AutoML Tables de bout en bout

AutoML Tables de bout en bout est une solution de classification et de régression qui vous permet de choisir les éléments à contrôler et les éléments à automatiser.

Par défaut, Vertex AI recherche l'ensemble optimal d'hyperparamètres d'entraînement. Ces hyperparamètres incluent le type de modèle et les paramètres du modèle. Il entraîne ensuite plusieurs modèles avec plusieurs ensembles d'hyperparamètres et crée un modèle final unique à partir d'un ensemble des modèles les plus performants.

Par défaut, Vertex AI adopte une approche conservatrice concernant le choix du matériel (idéal pour les ensembles de données plus petits).

Trois options s'offrent à vous pour personnaliser ce workflow :

  • Ignorer la recherche d'architecture
  • Forcer l'espace de recherche
  • Configurer le matériel

Lorsque cette option est activée, vous fournissez l'ensemble complet d'hyperparamètres (N ensembles d'hyperparamètres pour les N premiers modèles). En règle générale, ces hyperparamètres sont des artefacts d'une recherche d'architecture précédente.

Forcer l'espace de recherche

Lorsque cette option est activée, vous fournissez des valeurs fixes pour un sous-ensemble des hyperparamètres. Vertex AI recherche les valeurs optimales pour les hyperparamètres restants. Cette option est idéale si vous avez une préférence forte concernant le type de modèle. Ici, le type de modèle est soit des réseaux de neurones, soit des arbres de décision à boosting.

Configurer le matériel

Lorsque cette option est activée, vous pouvez configurer les types de machines et le nombre de machines pour l'entraînement. Cette option est idéale si vous disposez d'un ensemble de données volumineux et que vous souhaitez optimiser le matériel de la machine en conséquence.