Eigene Modelle trainieren und verwenden

Diese Seite bietet eine Übersicht über den Workflow zum Trainieren und Verwenden Ihrer eigenen 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 in der Einführung in AutoML.
• Benutzerdefiniertes Training: Erstellen und trainieren Sie Modelle in großem Umfang mit einem beliebigen ML-Framework. Weitere Informationen zum benutzerdefinierten Training in Vertex AI finden Sie in der Übersicht über das benutzerdefinierte Training.

Hier erfahren Sie, wie Sie die zu verwendende Methode 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.

Hinweis: Wenn Sie bei Ihrem ML-Problem Unterstützung von einem Google Data Scientist brauchen, wenden Sie sich an Ihren Google Account Manager.

Der Workflow für das Training und die Verwendung eines AutoML-Modells ist unabhängig vom Datentyp oder Ziel identisch:

1. Trainingsdaten vorbereiten
2. Erstellen Sie ein Dataset.
3. Modell trainieren.
4. Modell auswerten und iterieren
5. Vorhersagen mit Ihrem Modell abrufen
6. 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 Onlinevorhersagen 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.

Dokumentation: Daten vorbereiten | Dataset erstellen | Modell trainieren | Modell bewerten | Vorhersagen abrufen | Ergebnisse interpretieren

Wenn Sie ein Beispiel für das Trainieren eines Bildklassifizierungsmodells und das Abrufen von Batchvorhersagen als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebookmodell „AutoML-Trainingsbildklassifizierung für Batchvorhersagen“ in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

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.

Dokumentation: Daten vorbereiten | Dataset erstellen | Modell trainieren | Modell bewerten | Vorhersagen abrufen | Ergebnisse interpretieren

Wenn Sie ein Beispiel für das Trainieren eines Objekterkennungsmodells und das Abrufen von Onlinevorhersagen als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebookmodell zur AutoML-Bilderkennung für Onlinevorhersagen in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

Wenn Sie ein Beispiel für das Trainieren eines Objekterkennungsmodells und das Abrufen von Batchvorhersagen als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebookmodell „AutoML-Trainingsobjektobjekterkennung für Batchvorhersagen“ in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

Tabellarische Daten

Vertex AI ermöglicht es Ihnen, maschinelles Lernen mit Tabellendaten mithilfe einfacher 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 AutoML-Tabellenmodell 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.

Dokumentation: Daten vorbereiten | Dataset erstellen | Modell trainieren | Modell bewerten | Vorhersagen abrufen | Ergebnisse interpretieren

Wenn Sie ein Beispiel für das Erstellen, Trainieren und Bereitstellen eines Textklassifizierungsmodells als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebook „AutoML-Textklassifizierungsmodell erstellen, trainieren und bereitstellen“ in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

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.

Dokumentation: Daten vorbereiten | Dataset erstellen | Modell trainieren | Modell bewerten | Vorhersagen abrufen | Ergebnisse interpretieren

Wenn Sie ein Beispiel für das Trainieren eines Modells zur Entitätsextraktion und das Abrufen von Onlinevorhersagen als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebookmodell „AutoML-Trainingstextentitätsmodell für Onlinevorhersagen“ in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

Wenn Sie ein Beispiel für das Trainieren eines Modells zur Entitätsextraktion und das Abrufen von Batchvorhersagen als Teil eines umfassenderen Workflows sehen möchten, führen Sie das Jupyter-Notebookmodell „AutoML-Trainingstextentitätsmodell für Batchvorhersagen" in einer der folgenden Umgebungen aus:

In Colab ausführen |In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen |Auf GitHub ansehen

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.

Dokumentation: Daten vorbereiten | Dataset erstellen |