Questo documento spiega le principali differenze tra l'addestramento di un modello in Vertex AI mediante AutoML o l'addestramento personalizzato e l'addestramento di un modello utilizzando BigQuery ML.
Con AutoML, crei e addestri un modello con il minimo sforzo tecnico. Puoi utilizzare AutoML per prototipare rapidamente modelli ed esplorare nuovi set di dati prima di investire nello sviluppo. Ad esempio, puoi usarlo per scoprire quali caratteristiche sono le migliori per un determinato set di dati.
Con l'addestramento personalizzato puoi creare un'applicazione di addestramento ottimizzata per i risultati mirati. Hai il controllo completo sulle funzionalità dell'applicazione di addestramento. In particolare, puoi scegliere come target qualsiasi obiettivo, utilizzare qualsiasi algoritmo, sviluppare le tue funzioni di perdita o metriche oppure eseguire altre personalizzazioni.
Con BigQuery ML puoi addestrare i modelli utilizzando i tuoi dati BigQuery direttamente in BigQuery. Con i comandi SQL, puoi creare rapidamente un modello e utilizzarlo per ottenere previsioni batch.
Per confrontare le diverse funzionalità e competenze richieste per ogni servizio, esamina la seguente tabella.
AutoML | Addestramento personalizzato | BigQuery ML | |
---|---|---|---|
Sono necessarie competenze di data science | No | Sì, per sviluppare l'applicazione di addestramento nonché per eseguire parte della preparazione dei dati come il feature engineering. | No. |
Sono necessarie competenze di programmazione | No, AutoML è senza codice. | Sì, per sviluppare l'applicazione di addestramento. | È necessaria la capacità di programmazione SQL per creare, valutare e utilizzare il modello in BigQuery ML. |
Tempo necessario per addestrare il modello | Minore. È necessaria una minore preparazione dei dati e non è necessario alcuno sviluppo. | Maggiore. È necessaria una maggiore preparazione dei dati ed è richiesto lo sviluppo di applicazioni di addestramento. | Minore. La velocità di sviluppo del modello aumenta poiché non è necessario creare l'infrastruttura necessaria per le previsioni batch o l'addestramento dei modelli, poiché BigQuery ML sfrutta il motore di calcolo BigQuery. Ciò aumenta la velocità di addestramento, valutazione e previsione. |
Limiti degli obiettivi di machine learning | Sì, devi scegliere come target uno degli obiettivi predefiniti di AutoML. | No | Sì. |
Puoi ottimizzare manualmente le prestazioni del modello con l'ottimizzazione degli iperparametri | No. AutoML esegue alcune ottimizzazioni automatiche degli iperparametri, ma non puoi modificare i valori utilizzati. | Sì. Puoi ottimizzare il modello durante l'esecuzione di ogni addestramento per la sperimentazione e il confronto. | Sì. BigQuery ML supporta l'ottimizzazione degli iperparametri durante l'addestramento dei modelli ML utilizzando le istruzioni "CREATE MODEL". |
Consente di controllare gli aspetti dell'ambiente di addestramento | Limitato. Per i set di dati di immagini e tabelle, è possibile specificare il numero di ore nodo da usare per l'addestramento e se consentirne l'interruzione anticipata. | Sì. Puoi specificare aspetti dell'ambiente come il tipo di macchina Compute Engine, la dimensione del disco, il framework di machine learning e il numero di nodi. | No. |
Limiti delle dimensioni dei dati |
Sì. AutoML utilizza set di dati gestiti. I limiti delle dimensioni variano a seconda del tipo di set di dati. Per informazioni specifiche, consulta uno degli argomenti seguenti: |
No, nel caso di set di dati non gestiti. Questi hanno gli stessi limiti degli oggetti dei set di dati gestiti creati e ospitati da Vertex AI e vengono utilizzati per addestrare i modelli AutoML. | Sì. BigQuery ML applica le quote appropriate in base al singolo progetto. Per saperne di più, consulta Quote e limiti. |
Passaggi successivi
- Scegli un tutorial introduttivo per iniziare a utilizzare Vertex AI Training.
- Scopri di più sull'addestramento di un modello AutoML.
- Scopri di più sulla creazione di un job di addestramento personalizzato mediante Python.