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理解して、最適な方法を見極めます。

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、これを利用してデータセットの好ましい特徴を知ることができます。

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。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 トレーニングが備える機能の簡単な比較を、次の表に示します。

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。

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