- AutoML: crea e addestra modelli con il minimo sforzo e conoscenze tecniche minime. 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 Panoramica dell'addestramento personalizzato.
Per decidere quale di questi metodi utilizzare, consulta Scegliere un metodo di addestramento.
AutoML
I modelli di machine learning (ML) utilizzano i dati di addestramento per imparare a dedurre i risultati dai dati su cui il modello non è stato addestrato. AutoML su Vertex AI ti 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 a tua disposizione. Vertex AI offre soluzioni AutoML per i seguenti tipi di dati e obiettivi dei modelli:
| Tipo di dati | Obiettivi supportati |
|---|---|
| Dati immagine | Classificazione, rilevamento di oggetti. |
| Dati video | Riconoscimento delle azioni, classificazione, monitoraggio degli oggetti. |
| Dati di testo | Classificazione, estrazione di 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:
- Prepara i dati di addestramento.
- Crea un set di dati.
- Addestra un modello.
- Valuta e ripeti il modello.
- Ottieni previsioni dal tuo modello.
- Interpreta i risultati della previsione.
Dati immagine
AutoML utilizza il 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 effettuate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono denunce 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 delle immagini, utilizza le previsioni batch quando non hai bisogno di una risposta immediata e vuoi elaborare i dati accumulati attraverso un'unica richiesta.
Classificazione delle immagini
Un modello di classificazione analizza i dati delle immagini e restituisce un elenco di categorie di contenuti applicabili 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 dei cani per razza.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il 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 annotazioni per tutti gli oggetti trovati in un'immagine, costituiti da un'etichetta e una posizione del riquadro di delimitazione per ciascun oggetto. Ad esempio, puoi addestrare un modello per trovare la posizione dei gatti nei dati di immagini.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il modello | Ottieni previsioni | Interpreta i risultati
Dati tabulari
Vertex AI consente di eseguire il machine learning con dati tabulari, usando processi e interfacce semplici. Puoi creare i seguenti tipi di modello per i 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 sì o no. Ad esempio, potresti voler creare un modello di classificazione binario per prevedere se un cliente acquisterebbe un abbonamento. Generalmente, un problema di classificazione binario 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 retailer, potresti voler creare un modello di classificazione multiclasse per segmentare i clienti in base a 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, come rivenditore, potresti voler prevedere la domanda giornaliera dei tuoi prodotti per i prossimi tre mesi in modo da poter archiviare in modo appropriato gli inventari dei prodotti in anticipo.
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 saperne 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 di testo. Puoi usare AutoML per addestrare un modello ML per classificare dati di testo, estrarre informazioni o comprendere
Vertex AI consente di ottenere previsioni online e batch dai tuoi modelli basati su testo. Le previsioni online sono richieste sincrone effettuate a un endpoint del modello. Utilizza le previsioni online quando effettui richieste in risposta all'input dell'applicazione o in situazioni che richiedono denunce 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 attraverso 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 una o più etichette
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il modello | Ottieni previsioni | Interpreta i risultati
Estrazione delle entità per il testo
Un modello di estrazione delle entità controlla 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 il modello | Ottieni previsioni | Interpreta i risultati
Analisi del sentiment per il testo
Un modello di analisi del sentiment esamina i dati del testo e identifica lo stato emotivo prevalente al suo interno, in particolare per stabilire l'atteggiamento di uno scrittore come positivo, negativo o neutro.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il modello | Ottieni previsioni | Interpreta i risultati
Dati video
AutoML usa il machine learning per analizzare i dati dei video al fine di classificare inquadratura e segmenti o per rilevare e monitorare più oggetti nei dati video.
Riconoscimento delle azioni per i video
Un modello di riconoscimento delle azioni analizza i dati relativi ai video e restituisce un elenco di azioni classificate 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 riguardano un obiettivo di calcio, uno swing da golf, un touchdown o un batti cinque.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il modello | Ottieni previsioni | Interpreta i risultati
Classificazione dei video
Un modello di classificazione analizza i dati del tuo video e restituisce un elenco di scatti e segmenti categorizzati. Ad esempio, puoi 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 il modello | Ottieni previsioni | Interpreta i risultati
Monitoraggio degli oggetti per i video
Un modello di monitoraggio degli oggetti analizza i dati del tuo video e restituisce un elenco di scatti e segmenti in cui sono stati rilevati questi oggetti. Ad esempio, potresti addestrare un modello che analizzi i dati dei video delle partite di calcio per identificare e seguire la palla.
Documentazione: Preparazione dei dati | Crea set di dati | Addestra modello | Valuta il 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 usare qualsiasi framework ML tu voglia e configurare le risorse di calcolo da utilizzare per l'addestramento, inclusi i seguenti:
- Tipo e numero di VM.
- GPU (Graphics Processing Unit).
- TPU (Tensor Processing Unit).
- Tipo e dimensioni del disco di avvio.
Per scoprire di più sull'addestramento personalizzato su Vertex AI, consulta Panoramica dell'addestramento personalizzato.