Vertex AI per utenti AutoML legacy

Questa pagina fornisce confronti tra AutoML legacy e AutoML su Vertex AI per supportare la versione precedente gli utenti capiscono come usare Vertex AI.

Controlla le tabelle applicabili al tuo caso d'uso e per rivedere 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 del modello	Esegui il deployment di un modello direttamente per renderlo disponibile per le previsioni online.	Puoi creare un oggetto Endpoint, che fornisce risorse per 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 di AutoML legacy mostrano esempi di utilizzo project-number e altri 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 documenti. Per l'estrazione delle entità, puoi utilizzare un file CSV o JSON Lines per documenti di riferimento (nessun supporto testuale 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 a documenti di riferimento 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 ML (per TRAIN, TEST, e VALIDATION) utilizzando un file CSV.	Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per il formato CSV, nella stessa riga come dati; oppure come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del ML, i dati vengono suddivisi automaticamente addestramento, test e convalida. Per l'analisi del sentiment, i file CSV devono includere il valore massimo del sentiment in nell'ultima colonna di ogni riga.
Annotazione del set di dati	Le annotazioni vengono aggiunte al set di dati al momento dell'importazione oppure utilizzando nella 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.	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. Scopri di più.
Etichettatura dati	Carichi le istruzioni per l'etichettatura nella memoria interna e includi 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 l'oggetto Dataset e non può essere manipolato con l'API.

Utenti legacy di AutoML Vision e AutoML Video Intelligence

In Vertex AI, la versione legacy di AutoML Vision AutoML Video utilizza i tipi di dati image e video, rispettivamente.

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)	Devi specificare l'utilizzo del ML (TRAINING, TEST) per i video che utilizzano un file CSV a due livelli.	Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per il formato CSV, nella stessa riga come 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 addestramento, test e convalida.
Annotazione del set di dati	Le annotazioni vengono aggiunte al set di dati al momento dell'importazione oppure utilizzando nella 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.	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. Scopri di più.
Etichettatura dati	Carichi le istruzioni per l'etichettatura nella memoria interna e includi 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 l'oggetto Dataset e non può essere manipolato con 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 dati vengono aggiornati in seguito non influiscono sul set di dati AutoML.	Viene fatto riferimento all'origine dati anziché importata. in seguito un'origine dati si riflette 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 generati 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 ti assicuri che ogni set di dati insieme di funzionalità. I modelli futuri addestrati da quel set di dati utilizzano questo la progettazione dello schema se non la modifichi esplicitamente.	Quando addestri un modello da un set di dati, Vertex AI crea trasformazioni predefinite per ciascuna caratteristica. Puoi eseguire l'override non sono corrette per i tuoi dati e il tuo obiettivo. Trasformazioni al timestamp e al tipo di dati numerici possono non riuscire a causa di dati non validi; tu 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 una previsione intervallo di tempo.	Gli intervalli di previsione vengono restituiti per le previsioni di regressione lineare e.
Importanza delle caratteristiche	Vertex Explainable AI offre funzionalità simili AI Explanations per AutoML Tables. Puoi usare l'importanza globale delle caratteristiche per il modello o l'importanza delle caratteristiche (attribuzioni delle caratteristiche) per il tuo le previsioni del modello.

Utenti API

Per informazioni dettagliate sull'API, consulta Documentazione di riferimento dell'API Vertex AI.

Operazione o entità	AutoML legacy	Vertex AI
Creazione del modello	Per creare un modello, utilizzi il metodo model.create(), che restituisce un'operazione a lunga esecuzione.	Crei un oggetto TrainingPipeline, che restituisce un un lavoro di addestramento lungo.
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 previsioni chiamando il metodo predict() del modello.	Puoi richiedere previsioni chiamando il metodo predict() sulla risorsa Endpoint.
Endpoint di previsione online	Sono supportati anche automl.googleapis.com e alcuni prodotti eu-automl.googleapis.com	Di seguito, sostituisci REGION con la regione del 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 nello schema e nella definizione . I formati dei dati vengono definiti utilizzando file di schema predefiniti. Questo consente la 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

Passaggi successivi

• Tipi di modelli AutoML.