Questa pagina fornisce confronti tra i prodotti AutoML legacy e AutoML su Vertex AI per aiutare gli utenti della versione precedente di AutoML 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 sono applicabili a tutti gli utenti di Vertex AI.
Operazione | AutoML legacy | Vertex AI |
---|---|---|
Deployment dei modelli | Esegui il deployment di un modello direttamente per renderlo disponibile per le previsioni online. |
Puoi creare un oggetto Endpoint, che fornisce risorse per fornire previsioni online. Poi esegui il deployment del modello nell'endpoint.
Per richiedere previsioni, chiama il metodo
predict() .
|
Utilizzo del numero di progetto o dell'ID progetto |
Alcune parti della documentazione AutoML precedente 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 legacy di AutoML Natural Language
La versione legacy di AutoML Natural Language utilizza il tipo di dati testo in Vertex AI.
Operazione | AutoML Natural Language legacy | Vertex AI |
---|---|---|
Formati dei dati di addestramento | Puoi utilizzare i file CSV per includere snippet di testo incorporati o per fare riferimento a documenti. Per l'estrazione delle entità, puoi utilizzare un file CSV o JSON Lines per fare riferimento ai documenti (non supporta il testo in linea). | Puoi utilizzare 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'uso con il machine learning (per TRAIN, TEST e VALIDATION) tramite un file CSV. | Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per i file CSV, nella stessa riga dei dati oppure come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i dati vengono suddivisi automaticamente per l'addestramento, il 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 vengono raggruppate come un oggetto AnnotationSet .
Puoi usare set di annotazioni diversi con lo stesso set di dati.
|
Costi di archiviazione | Non sono previsti costi per i set di dati caricati nella memoria interna. | 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. Ulteriori informazioni |
Etichettatura dati | Puoi caricare le istruzioni per l'etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. |
Le istruzioni per l'etichettatura vengono fornite utilizzando un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere modificate utilizzando l'API.
|
Utenti legacy di AutoML Vision e AutoML Video Intelligence
In Vertex AI, le versioni legacy di AutoML Vision e AutoML Video utilizzano rispettivamente i tipi di dati immagine e video.
Operazione | AutoML Vision e AutoML Video legacy | Vertex AI |
---|---|---|
Formato di input dei dati | Il formato Righe JSON non è supportato. | Il formato Linee JSON è supportato per l'origine dati. |
Importazione dati (solo video) | Per specificare l'utilizzo del machine learning (TRAINING, TEST) per i video, devi utilizzare un file CSV a due livelli. | Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per i file CSV, nella stessa riga dei dati oppure come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i 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 vengono raggruppate come un oggetto AnnotationSet .
Puoi usare set di annotazioni diversi con lo stesso set di dati.
|
Costi di archiviazione | Non sono previsti costi per i set di dati caricati nella memoria interna. | 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. Ulteriori informazioni |
Etichettatura dati | Puoi caricare le istruzioni per l'etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. |
Le istruzioni per l'etichettatura vengono fornite utilizzando un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere modificate utilizzando l'API.
|
Utenti legacy di AutoML Tables
Le tabelle AutoML legacy utilizzano il tipo di dati tabulare in Vertex AI.
Operazione | Tabelle AutoML legacy | Vertex AI |
---|---|---|
Creazione del set di dati | I dati vengono importati nella memoria interna. I successivi aggiornamenti all'origine dati non influiscono sul set di dati AutoML. | Viene fatto riferimento all'origine dati anziché importata; gli aggiornamenti successivi all'origine dati si riflettono se un modello addestrato da quell'origine dati viene riaddestrato. |
Revisione dello schema | Quando importi dati in un set di dati, le statistiche sui dati vengono generate automaticamente. | Devi avviare manualmente la generazione delle statistiche per il set di dati. |
Revisione dello schema | Quando crei un set di dati, ne esamini lo schema e assicurati che ogni funzionalità sia impostata correttamente. I modelli futuri addestrati da quel set di dati utilizzano questa progettazione dello schema, a meno che non la modifichi esplicitamente. | Quando addestri 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 timestamp e del tipo di dati numerico possono non riuscire a causa di dati non validi; puoi specificare se vuoi invalidare 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 provenienti da modelli di regressione esportati. |
Importanza delle caratteristiche | Vertex Explainable AI fornisce funzionalità simili a AI Explanations per AutoML Tables. Puoi utilizzare l'importanza globale delle caratteristiche per il modello o l'importanza delle caratteristiche (attribuzioni delle caratteristiche) per le previsioni del modello. |
Utenti API
Per informazioni dettagliate sull'API, consulta la documentazione di riferimento dell'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.
|
Crei un oggetto TrainingPipeline , che restituisce un job di addestramento.
|
Utilizzo della libreria client | Esiste un solo client API per l'API. | Esistono client API diversi per ogni risorsa API. |
Richiesta di previsioni |
Puoi richiedere le 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 sono supportati
eu-automl.googleapis.com |
Di seguito, 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 definizione | Tutti gli input alle richieste e alle 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 garantisce flessibilità per l'API e i formati dei dati. |
Nome host | automl.googleapis.com |
aiplatform.googleapis.com |
Nome host regionale | Non obbligatorio per tutti i prodotti. Ad esempio:eu-automl.googleapis.com |
Obbligatorio. Ad esempio:us-central1-aiplatform.googleapis.com |