- AutoML: crea e addestra modelli con il minimo sforzo delle conoscenze tecniche. Per saperne di più su AutoML, consulta la Guida per nuovi utenti di AutoML.
- Addestramento personalizzato: crea e addestra modelli su larga scala utilizzando qualsiasi framework ML. Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica sull'addestramento personalizzato.
Per informazioni su come decidere quale di questi metodi utilizzare, vedi Scegliere un metodo di addestramento.
AutoML
I modelli di machine learning (ML) utilizzano i dati di addestramento per imparare a dedurre i risultati per i dati su cui il modello non è stato addestrato. AutoML su Vertex AI consente di creare un modello senza codice basato sui dati di addestramento che fornisci.
Tipi di modelli che puoi creare utilizzando AutoML
I tipi di modelli che puoi creare dipendono dal tipo di dati di cui disponi. Vertex AI offre soluzioni AutoML per i seguenti tipi di dati e obiettivi dei modelli:
| Tipo di dati | Obiettivi supportati |
|---|---|
| Dati dell'immagine | Classificazione, rilevamento di oggetti. |
| Dati relativi ai video | Riconoscimento delle azioni, classificazione, monitoraggio degli oggetti. |
| Dati di testo | Classificazione, estrazione delle entità, analisi del sentiment. |
| Dati tabulari | Classificazione/regressione, previsione. |
Il flusso di lavoro per l'addestramento e l'utilizzo di un modello AutoML è lo stesso, indipendentemente dal tipo di dati o dall'obiettivo:
- Preparare i dati di addestramento.
- Crea un set di dati.
- Addestra un modello.
- Valuta e ottimizza il tuo modello.
- Ottieni previsioni dal tuo modello.
- Interpreta i risultati della previsione.
Dati dell'immagine
AutoML si avvale del machine learning per analizzare i contenuti dei dati delle immagini. Puoi utilizzare AutoML per addestrare un modello ML per classificare i dati delle immagini o trovare oggetti nei dati delle immagini.
Vertex AI consente di ottenere previsioni online e batch dai tuoi modelli basati su immagini. Le previsioni online sono richieste sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono deduzioni tempestive. Le previsioni batch sono richieste asincrone. Puoi richiedere previsioni batch direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Per i dati immagine, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati utilizzando un'unica richiesta.
Classificazione per le immagini
Un modello di classificazione analizza i dati delle immagini e restituisce un elenco di categorie di contenuti che si applicano all'immagine. Ad esempio, puoi addestrare un modello che classifica le immagini come contenenti un gatto o meno oppure puoi addestrare un modello per classificare le immagini di cani per razza.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Rilevamento di oggetti per le immagini
Un modello di rilevamento degli oggetti analizza i dati dell'immagine e restituisce le annotazioni per tutti gli oggetti trovati in un'immagine, costituiti da un'etichetta e dalla posizione del riquadro di delimitazione per ciascun oggetto. Ad esempio, puoi addestrare un modello per trovare la posizione dei gatti nei dati delle immagini.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Dati tabulari
Vertex AI consente di eseguire il machine learning con dati tabelle usando processi e interfacce semplici. Puoi creare i seguenti tipi di modelli per i tuoi problemi relativi ai dati tabulari:
- I modelli di classificazione binaria prevedono un risultato binario (una di due classi). Utilizza questo tipo di modello per le domande con sì o no. Ad esempio, potresti voler creare un modello di classificazione binario per prevedere se un cliente acquisterà un abbonamento. Generalmente, un problema di classificazione binaria richiede meno dati rispetto ad altri tipi di modelli.
- I modelli di classificazione multi-classe prevedono una classe da tre o più classi discrete. Utilizza questo tipo di modello per la classificazione. Ad esempio, in qualità di rivenditore potresti voler creare un modello di classificazione multiclasse per segmentare i clienti in utenti tipo diversi.
- I modelli di regressione prevedono un valore continuo. Ad esempio, in qualità di rivenditore potresti voler creare un modello di regressione per prevedere quanto spenderà un cliente il mese prossimo.
- I modelli di previsione prevedono una sequenza di valori. Ad esempio, in qualità di rivenditore potresti voler prevedere la domanda giornaliera relativa ai tuoi prodotti per i prossimi tre mesi, in modo da poter prevedere in anticipo e in modo appropriato le novità dei prodotti.
Per scoprire di più, consulta Panoramica dei dati tabulari.
Se i dati tabulari sono archiviati in BigQuery ML, puoi addestrare un modello tabulare AutoML direttamente in BigQuery ML. Per scoprire di più, consulta la documentazione di riferimento tabulare AutoML.
Dati di testo
AutoML usa il machine learning per analizzare la struttura e il significato dei dati testuali. Puoi usare AutoML per addestrare un modello ML per classificare dati testuali, estrarre informazioni o comprendere il sentiment degli autori.
Vertex AI consente di ottenere previsioni online e batch dai tuoi modelli basati su testo. Le previsioni online sono richieste sincrone inviate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono deduzioni tempestive. Le previsioni batch sono richieste asincrone. Puoi richiedere previsioni batch direttamente dalla risorsa del modello senza dover eseguire il deployment del modello su un endpoint. Per i dati di testo, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati utilizzando un'unica richiesta.
Classificazione per il testo
Un modello di classificazione analizza i dati di testo e restituisce un elenco di categorie che si applicano al testo trovato nei dati. Vertex AI offre modelli di classificazione del testo con etichetta singola e multi-etichetta.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Estrazione di entità per il testo
Un modello di estrazione delle entità ispeziona i dati di testo per individuare le entità note a cui si fa riferimento nei dati ed etichetta queste entità nel testo.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Analisi del sentiment per il testo
Un modello di analisi del sentiment esamina i dati di testo e identifica lo stato emotivo prevalente al suo interno, soprattutto per determinare l'atteggiamento di uno scrittore come positivo, negativo o neutro.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Dati relativi ai video
AutoML usa il machine learning per analizzare i dati video al fine di classificare scatti e segmenti o per rilevare e tracciare più oggetti nei dati video.
Riconoscimento delle azioni per i video
Un modello di riconoscimento delle azioni analizza i dati dei video e restituisce un elenco di azioni categorizzate con i momenti in cui si sono verificate. Ad esempio, puoi addestrare un modello che analizza i dati dei video per identificare i momenti di azione che coinvolgono un gol di calcio, uno swing da golf, un touchdown o un batti un cinque.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Classificazione dei video
Un modello di classificazione analizza i tuoi dati video e restituisce un elenco di scatti e segmenti categorizzati. Ad esempio, potresti addestrare un modello che analizza i dati video per identificare se il video riguarda una partita di baseball, calcio, basket o football.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Rilevamento di oggetti per i video
Un modello di monitoraggio degli oggetti analizza i dati video e restituisce un elenco di scatti e segmenti in cui sono stati rilevati gli oggetti. Ad esempio, potresti addestrare un modello che analizzi i dati dei video delle partite di calcio per identificare e seguire il pallone.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta modello | Ottieni previsioni | Interpreta i risultati
Addestramento personalizzato
Se nessuna delle soluzioni AutoML soddisfa le tue esigenze, puoi anche creare la tua applicazione di addestramento e utilizzarla per addestrare modelli personalizzati su Vertex AI. Puoi utilizzare qualsiasi framework ML e configurare le risorse di calcolo da utilizzare per l'addestramento, tra cui:
- Tipo e numero di VM.
- GPU (Graphics Processing Unit).
- Tensor Processing Unit (TPU).
- Tipo e dimensioni del disco di avvio.
Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta la panoramica sull'addestramento personalizzato.