Elige un método de entrenamiento

Usa este tema para comprender las diferencias clave entre AutoML y el entrenamiento personalizado, de modo que puedas decidir cuál es la más adecuada para ti.

AutoML te permite crear y entrenar un modelo con un esfuerzo técnico mínimo. Incluso si deseas la flexibilidad de una aplicación de entrenamiento personalizado, puedes usar AutoML para prototipar modelos con rapidez y explorar nuevos conjuntos de datos antes de invertir en el desarrollo. Por ejemplo, puedes usarlo para saber cuáles son las buenas características de un conjunto de datos.

El entrenamiento personalizado te permite crear una aplicación de entrenamiento optimizada para tu resultado orientado. Tienes control total sobre la funcionalidad de la aplicación de entrenamiento. Puedes orientar cualquier objetivo, usar cualquier algoritmo, desarrollar tus propias funciones o métricas de pérdida o hacer cualquier otra personalización.

Usa la siguiente tabla para comparar rápidamente AutoML y la funcionalidad de entrenamiento personalizado.

AutoML Entrenamiento personalizado
Experiencia necesaria en ciencia de datos No Sí, para desarrollar la aplicación de entrenamiento y también algo de la preparación de datos, como la ingeniería de atributos.
Habilidad de programación necesaria No, AutoML no tiene código. Sí, para desarrollar la aplicación de entrenamiento
Tiempo para el modelo entrenado Inferior. Se requiere menos preparación de datos y no se necesita desarrollo. Superior. Se requiere más preparación de datos y entrenamiento de desarrollo de aplicaciones.
Límites de los objetivos de aprendizaje automático Sí, debes orientar uno de los objetivos predefinidos de AutoML. No
Puede optimizar el rendimiento del modelo de forma manual con el ajuste de hiperparámetros No. AutoML realiza un ajuste automatizado de hiperparámetros, pero no puedes modificar los valores que se usan. Sí. Puedes ajustar el modelo durante cada ejecución de entrenamiento para la experimentación y la comparación.
Puede controlar aspectos del entorno de entrenamiento Limitado. Para los conjuntos de datos tabulares y de imágenes, puedes especificar la cantidad de horas de procesamiento de nodo que se entrenarán y si permitirás la detención anticipada del entrenamiento. Sí. Puedes especificar aspectos del entorno, como el tipo de máquina de Compute Engine, el tamaño del disco, el framework de aprendizaje automático y la cantidad de nodos.
Límites en el tamaño de los datos

Sí. AutoML usa conjuntos de datos administrados. Las limitaciones de tamaño de los datos varían según el tipo de conjunto de datos. Consulta uno de los siguientes temas para obtener información específica:

En el caso de los conjuntos de datos no administrados, no. Los conjuntos de datos administrados tienen los mismos límites que los conjuntos de datos de Vertex AI que se usan para entrenar modelos de AutoML.

¿Qué sigue?