トレーニング方法を選択する

このトピックでは、AutoML とカスタムトレーニングの主な違いを説明するため、どちらが適しているかを見極めることが可能です。

AutoML を使用すると、最小限の技術的な作業でモデルを作成してトレーニングできます。カスタムトレーニングアプリケーションが持つ柔軟性を希望する場合でも、AutoML を使用すると、迅速にモデルを試作して新しいデータセットを調査した後、開発に注力できます。たとえば、特定のデータセットに最適な特徴を確認するために使用できます。

カスタムトレーニングを使用すると、ターゲットの結果に対して最適化されたトレーニングアプリケーションを作成できます。トレーニングアプリケーションの機能を完全に制御できます。つまり、設定する目標や使用するアルゴリズムに制限はなく、独自の損失関数や指標の作成など、さまざまなカスタマイズが可能です。

AutoML とカスタムトレーニングの機能および必要な専門知識を簡単に比較するには、次の表をご覧ください。

	AutoML	カスタムトレーニング
データサイエンスに関する専門知識	不要。	必要。トレーニングアプリケーションの開発に加え、特徴量エンジニアリングなどデータの準備も行います。
プログラミング能力	不要。AutoML は、プログラミングを必要としません。	必要。トレーニングアプリケーションを開発します。
モデルのトレーニングに要する時間	比較的短い。必要とされるデータの準備は比較的少なく、開発の必要はありません。	比較的長い。比較的多くのデータを準備する必要があり、トレーニングアプリケーションを開発する必要があります。
機械学習の目標に関する制限	ある。AutoML で定義済みの目標のいずれかをターゲットにする必要があります。	ない。
ハイパーパラメータ調整を使用してモデルのパフォーマンスを手動で最適化できる	できない。AutoML では、一部自動でハイパーパラメータ調整を行いますが、使用する値は変更できません。	できる。各トレーニングの実行時に、実験および比較目的でモデルを調整できます。
トレーニング環境をコントロールできる	制限あり。画像と表形式のデータセットに対しては、トレーニングするノード時間の数と、トレーニングの早期停止を許可するかどうかを指定できます。	できる。Compute Engine のマシンタイプ、ディスクサイズ、機械学習フレームワーク、ノード数など、環境の各要素を指定できます。
データサイズの制限	あり。AutoML ではマネージドデータセットを使用します。データサイズの制限は、データセットの種類によって異なります。詳細については、次のトピックのいずれかをご覧ください。画像トレーニングデータの準備表形式トレーニングデータの準備テキストトレーニングデータの準備動画トレーニングの準備	非マネージドデータセットの場合、制限はありません。マネージドデータセットには、AutoML モデルのトレーニングに使用される Vertex AI データセットと同じ制限があります。

次のステップ

入門チュートリアルを選択して、Vertex AI Training を使ってみる。
Google Cloud コンソールまたは Vertex AI API を使用して AutoML モデルをトレーニングする方法を確認する。
Python を使用したカスタムトレーニングジョブの作成について確認する。