Testen Sie Gemini 1.5-Modelle, unsere neuesten multimodalen Modelle in Vertex AI, und erfahren Sie, was Sie mit einem 1 Mio. Tokenkontextfenster erstellen können. Tesen Sie Gemini 1.5-Modelle, unsere neuesten multimodalen Modelle in Vertex AI, und erfahren Sie, was Sie mit einem 1 Mio. Tokenkontextfenster erstellen können.

Eigene Modelle trainieren und verwenden

Auf dieser Seite erhalten Sie einen Überblick über den Workflow zum Trainieren und Verwenden eigener Modelle in Vertex AI. Vertex AI bietet zwei Methoden für das Modelltraining:

AutoML Modelle mit minimalem technischem Wissen und Aufwand erstellen und trainieren. Weitere Informationen zu AutoML finden Sie unter Erste Schritte mit AutoML.
Benutzerdefiniertes Training: Mit jedem ML-Framework Modelle im großen Maßstab erstellen und trainieren. Weitere Informationen zum benutzerdefinierten Training in Vertex AI finden Sie in der Übersicht: benutzerdefiniertes Training.

Hilfe bei der Entscheidung, welche dieser Methoden verwendet werden sollte, finden Sie unter Trainingsmethode auswählen.

AutoML

ML-Modelle verwenden Trainingsdaten, um zu ermitteln, wie Ergebnisse für Daten abgeleitet werden, für die das Modell nicht trainiert wurde. Mit AutoML in Vertex AI können Sie ein codefreies Modell auf Basis der von Ihnen bereitgestellten Trainingsdaten erstellen.

Modelltypen, die Sie mit AutoML erstellen können

Welche Typen Sie erstellen können, hängt vom Typ der Daten ab. Vertex AI bietet AutoML-Lösungen für die folgenden Datentypen und Modellziele:

Datentyp	Unterstützte Ziele
Bilddaten	Klassifizierung, Objekterkennung.
Videodaten	Aktionserkennung, Klassifizierung, Objekt-Tracking
Textdaten	Klassifizierung, Entitätsextraktion, Sentimentanalyse.
Tabellarische Daten	Klassifizierung/Regression, Prognose.

Der Workflow zum Trainieren und Verwenden eines AutoML-Modells ist unabhängig vom Datentyp oder Ziel der gleiche:

Trainingsdaten vorbereiten
Erstellen Sie ein Dataset.
Modell trainieren.
Modell bewerten und iterieren
Vorhersagen mit Ihrem Modell abrufen
Vorhersageergebnisse interpretieren

Bilddaten

AutoML verwendet maschinelles Lernen, um den Inhalt von Bilddaten zu analysieren. Mit AutoML können Sie ein ML-Modell trainieren, um Bilddaten zu klassifizieren oder Objekte in Bilddaten zu finden.

Mit Vertex AI können Sie Online- und Batchvorhersagen aus Ihren bildbasierten Modellen abrufen. Onlinevorhersagen sind synchrone Anfragen an einen Modellendpunkt. Verwenden Sie Onlinevorhersagen, wenn Sie Anfragen als Reaktion auf Anwendungseingaben stellen oder wenn zeitnahe Inferenzen erforderlich sind. Batchvorhersagen sind asynchrone Anfragen. Sie können Batchvorhersagen direkt von der Modellressource anfordern, ohne das Modell auf einem Endpunkt bereitstellen zu müssen. Verwenden Sie für tabellarische Daten Batchvorhersagen, wenn Sie nicht sofort eine Antwort benötigen und akkumulierte Daten in einer einzigen Anfrage verarbeiten möchten.

Klassifizierung für Bilder

Ein Klassifizierungsmodell analysiert Bilddaten und gibt eine Liste der Inhaltskategorien zurück, die auf das Bild angewendet werden. Sie können beispielsweise ein Modell trainieren, das Bilder klassifiziert, die eine Katze oder keine Katze enthalten, oder ein Modell trainieren, um Bilder von Hunden nach Rasse zu klassifizieren.

Objekterkennung für Bilder

Ein Objekterkennungsmodell analysiert Ihre Bilddaten und gibt Anmerkungen für alle Objekte in einem Bild zurück, die aus einem Label und einem Begrenzungsrahmen für das jeweilige Objekt bestehen. Sie können beispielsweise ein Modell trainieren, um den Standort der Katzen in den Bilddaten zu ermitteln.

Tabellarische Daten

Vertex AI ermöglicht es Ihnen, maschinelles Lernen mit tabellarischen Daten über einfache Prozesse und Schnittstellen durchzuführen. Sie können die folgenden Modelltypen für Ihre tabellarischen Datenprobleme erstellen:

Binärklassifizierungsmodelle sagen ein binäres Ergebnis vorher (eine von zwei Klassen). Verwenden Sie diesen Modelltyp für Ja- oder Nein-Fragen. Beispiel: Sie können ein binäres Klassifizierungsmodell erstellen, um vorherzusagen, ob ein Kunde ein Abo erwerben würde. Im Allgemeinen erfordert ein binäres Klassifizierungsproblem weniger Daten als andere Modelltypen.
Klassifizierungsmodelle mit mehreren Klassen sagen eine Klasse aus drei oder mehr gesonderten Klassen vorher. Verwenden Sie diesen Modelltyp für die Kategorisierung. Beispiel: Als Einzelhändler möchten Sie ein Klassifizierungsmodell mit mehreren Klassen erstellen, um Kunden in verschiedene Personen zu unterteilen.
Regressionsmodelle sagen einen kontinuierlichen Wert voraus. Beispiel: Als Einzelhändler möchten Sie ein Regressionsmodell erstellen, um vorherzusagen, wie viel ein Kunde im nächsten Monat ausgeben wird.
Prognosemodelle sagen eine Folge von Werten vorher. Beispiel: Als Einzelhändler möchten Sie die tägliche Nachfrage Ihrer Produkte für die nächsten drei Monate prognostizieren, damit Sie Inventarbestände im Voraus rechtzeitig planen können.

Weitere Informationen finden Sie unter Übersicht über tabellarische Daten.

Wenn Ihre tabellarischen Daten in BigQuery ML gespeichert sind, können Sie ein tabellarisches AutoML-Modell direkt in BigQuery ML trainieren. Weitere Informationen finden Sie in der Referenzdokumentation für AutoML-Tabellen.

Textdaten

AutoML verwendet maschinelles Lernen, um die Struktur und Bedeutung von Textdaten zu analysieren. Sie können mit AutoML ein ML-Modell trainieren, um Textdaten zu klassifizieren, Informationen zu extrahieren oder die Stimmung von Autoren zu verstehen.

Mit Vertex AI können Sie Onlinevorhersagen und Batchvorhersagen aus Ihren textbasierten Modellen abrufen. Onlinevorhersagen sind synchrone Anfragen an einen Modellendpunkt. Verwenden Sie Onlinevorhersagen, wenn Sie Anfragen als Reaktion auf Anwendungseingaben stellen oder wenn zeitnahe Inferenzen erforderlich sind. Batchvorhersagen sind asynchrone Anfragen. Sie können Batchvorhersagen direkt von der Modellressource anfordern, ohne das Modell auf einem Endpunkt bereitstellen zu müssen. Verwenden Sie für Textdaten Batchvorhersagen, wenn Sie nicht sofort eine Antwort benötigen und akkumulierte Daten in einer einzigen Anfrage verarbeiten möchten.

Klassifizierung für Text

Ein Klassifizierungsmodell analysiert Textdaten und gibt eine Liste der Kategorien zurück, die für den in den Daten gefundenen Text gelten. Vertex AI bietet Textklassifizierungsmodelle mit einem oder mehreren Labels.

Entitätsextraktion für Text

Ein Modell zur Entitätsextraktion prüft Textdaten auf bekannte Entitäten, auf die in den Daten verwiesen wird, und markiert diese Entitäten im Text.

Sentimentanalyse für Text

Ein Modell zur Sentimentanalyse untersucht Textdaten und ermittelt den vorherrschenden Gesichtsausdruck darin, insbesondere um die Einstellung eines Autors als positiv, negativ oder neutral zu bestimmen.

Videodaten

AutoML verwendet maschinelles Lernen, um Videodaten zu analysieren, um Aufnahmen und Segmente zu klassifizieren oder mehrere Objekte in Ihren Videodaten zu erkennen und zu verfolgen.

Aktionserkennung für Videos

Ein Aktionserkennungsmodell analysiert Ihre Videodaten und gibt eine Liste kategorisierter Aktionen mit den Momenten zurück, in denen die Aktionen stattgefunden haben. Sie können beispielsweise ein Modell trainieren, das Videodaten analysiert, um die Momente im Zusammenhang mit einem Fußballtor, einem Golfabschlag, einem Touchdown oder einer High-five zu identifizieren.

Klassifizierung für Videos

Mit einem Klassifizierungsmodell werden Ihre Videodaten analysiert und eine Liste kategorisierter Aufnahmen und Segmente zurückgegeben. Beispielsweise können Sie ein Modell trainieren, das Videodaten analysiert, um zu ermitteln, ob das Video ein Fußball-, Baseball-, Basketball- oder American-Footballspiel ist.

Objekt-Tracking für Videos

Ein Objekt-Tracking-Modell analysiert Ihre Videodaten und gibt eine Liste von Aufnahmen und Segmenten zurück, in denen diese Objekte erkannt wurden. Beispielsweise können Sie ein Modell trainieren, das Videodaten aus Fußballspielen analysiert, um den Ball zu identifizieren und zu verfolgen.

Benutzerdefiniertes Training

Wenn keine der AutoML-Lösungen Ihren Anforderungen entspricht, können Sie auch eine eigene Trainingsanwendung erstellen und damit benutzerdefinierte Modelle in Vertex AI trainieren. Sie können ein beliebiges ML-Framework verwenden und die Rechenressourcen konfigurieren, die für das Training verwendet werden sollen. Dazu gehören:

Typ und Anzahl der VMs
Grafikprozessoren (GPUs)
Tensor Processing Units (TPUs)
Typ und Größe des Bootlaufwerks

Weitere Informationen zum benutzerdefinierten Training in Vertex AI finden Sie in der Übersicht: benutzerdefiniertes Training.