Questa pagina fornisce confronti tra i prodotti AutoML legacy e AutoML su Vertex AI per aiutare gli utenti di AutoML legacy a capire come utilizzare Vertex AI.
Controlla le tabelle che si applicano al tuo caso d'uso e esamina le modifiche che potrebbero influire sul tuo flusso di lavoro.
Uso generale
Queste differenze sono applicabili a tutti gli utenti di Vertex AI.
| Operazione | AutoML precedente | Vertex AI |
|---|---|---|
| Deployment del modello | Esegui il deployment di un modello direttamente per renderlo disponibile per le previsioni online. |
Crea un oggetto Endpoint, che fornisce risorse per la pubblicazione di previsioni online. Poi esegui il deployment del modello nell'endpoint.
Per richiedere le previsioni, chiama il metodo
predict().
|
| Utilizzo del numero o dell'ID progetto |
Alcune parti della documentazione precedente di AutoML mostrano esempi che utilizzano
project-number, mentre altre mostrano esempi che utilizzano
project-id.
|
Sia project-number sia
project-id funzionano in Vertex AI.
|
Utenti precedenti di AutoML Natural Language
La versione precedente di AutoML Natural Language utilizza il tipo di dati di testo in Vertex AI.
| Operazione | AutoML Natural Language precedente | Vertex AI |
|---|---|---|
| Formati dei dati di addestramento | Puoi utilizzare i file CSV per includere snippet di testo in linea o fare riferimento ai documenti. Per l'estrazione delle entità, puoi utilizzare un file CSV o JSON Lines per fare riferimento ai documenti (nessun supporto del testo in linea). | Puoi utilizzare file CSV o JSON Lines, ad eccezione dell'estrazione di entità di testo, per includere snippet di testo in linea o fare riferimento a documenti di tipo TXT. L'estrazione delle entità supporta solo i file JSON Lines. |
| Importazione set di dati | Specifica come suddividere i dati per l'utilizzo dell'apprendimento automatico (per TRAIN, TEST e VALIDATION) utilizzando un file CSV. | Specifica i valori di utilizzo dell'IA in una colonna facoltativa per i file CSV, nella stessa riga
dei dati oppure come tag in JSON Lines nello stesso oggetto JSON dei dati. Se
non specifichi i valori di utilizzo dell'AI, 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 sono raggruppate in un oggetto 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 nella memoria interna. | Quando crei un set di dati, i 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 nello spazio di archiviazione interno e le includi nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. |
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 precedenti di AutoML Vision e AutoML Video Intelligence
In Vertex AI, AutoML Vision e AutoML Video legacy utilizzano rispettivamente i tipi di dati immagine e video.
| Operazione | AutoML Vision e AutoML Video precedenti | Vertex AI |
|---|---|---|
| Formato di input dei dati | Il formato JSON Lines non è supportato. | Il formato JSON Lines è supportato per l'origine dati. |
| Importazione dati (solo video) | Specifica l'utilizzo dell'IA (TRAINING, TEST) per i video utilizzando un file CSV a due livelli. | Specifica i valori di utilizzo dell'IA in una colonna facoltativa per i file CSV, nella stessa riga dei dati oppure come tag in JSON Lines nello stesso oggetto JSON dei dati. Se non specifichi i valori di utilizzo dell'IA, i dati vengono suddivisi automaticamente per addestramento, test e 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 in un oggetto 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 nella memoria interna. | Quando crei un set di dati, i 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 nello spazio di archiviazione interno e le includi nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. |
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 legacy
Le tabelle AutoML legacy utilizzano il tipo di dati tabulare in Vertex AI.
| Operazione | AutoML Tables precedente | Vertex AI |
|---|---|---|
| Creazione del set di dati | I dati vengono importati nello spazio di archiviazione interno. Gli aggiornamenti successivi dell'origine dati non influiscono sul set di dati AutoML. | Viene fatto riferimento all'origine dati anziché importarla; gli aggiornamenti successivi all'origine dati vengono applicati se un modello addestrato da quell'origine dati viene addestrato di nuovo. |
| Revisione dello schema | Quando importi i dati in un set di dati, vengono generate automaticamente le statistiche relative ai dati. | 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 funzionalità sia impostata correttamente. I modelli futuri addestrati da questo set di dati utilizzeranno questo design dello schema, a meno che non lo modifichi esplicitamente. | Quando addestri un modello da un set di dati, Vertex AI crea trasformazioni predefinite per ogni funzionalità, che puoi ignorare se non sono corrette per i tuoi dati e il tuo obiettivo. Le trasformazioni al timestamp e al tipo di dati numerico possono non riuscire a causa di dati non validi. Puoi specificare se vuoi che l'intera riga sia non valida o solo quella colonna. |
| Pubblicazione di previsioni da un modello esportato | Le previsioni di un modello di regressione esportato non restituiscono un intervallo di previsione. | Gli intervalli di previsione vengono restituiti per le previsioni dei modelli di regressione esportati. |
| Importanza delle caratteristiche | Vertex Explainable AI offre funzionalità simili a quelle di AI Explanations per AutoML Tables. Puoi utilizzare l'importanza delle caratteristiche a livello globale per il tuo modello o l'importanza delle caratteristiche (attribuzione delle caratteristiche) per le previsioni del tuo modello. | |
Utenti dell'API
Per informazioni dettagliate sull'API, consulta la documentazione di riferimento dell'API Vertex AI.
| Operazione o entità | AutoML precedente | Vertex AI |
|---|---|---|
| Creazione del modello |
Per creare un modello, utilizza il metodo model.create(), che
restituisce unoperazione a lunga esecuzione.
|
Creando un oggetto TrainingPipeline, viene restituito 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 |
Richiedi le previsioni chiamando il metodo predict() sul modello.
|
Puoi richiedere le previsioni chiamando il metodo
predict()
nella risorsa Endpoint.
|
| Endpoint di previsione online | automl.googleapis.com e alcuni prodotti supportati anche
eu-automl.googleapis.com |
Di seguito, sostituisci REGION con la regione in cui si trova il tuo modello di previsione.REGION-aiplatform.googleapis.com.
Ad esempio:us-central1-aiplatform.googleapis.com |
| File di schema e 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 definizione. I formati dei dati vengono definiti utilizzando file di schema predefiniti. Ciò consente una maggiore 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 |