Utenti di AutoML Natural Language

AutoML Natural Language utilizza il tipo di dati testo in Vertex AI.

Operazione AutoML Natural Language Vertex AI
Formati dei dati di addestramento Puoi utilizzare i file CSV per includere snippet di testo incorporati o per fare riferimento ai documenti. Per l'estrazione delle entità, puoi utilizzare un file CSV o Righe JSON per fare riferimento ai documenti (non sono supportati testi in linea). Puoi utilizzare i file CSV o JSON Lines, ad eccezione dell'estrazione delle entità di testo, per includere snippet di testo in linea o per fare riferimento a documenti di tipo TXT. L'estrazione delle entità supporta solo i file JSON Lines.
Importazione del set di dati Puoi specificare come suddividere i dati per l'utilizzo del machine learning (per TRAIN, TEST e VALIDATION) utilizzando un file CSV. Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per il file CSV, nella stessa riga dei dati o come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i tuoi dati vengono suddivisi automaticamente per l'addestramento, i test e la convalida.
Per l'analisi del sentiment, i file CSV devono includere il valore massimo del sentiment nell'ultima colonna di ogni riga.
Annotazione del set di dati Le annotazioni vengono aggiunte al set di dati al momento dell'importazione o utilizzando la console Google Cloud. Se vuoi utilizzare i tuoi dati per un altro set di dati con un obiettivo diverso, devi creare un nuovo set di dati con annotazioni diverse. Le annotazioni sono raggruppate come oggetti AnnotationSet. Puoi utilizzare set di annotazioni diversi con lo stesso set di dati.
Costi di archiviazione Non sono previsti costi per i set di dati caricati nello spazio di archiviazione interno. Quando crei un set di dati, i dati vengono caricati in Cloud Storage nel progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più.
Etichettatura dati Puoi caricare le istruzioni di etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti indipendenti. Tu fornisci le istruzioni per l'etichettatura utilizzando un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere manipolate utilizzando l'API.

Utenti di AutoML Vision e AutoML Video Intelligence

In Vertex AI, AutoML Vision e AutoML Video utilizzano rispettivamente i tipi di dati immagine e video.

Operazione AutoML Vision e AutoML Video Vertex AI
Formato di input dei dati Il formato JSON Lines non è supportato. Il formato JSON Lines è supportato per la tua origine dati.
Importazione dati (solo video) Puoi specificare l'utilizzo del machine learning (FORMAZIONE, TEST) per i video utilizzando un file CSV a due livelli. Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per il file CSV, nella stessa riga dei dati o come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i tuoi dati vengono suddivisi automaticamente per l'addestramento, il test e la convalida.
Annotazione del set di dati Le annotazioni vengono aggiunte al set di dati al momento dell'importazione o utilizzando la console Google Cloud. Se vuoi utilizzare i tuoi dati per un altro set di dati con un obiettivo diverso, devi creare un nuovo set di dati con annotazioni diverse. Le annotazioni sono raggruppate come oggetti AnnotationSet. Puoi utilizzare set di annotazioni diversi con lo stesso set di dati.
Costi di archiviazione Non sono previsti costi per i set di dati caricati nello spazio di archiviazione interno. Quando crei un set di dati, i dati vengono caricati in Cloud Storage nel progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più.
Etichettatura dati Puoi caricare le istruzioni di etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti indipendenti. Tu fornisci le istruzioni per l'etichettatura utilizzando un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere manipolate utilizzando l'API.

Utenti di AutoML Tables

AutoML Tables utilizza il tipo di dati tabulare in Vertex AI.

Operazione AutoML Tables Vertex AI
Creazione del set di dati I dati vengono importati nello spazio di archiviazione interno; gli aggiornamenti successivi all'origine dati non influiscono sul set di dati AutoML. Si fa riferimento all'origine dati anziché essere importata; gli aggiornamenti successivi all'origine dati vengono applicati se un modello addestrato da quell'origine dati viene riaddestrato.
Revisione schema Quando importi i dati in un set di dati, le relative statistiche vengono generate automaticamente. Devi avviare manualmente la generazione delle statistiche per il tuo set di dati.
Revisione schema Quando crei un set di dati, ne esamini lo schema e ti assicuri che ogni insieme di funzionalità sia corretto. I modelli futuri addestrati da quel set di dati utilizzano questa progettazione dello schema, a meno che tu non la modifichi esplicitamente. Quando addestra un modello da un set di dati, Vertex AI crea trasformazioni predefinite per ogni caratteristica, che puoi sostituire se non sono corrette per i tuoi dati e il tuo obiettivo. Le trasformazioni del tipo di dati numerici e di timestamp possono avere esito negativo a causa di dati non validi; puoi specificare se vuoi che venga invalidata l'intera riga o solo quella colonna.
Pubblicazione di previsioni da un modello esportato Le previsioni da un modello di regressione esportato non restituiscono un intervallo di previsione. Gli intervalli di previsione vengono restituiti per le previsioni dai modelli di regressione esportati.
importanza delle caratteristiche Vertex Explainable AI fornisce funzionalità simili ad AI Explanations per AutoML Tables. Puoi utilizzare l'importanza delle caratteristiche globale per il tuo modello oppure l'importanza delle caratteristiche (attribuzioni delle caratteristiche) per le previsioni del modello.

Utenti API

Per informazioni dettagliate sull'API, consulta la documentazione di riferimento per l'API Vertex AI.

Operazione o entità AutoML legacy Vertex AI
Creazione del modello Per creare un modello, utilizza il metodo model.create(), che restituisce un'operazione a lunga esecuzione. Puoi creare un oggetto TrainingPipeline, che restituisce un job di addestramento.
Utilizzo della libreria client Esiste un solo client API per l'API. Esistono diversi client API per ciascuna risorsa API.
Richiesta di previsioni Puoi richiedere previsioni chiamando il metodo predict() sul modello. Puoi richiedere previsioni chiamando il metodo predict() sulla risorsa Endpoint.
Endpoint di previsione online Anche automl.googleapis.com e alcuni prodotti hanno supportato eu-automl.googleapis.com Nel campo seguente, sostituisci REGION con la regione in cui si trova il modello di previsione.
REGION-aiplatform.googleapis.com Ad esempio:
us-central1-aiplatform.googleapis.com
File di schema e di definizione Tutti gli input per le richieste e le risposte sono definiti dal servizio API. I formati dei dati sono predefiniti. Alcuni campi di richiesta e risposta sono definiti nei file di schema e di definizione. I formati dei dati vengono definiti utilizzando file di schema predefiniti. Ciò consente flessibilità per l'API e i formati dei dati.
Nome host automl.googleapis.com aiplatform.googleapis.com
Nome host a livello di regione Non obbligatorio per tutti i prodotti. Ad esempio:
eu-automl.googleapis.com		 Obbligatorio. Ad esempio:
us-central1-aiplatform.googleapis.com

Passaggi successivi