Vertex AI para usuários legados do AutoML

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 do AutoML Natural Language legado

A AutoML Natural Language usa o tipo de dados text na Vertex AI.

Operação	AutoML Natural Language legado	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 AutoML Video Intelligence legado

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 legados	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 do AutoML Tables legado

O AutoML Tables usa o tipo de dados tabular na Vertex AI.

Operação	AutoML Tables legado	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

A seguir

• Tipos de modelo do AutoML.