학습 방법 선택

이 주제에서는 AutoML을 사용한 Vertex AI의 모델 학습 또는 BigQuery ML을 사용한 모델 학습의 주요 차이점을 설명합니다.

AutoML을 사용하면 최소한의 기술적 노력으로 모델을 만들고 학습시킬 수 있습니다. 개발에 투자하기에 앞서 AutoML을 사용하여 빠르게 모델의 프로토타입을 제작하고 새로운 데이터 세트를 살펴볼 수 있습니다. 예를 들어 이를 사용해서 특정 데이터 세트에 가장 적합한 기능을 확인할 수 있습니다.

커스텀 학습을 사용하면 목표한 결과에 최적화된 학습 애플리케이션을 만들 수 있습니다. 애플리케이션 기능 학습을 완벽하게 제어할 수 있습니다. 즉, 목표를 지정하거나, 알고리즘을 사용하거나, 자체 손실 함수 또는 측정항목을 개발하거나, 기타 맞춤설정을 수행할 수 있습니다.

BigQuery ML을 사용하면 BigQuery에서 직접 BigQuery 데이터를 사용하여 모델을 학습시킬 수 있습니다. SQL 명령어를 사용하면 모델을 빠르게 만들어 일괄 예측을 수행할 수 있습니다.

각 서비스에 필요한 다양한 기능과 전문성을 비교하려면 다음 표를 검토하세요.

AutoML 커스텀 학습 BigQuery ML
필요한 데이터 과학 전문 지식 아니요 예. 학습 애플리케이션을 개발하고 특성 추출과 같은 일부 데이터 준비 작업을 수행합니다. 아니요.
프로그래밍 능력 필요 아니요. AutoML에서는 코딩이 필요하지 않습니다. 예. 학습 애플리케이션을 개발하는 데 필요합니다. BigQuery ML에서 모델을 빌드, 평가, 사용하는 데 필요한 SQL 프로그래밍 기능입니다.
학습 모델 소요 시간 짧음. 필요한 데이터 준비가 적고 개발이 필요하지 않습니다. 김. 필요한 데이터 준비가 많고 학습 애플리케이션 개발도 필요합니다. 상대적으로 적게 걸림. BigQuery ML은 BigQuery 연산 엔진을 활용하기에 일괄 예측 또는 모델 학습에 필요한 인프라를 빌드할 필요가 없으므로 모델 개발 속도가 빨라집니다. 따라서 학습, 평가, 예측 속도가 빨라집니다.
머신러닝 목표 한도 있음. AutoML의 사전 정의된 목표 중 하나를 목표로 삼아야 합니다. 아니요 예.
초매개변수 조정으로 모델 성능을 수동으로 최적화할 수 있습니다. 아니요. AutoML은 일부 자동화된 초매개변수 조정을 수행하지만 사용되는 값을 수정할 수는 없습니다. 예. 각 학습 실행 중에 실험 및 비교를 위해 모델을 조정할 수 있습니다. 예. BigQuery ML은 `CREATE MODEL` 문을 사용하여 ML 모델을 학습시킬 때 초매개변수를 지원합니다.
학습 환경의 측면을 제어할 수 있습니다. 제한됨. 이미지 및 테이블 형식 데이터 세트의 경우 학습시킬 노드 시간 및 학습 조기 중단 허용 여부를 지정할 수 있습니다. 예. Compute Engine 머신 유형, 디스크 크기, 머신러닝 프레임워크, 노드 수와 같은 환경의 측면을 지정할 수 있습니다. 아니요.
데이터 크기 제한

예. AutoML은 관리형 데이터 세트를 사용합니다. 데이터 크기 제한은 데이터 세트 유형에 따라 다릅니다. 구체적인 내용은 다음 주제 중 하나를 참조하세요.

관리되지 않는 데이터 세트의 경우에는 아니요. 관리형 데이터 세트에는 Vertex AI에서 생성되고 호스팅되는 관리형 데이터 세트 객체와 동일한 한도가 있으며 AutoML 모델을 학습시키는 데 사용됩니다. 예. BigQuery ML에서는 프로젝트 단위로 적절한 할당량을 적용합니다. 자세한 내용은 할당량 및 한도를 참조하세요.

다음 단계