Vertex AI untuk pengguna AutoML

Halaman ini memberikan perbandingan antara produk AutoML lama dan AutoML di Vertex AI untuk membantu pengguna AutoML lama memahami cara menggunakan Vertex AI.

Periksa tabel yang berlaku untuk kasus penggunaan Anda, lalu tinjau perubahan yang mungkin memengaruhi alur kerja Anda.

Penggunaan umum

Perbedaan berikut berlaku untuk semua pengguna Vertex AI.

Operasi	AutoML lama	Vertex AI
Deployment model	Anda men-deploy model secara langsung agar tersedia untuk prediksi online.	Anda membuat objek Endpoint, yang menyediakan resource untuk menampilkan prediksi online. Kemudian, deploy model ke endpoint. Untuk meminta prediksi, panggil metode predict().
Menggunakan nomor project atau ID project	Beberapa bagian dari dokumentasi AutoML menampilkan contoh yang menggunakan project-number dan bagian lainnya menampilkan contoh yang menggunakan project-id.	project-number dan project-id dapat digunakan di Vertex AI.

Pengguna AutoML Natural Language

AutoML Natural Language menggunakan jenis data teks di Vertex AI.

Operasi	AutoML Natural Language	Vertex AI
Format data pelatihan	Anda dapat menggunakan file CSV untuk menyertakan cuplikan teks inline atau untuk mereferensikan dokumen. Untuk ekstraksi entity, Anda dapat menggunakan file CSV atau JSON Lines untuk mereferensikan dokumen (tidak ada dukungan teks in-line).	Anda dapat menggunakan file CSV atau JSON Lines, kecuali untuk ekstraksi entity teks, untuk menyertakan cuplikan teks inline atau untuk mereferensikan dokumen yang berjenis TXT. Ekstraksi entitas hanya mendukung file JSON Lines.
Impor set data	Anda menentukan cara membagi data untuk penggunaan ML (untuk PELATIHAN, PENGUJIAN, dan VALIDASI) dengan menggunakan file CSV.	Anda menentukan nilai penggunaan ML di kolom opsional untuk CSV, di baris yang sama dengan data; atau sebagai tag di JSON Lines pada objek JSON yang sama dengan data. Jika Anda tidak menentukan nilai penggunaan ML, data Anda akan otomatis dibagi untuk pelatihan, pengujian, dan validasi. Untuk analisis sentimen, file CSV harus menyertakan nilai maksimum sentimen di kolom terakhir setiap baris.
Anotasi set data	Anotasi ditambahkan ke set data pada waktu impor, atau dengan menggunakan konsol Google Cloud. Jika Anda ingin menggunakan data tersebut untuk set data lain dengan tujuan yang berbeda, Anda harus membuat set data baru dengan anotasi yang berbeda.	Anotasi dikelompokkan bersama sebagai objek AnnotationSet. Anda dapat menggunakan kumpulan anotasi yang berbeda dengan set data yang sama.
Biaya penyimpanan	Anda tidak dikenakan biaya untuk set data yang dimuat ke dalam penyimpanan internal.	Saat membuat set data, data Anda akan dimuat ke Cloud Storage di project Anda. Anda akan dikenakan biaya untuk penyimpanan ini. Pelajari lebih lanjut.
Pelabelan data	Anda memuat petunjuk pelabelan ke dalam penyimpanan internal dan menyertakannya dalam permintaan pembuatan tugas. Anotasi adalah objek yang mandiri.	Anda memberikan petunjuk pelabelan dengan menggunakan URL. Anotasi adalah bagian dari objek Dataset dan tidak dapat dimanipulasi menggunakan API.

Pengguna AutoML Vision dan AutoML Video Intelligence

Di Vertex AI, AutoML Vision dan AutoML Video menggunakan jenis data gambar dan video secara berurutan.

Operasi	AutoML Vision dan AutoML Video	Vertex AI
Format masukan data	Format JSON Lines tidak didukung.	Format JSON Lines didukung untuk sumber data Anda.
Impor data (Video saja)	Anda menentukan penggunaan ML (PELATIHAN, PENGUJIAN) untuk video menggunakan file CSV dua tingkat.	Anda menentukan nilai penggunaan ML di kolom opsional untuk CSV, di baris yang sama dengan data; atau sebagai tag di JSON Lines pada objek JSON yang sama dengan data. Jika Anda tidak menentukan nilai penggunaan ML, data Anda akan otomatis dibagi untuk pelatihan, pengujian, dan validasi.
Anotasi set data	Anotasi ditambahkan ke set data pada waktu impor, atau dengan menggunakan konsol Google Cloud. Jika Anda ingin menggunakan data tersebut untuk set data lain dengan tujuan yang berbeda, Anda harus membuat set data baru dengan anotasi yang berbeda.	Anotasi dikelompokkan bersama sebagai objek AnnotationSet. Anda dapat menggunakan kumpulan anotasi yang berbeda dengan set data yang sama.
Biaya penyimpanan	Anda tidak dikenakan biaya untuk set data yang dimuat ke dalam penyimpanan internal.	Saat membuat set data, data Anda akan dimuat ke Cloud Storage di project Anda. Anda akan dikenakan biaya untuk penyimpanan ini. Pelajari lebih lanjut.
Pelabelan data	Anda memuat petunjuk pelabelan ke dalam penyimpanan internal dan menyertakannya dalam permintaan pembuatan tugas. Anotasi adalah objek yang mandiri.	Anda memberikan petunjuk pelabelan dengan menggunakan URL. Anotasi adalah bagian dari objek Dataset dan tidak dapat dimanipulasi menggunakan API.

Pengguna AutoML Tables

AutoML Tables menggunakan jenis data tabulasi di Vertex AI.

Operasi	AutoML Tables	Vertex AI
Pembuatan set data	Data diimpor ke penyimpanan internal; update berikutnya pada sumber data tidak memengaruhi set data AutoML.	Sumber data dirujuk, bukan diimpor; update berikutnya pada sumber data akan ditampilkan jika model yang dilatih dari sumber data tersebut dilatih ulang.
Ulasan skema	Saat Anda mengimpor data ke set data, statistik tentang data Anda akan dibuat secara otomatis.	Anda harus memulai pembuatan statistik untuk set data Anda secara manual.
Ulasan skema	Saat membuat set data, Anda meninjau skemanya dan memastikan setiap fitur ditetapkan dengan benar. Model mendatang yang dilatih dari set data tersebut akan menggunakan desain skema ini, kecuali jika Anda mengubahnya secara eksplisit.	Saat melatih model dari set data, Vertex AI akan membuat transformasi default untuk setiap fitur, yang dapat Anda ganti jika transformasi tersebut tidak tepat untuk data dan tujuan Anda. Transformasi. ke stempel waktu dan jenis data numerik dapat gagal karena data tidak valid; Anda dapat menentukan apakah seluruh baris akan dibatalkan validasinya atau hanya kolom tersebut.
Menyajikan prediksi dari model yang diekspor	Prediksi dari model regresi yang diekspor tidak menampilkan interval prediksi.	Interval prediksi ditampilkan untuk prediksi dari model regresi yang diekspor.
Nilai penting fitur	Vertex Explainable AI menyediakan fungsi yang mirip dengan AI Explanations untuk AutoML Tables. Anda dapat menggunakan nilai penting fitur global untuk model Anda, atau nilai penting fitur (atribusi fitur) untuk prediksi model Anda.

Pengguna API

Untuk mengetahui informasi selengkapnya tentang API, lihat dokumentasi referensi Vertex AI API.

Operasi atau entity	AutoML lama	Vertex AI
Pembuatan Model	Untuk membuat model, Anda menggunakan metode model.create(), yang menampilkan operasi yang berjalan lama.	Anda membuat objek TrainingPipeline, yang menampilkan tugas pelatihan.
Menggunakan library klien	Terdapat satu klien API untuk API.	Terdapat klien API yang berbeda untuk setiap resource API.
Meminta prediksi	Anda meminta prediksi dengan memanggil metode predict() pada model.	Anda meminta prediksi dengan memanggil metode predict() pada resource Endpoint.
Endpoint prediksi online	automl.googleapis.com dan beberapa produk juga mendukung eu-automl.googleapis.com	Di bawah ini, ganti REGION dengan region tempat model prediksi Anda berada. REGION-aiplatform.googleapis.com. Contoh: us-central1-aiplatform.googleapis.com
File skema dan definisi	Semua input ke permintaan dan respons ditentukan oleh layanan API. Format data sudah ditentukan.	Beberapa kolom permintaan dan respons ditentukan dalam file skema dan definisi. Format data ditentukan menggunakan file skema yang sudah ditentukan. Hal ini memungkinkan fleksibilitas untuk API dan format data.
Nama host	automl.googleapis.com	aiplatform.googleapis.com
Nama host regional	Hanya diperlukan untuk produk tertentu. Contoh: eu-automl.googleapis.com	Wajib. Contoh: us-central1-aiplatform.googleapis.com

Langkah selanjutnya

• Jenis model AutoML.