Información general sobre el entrenamiento de AutoML

AutoML (aprendizaje automático automatizado) en Vertex AI ofrece una forma de entrenar modelos de aprendizaje automático de alta calidad con un esfuerzo mínimo y sin necesidad de tener conocimientos avanzados en la materia. En esta página se ofrece una descripción general del flujo de trabajo para entrenar y usar tus propios modelos en Vertex AI.

Tipos de modelos que puedes crear con AutoML

Los tipos de modelos que puedes crear dependen del tipo de datos que tengas. Vertex AI ofrece soluciones de AutoML para los siguientes tipos de datos y objetivos de modelo:

Tipo de datos Objetivos admitidos
Datos de imagen Clasificación y detección de objetos.
Datos tabulares Clasificación o regresión, previsión.

El flujo de trabajo para entrenar y usar un modelo de AutoML es el mismo, independientemente del tipo de datos o del objetivo:

  1. Prepara tus datos de entrenamiento.
  2. Crea un conjunto de datos.
  3. Entrena un modelo.
  4. Evalúa tu modelo y haz iteraciones.
  5. Obtener inferencias de tu modelo.
  6. Interpreta los resultados de la inferencia.

Datos de imagen

AutoML usa el aprendizaje automático para analizar el contenido de los datos de imagen. Puedes usar AutoML para entrenar un modelo de aprendizaje automático que clasifique datos de imagen o que encuentre objetos en datos de imagen.

Vertex AI te permite obtener inferencias online e inferencias por lotes de tus modelos basados en imágenes. Las inferencias online son solicitudes síncronas que se envían a un endpoint de modelo. Usa inferencias online cuando hagas solicitudes en respuesta a la entrada de la aplicación o en situaciones que requieran inferencias oportunas. Las inferencias por lotes son solicitudes asíncronas. Puedes solicitar inferencias por lotes directamente desde el recurso del modelo sin necesidad de desplegarlo en un endpoint. En el caso de los datos de imagen, usa las inferencias por lotes si no necesitas una respuesta inmediata y quieres procesar los datos acumulados con una sola solicitud.

Clasificación de imágenes

Un modelo de clasificación analiza los datos de las imágenes y devuelve una lista de categorías de contenido que se aplican a la imagen. Por ejemplo, puedes entrenar un modelo que clasifique imágenes como que contienen un gato o que no contienen un gato, o puedes entrenar un modelo para clasificar imágenes de perros por raza.

Documentación: Preparar datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar un modelo | Obtener inferencias | Interpretar los resultados

Detección de objetos en imágenes

Un modelo de detección de objetos analiza los datos de imagen y devuelve anotaciones de todos los objetos que se encuentran en una imagen, que constan de una etiqueta y la ubicación del cuadro delimitador de cada objeto. Por ejemplo, puedes entrenar un modelo para que encuentre la ubicación de los gatos en los datos de imagen.

Documentación: Preparar datos | Crear un conjunto de datos | Entrenar un modelo | Evaluar un modelo | Obtener inferencias | Interpretar los resultados

Datos tabulares

Vertex AI te permite realizar aprendizaje automático con datos tabulares mediante procesos e interfaces sencillos. Puedes crear los siguientes tipos de modelos para tus problemas de datos tabulares:

  • Los modelos de clasificación binaria predicen un resultado binario (una de las dos clases). Usa este tipo de modelo para preguntas que se responden con sí o no. Por ejemplo, puede crear un modelo de clasificación binaria para predecir si un cliente comprará una suscripción. Por lo general, un problema de clasificación binaria requiere menos datos que otros tipos de modelos.
  • Los modelos de clasificación de varias clases predicen una clase entre tres o más clases discretas. Usa este tipo de modelo para la categorización. Por ejemplo, si eres un comercio, puedes crear un modelo de clasificación multiclase para segmentar a los clientes en diferentes perfiles.
  • Los modelos de regresión predicen un valor continuo. Por ejemplo, si eres un comercio, puedes crear un modelo de regresión para predecir cuánto gastará un cliente el mes que viene.
  • Los modelos de previsión predicen una secuencia de valores. Por ejemplo, como comerciante, puede que quiera predecir la demanda diaria de sus productos durante los próximos tres meses para poder almacenar las existencias de productos de forma adecuada con antelación.

Para obtener más información, consulta el artículo Introducción a los datos tabulares.

Si tus datos tabulares están almacenados en BigQuery ML, puedes entrenar un modelo tabular de AutoML directamente en BigQuery ML. Para obtener más información, consulta la documentación de referencia de AutoML Tabular.

Siguientes pasos