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 |