Choisir une méthode d'entraînement

Utilisez cette rubrique pour comprendre les principales différences entre l'entraînement AutoML et l'entraînement personnalisé afin de déterminer celui qui vous convient le mieux.

Avec AutoML, vous pouvez créer et entraîner un modèle avec un minimum d'efforts techniques. Même si vous souhaitez avoir la flexibilité d'une application d'entraînement personnalisé, vous pouvez utiliser AutoML pour créer rapidement des prototypes de modèles et explorer de nouveaux ensembles de données avant d'investir dans le développement. Vous pouvez par exemple l'utiliser pour identifier les caractéristiques correctes d'un ensemble de données.

L'entraînement personnalisé vous permet de créer une application d'entraînement optimisée pour le résultat cible. Vous avez un contrôle total sur la fonctionnalité de l'application d'entraînement : vous pouvez cibler n'importe quel objectif, utiliser n'importe quel algorithme, développer vos propres fonctions ou métriques de perte et effectuer n'importe quelle autre personnalisation.

Utilisez le tableau suivant pour comparer rapidement AutoML et la fonctionnalité d'entraînement personnalisé.

AutoML Entraînement personnalisé
Connaissance de la science des données requise Non Oui, pour développer l'application d'entraînement et effectuer la préparation des données, par exemple avec une extraction de caractéristiques.
Capacité de programmation nécessaire Non, AutoML n'a pas de code. Oui, pour développer l'application d'entraînement.
Temps nécessaire pour l'entraînement Inférieur. La préparation des données est réduite, et aucun développement n'est nécessaire. Élevé. Nécessite davantage de préparation des données en plus du développement de l'application d'entraînement.
Limites sur les objectifs de machine learning Oui, vous devez cibler l'un des objectifs prédéfinis d'AutoML. Non
Optimiser manuellement les performances du modèle avec les réglages d'hyperparamètres Non. AutoML effectue certains réglages automatiques des hyperparamètres mais vous ne pouvez pas modifier les valeurs utilisées. Oui. Vous pouvez ajuster le modèle lors de chaque entraînement pour expérimenter et comparer.
Contrôler les aspects de l'environnement d'entraînement Limité. Pour les ensembles de données d'images et de données tabulaires, vous pouvez spécifier le nombre d'heures de nœud pour l'entraînement et si vous souhaitez autoriser l'arrêt prématuré de l'entraînement. Oui. Vous pouvez spécifier certains aspects de l'environnement, tels que le type de machine, la taille du disque, le framework de machine learning et le nombre de nœuds.
Limites de taille des données

Oui. AutoML utilise des ensembles de données gérés. Les limitations de taille varient en fonction du type de l'ensemble de données. Reportez-vous à l'une des rubriques suivantes pour plus de détails :

Pour les ensembles de données non gérés, non. Les ensembles de données gérés présentent les mêmes limites que les ensembles de données Vertex AI utilisés pour entraîner les modèles AutoML.

Étape suivante