Vista geral da preparação do AutoML

A AutoML (aprendizagem automática automatizada) no Vertex AI oferece uma forma de preparar modelos de aprendizagem automática de alta qualidade com o mínimo de esforço e competências em aprendizagem automática. Esta página oferece uma vista geral do fluxo de trabalho para preparar e usar os seus próprios modelos no Vertex AI.

Tipos de modelos que pode criar com o AutoML

Os tipos de modelos que pode criar dependem do tipo de dados que tem. A Vertex AI oferece soluções AutoML para os seguintes tipos de dados e objetivos do modelo:

Tipo de dados Objetivos suportados
Dados da imagem Classificação, deteção de objetos.
Dados tabulares Classificação/regressão, previsão.

O fluxo de trabalho para preparar e usar um modelo do AutoML é o mesmo, independentemente do tipo de dados ou do objetivo:

  1. Prepare os dados de preparação.
  2. Crie um conjunto de dados.
  3. Prepare um modelo.
  4. Avalie e itere o seu modelo.
  5. Obtenha inferências do seu modelo.
  6. Interprete os resultados da inferência.

Dados da imagem

O AutoML usa a aprendizagem automática para analisar o conteúdo dos dados de imagens. Pode usar o AutoML para preparar um modelo de ML para classificar dados de imagens ou encontrar objetos em dados de imagens.

O Vertex AI permite-lhe obter inferências online e inferências em lote a partir dos seus modelos baseados em imagens. As inferências online são pedidos síncronos feitos a um ponto final do modelo. Use inferências online quando estiver a fazer pedidos em resposta à entrada da aplicação ou em situações que exijam inferências oportunas. As inferências em lote são pedidos assíncronos. Pede inferências em lote diretamente do recurso do modelo sem ter de implementar o modelo num ponto final. Para dados de imagens, use inferências em lote quando não precisar de uma resposta imediata e quiser processar dados acumulados através de um único pedido.

Classificação para imagens

Um modelo de classificação analisa os dados de imagens e devolve uma lista de categorias de conteúdo que se aplicam à imagem. Por exemplo, pode preparar um modelo que classifique imagens como contendo um gato ou não contendo um gato, ou pode preparar um modelo para classificar imagens de cães por raça.

Documentação: Prepare os dados | Crie um conjunto de dados | Forme o modelo | Avalie o modelo | Obtenha inferências | Interprete os resultados

Deteção de objetos para imagens

Um modelo de deteção de objetos analisa os dados de imagem e devolve anotações para todos os objetos encontrados numa imagem, que consistem numa etiqueta e na localização da caixa de limite para cada objeto. Por exemplo, pode preparar um modelo para encontrar a localização dos gatos nos dados de imagens.

Documentação: Prepare os dados | Crie um conjunto de dados | Forme o modelo | Avalie o modelo | Obtenha inferências | Interprete os resultados

Dados tabulares

O Vertex AI permite-lhe realizar aprendizagem automática com dados tabulares através de processos e interfaces simples. Pode criar os seguintes tipos de modelos para os seus problemas de dados tabulares:

  • Os modelos de classificação binária preveem um resultado binário (uma de duas classes). Use este tipo de modelo para perguntas de sim ou não. Por exemplo, pode querer criar um modelo de classificação binária para prever se um cliente compraria uma subscrição. Geralmente, um problema de classificação binária requer menos dados do que outros tipos de modelos.
  • Os modelos de classificação multiclasse preveem uma classe a partir de três ou mais classes discretas. Use este tipo de modelo para a categorização. Por exemplo, como retalhista, pode querer criar um modelo de classificação de várias classes para segmentar os clientes em diferentes personagens fictícias.
  • Os modelos de regressão preveem um valor contínuo. Por exemplo, como retalhista, pode querer criar um modelo de regressão para prever quanto um cliente vai gastar no próximo mês.
  • Os modelos de previsão preveem uma sequência de valores. Por exemplo, como retalhista, pode querer prever a procura diária dos seus produtos para os próximos 3 meses, de modo a poder armazenar adequadamente os inventários de produtos antecipadamente.

Para saber mais, consulte o artigo Vista geral dos dados tabulares.

Se os seus dados tabulares estiverem armazenados no BigQuery ML, pode formar um modelo tabular do AutoML diretamente no BigQuery ML. Para saber mais, consulte a documentação de referência do AutoML Tabular.

O que se segue?