Nesta página, mostramos comparações entre os produtos do AutoML legado e o AutoML na Vertex AI para ajudar os usuários do AutoML legado a entender como usar a Vertex AI.
Verifique as tabelas que se aplicam ao seu caso de uso e analise as alterações que podem afetar seu fluxo de trabalho.
Uso geral
Essas diferenças são aplicáveis a todos os usuários da Vertex AI.
Operação | AutoML legado | Vertex AI |
---|---|---|
Implantação do modelo | Você implanta um modelo diretamente para disponibilizá-lo para predições on-line. |
Você cria um objeto Endpoint com recursos para exibir predições on-line. Em seguida, implante o modelo no endpoint.
Para solicitar previsões, chame o método predict() .
|
Como usar o número ou o ID do projeto |
Algumas partes da documentação do AutoML mostram exemplos usando project-number e outras, usando project-id .
|
Tanto project-number quanto
project-id funcionam na Vertex AI.
|
Usuários da AutoML Natural Language
A AutoML Natural Language usa o tipo de dados text na Vertex AI.
Operação | AutoML Natural Language | Vertex AI |
---|---|---|
Formatos de dados de treinamento | É possível usar arquivos CSV para incluir snippets de texto inline ou para referenciar documentos. Para a extração de entidade, use um arquivo CSV ou JSON Lines para fazer referência a documentos (não compatível com texto in-line). | É possível usar arquivos CSV ou linhas JSON, exceto a extração de entidade de texto, para incluir snippets de texto in-line ou para referenciar documentos do tipo TXT . A extração de entidade é compatível apenas com arquivos JSON Lines. |
Importação de conjunto de dados | Você especifica como dividir os dados para uso do ML (para TRAIN, TEST e VALIDATION) usando um arquivo CSV. | Especifique os valores de uso de ML em uma coluna opcional para CSV, na mesma linha
dos dados; ou como uma tag em linhas JSON no mesmo objeto JSON que os dados. Se você não especificar valores de uso de ML, os dados serão divididos automaticamente para treinamento, teste e validação. Para análise de sentimento, os arquivos CSV precisam incluir o valor máximo de sentimento na última coluna de cada linha. |
Anotação de conjunto de dados | As anotações são adicionadas ao conjunto de dados no momento da importação ou usando o console do Google Cloud. Se você quiser usar seus dados para outro conjunto de dados com um objetivo diferente, crie um novo conjunto de dados com anotações diferentes. |
As anotações são agrupadas como um objeto AnnotationSet .
É possível usar diferentes conjuntos de anotações com o mesmo conjunto de dados.
|
Custos de armazenamento | Não há custos para conjuntos de dados carregados no armazenamento interno. | Quando você cria um conjunto de dados, os dados são carregados no Cloud Storage no projeto. Esse armazenamento será cobrado. Saiba mais. |
Rotulagem de dados | Carregue as instruções de rotulagem no armazenamento interno e inclua-as na solicitação de criação de tarefa. As anotações são objetos autônomos. |
Você fornece instruções de rotulagem usando um URL. As anotações fazem parte do objeto Dataset e não podem ser manipuladas por meio do uso da API.
|
Usuários da AutoML Vision e da AutoML Video Intelligence
Na Vertex AI, o AutoML Vision e o AutoML Video usam os tipos de dados de imagem e vídeo, respectivamente.
Operação | AutoML Vision e AutoML Video | Vertex AI |
---|---|---|
Formato de entrada de dados | O formato JSON Lines não é compatível. | O formato JSON Lines é compatível com sua fonte de dados. |
Importação de dados (somente vídeo) | Você especifica o uso do ML (TRAINING, TEST) para vídeos usando um arquivo CSV de dois níveis. | Especifique os valores de uso de ML em uma coluna opcional para CSV, na mesma linha dos dados; ou como uma tag em linhas JSON no mesmo objeto JSON que os dados. Se você não especificar valores de uso de ML, os dados serão divididos automaticamente para treinamento, teste e validação. |
Anotação de conjunto de dados | As anotações são adicionadas ao conjunto de dados no momento da importação ou usando o console do Google Cloud. Se você quiser usar seus dados para outro conjunto de dados com um objetivo diferente, crie um novo conjunto de dados com anotações diferentes. |
As anotações são agrupadas como um objeto AnnotationSet .
É possível usar diferentes conjuntos de anotações com o mesmo conjunto de dados.
|
Custos de armazenamento | Não há custos para conjuntos de dados carregados no armazenamento interno. | Quando você cria um conjunto de dados, os dados são carregados no Cloud Storage no projeto. Esse armazenamento será cobrado. Saiba mais. |
Rotulagem de dados | Carregue as instruções de rotulagem no armazenamento interno e inclua-as na solicitação de criação de tarefa. As anotações são objetos autônomos. |
Você fornece instruções de rotulagem usando um URL. As anotações fazem parte do objeto Dataset e não podem ser manipuladas por meio do uso da API.
|
Usuários da AutoML Tables
O AutoML Tables usa o tipo de dados tabular na Vertex AI.
Operação | AutoML Tables | Vertex AI |
---|---|---|
Criação do conjunto de dados | Os dados são importados para o armazenamento interno. As atualizações posteriores à fonte de dados não afetam o conjunto de dados do AutoML. | A fonte de dados é referenciada em vez de importada. Atualizações posteriores à fonte de dados serão refletidas se um modelo treinado a partir dela for treinado novamente. |
Revisão do esquema | Quando você importa dados para um conjunto de dados, as estatísticas sobre eles são geradas automaticamente. | É necessário iniciar manualmente a geração de estatísticas do conjunto de dados. |
Revisão do esquema | Ao criar um conjunto de dados, revise o esquema e verifique se cada recurso está configurado corretamente. Os modelos futuros treinados a partir desse conjunto de dados usarão esse projeto de esquema, a menos que você o altere explicitamente. | Quando você treina um modelo com base em um conjunto de dados, a Vertex AI cria transformações padrão para cada atributo, que podem ser modificadas se não estiverem corretas para os dados e objetivos. As transformações no carimbo de data/hora e no tipo de dados numéricos podem falhar devido a dados inválidos. É possível especificar se você quer que a linha inteira seja invalidada ou apenas essa coluna. |
Como exibir previsões de um modelo exportado | As previsões de um modelo de regressão exportado não retornam um intervalo de previsão. | Os intervalos de previsão são retornados para predições de modelos de regressão exportados. |
Importância do recurso | O Vertex Explainable AI fornece uma funcionalidade semelhante à AI Explanations para AutoML Tables. É possível usar a importância global do recurso no modelo ou a importância do recurso (atribuições do recurso) para fazer previsões. |
Usuários da API
Para informações detalhadas sobre a API, consulte a documentação de referência da API Vertex AI.
Operação ou entidade | AutoML legado | Vertex AI |
---|---|---|
Criação de modelos |
Para criar um modelo, use o método model.create() , que retorna uma operação de longa duração.
|
Você cria um objeto TrainingPipeline , que retorna um job de treinamento.
|
Usar a biblioteca de cliente | Há um cliente de API para a API. | Há clientes de API diferentes para cada recurso de API. |
Como solicitar previsões |
Para solicitar previsões, chame o método predict() no modelo.
|
Para solicitar previsões, chame o método
predict()
no recurso de Endpoint.
|
Endpoint de previsão on-line | automl.googleapis.com e alguns produtos também são compatíveis
eu-automl.googleapis.com |
A seguir, substitua REGION pela região em que seu modelo de previsão está.REGION-aiplatform.googleapis.com .
Por exemplo:us-central1-aiplatform.googleapis.com |
Arquivos de esquema e definição | Todas as entradas para as solicitações e respostas são definidas pelo serviço da API. Os formatos de dados são predefinidos. | Alguns campos de solicitação e resposta são definidos nos arquivos de esquema e definição. Os formatos de dados são definidos usando arquivos de esquema predefinidos. Isso proporciona flexibilidade para a API e os formatos de dados. |
Nome do host | automl.googleapis.com |
aiplatform.googleapis.com |
Nome do host regional | Não é obrigatório para todos os produtos. Por exemplo:eu-automl.googleapis.com |
Obrigatório. Por exemplo:us-central1-aiplatform.googleapis.com |