AutoML-Training – Übersicht

AutoML (Automated Machine Learning) in Vertex AI bietet eine Möglichkeit, hochwertige Modelle für maschinelles Lernen mit minimalem Aufwand und minimalen Fachkenntnissen zu maschinellem Lernen zu trainieren. Auf dieser Seite erhalten Sie einen Überblick über den Workflow zum Trainieren und Verwenden eigener Modelle in Vertex AI.

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
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 zum Trainieren und Verwenden eines AutoML-Modells ist unabhängig vom Datentyp oder Ziel der gleiche:

1. Trainingsdaten vorbereiten
2. Erstellen Sie ein Dataset.
3. Modell trainieren.
4. Modell bewerten und iterieren
5. Schlussfolgerungen aus Ihrem Modell abrufen
6. Inferenz-Ergebnisse 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 Online- und Batchinferenzen aus Ihren bildbasierten Modellen abrufen. Online-Inferenzen sind synchrone Anfragen an einen Modellendpunkt. Verwenden Sie Onlineinferenzen, wenn Sie Anfragen als Reaktion auf Anwendungseingaben stellen oder wenn zeitnahe Inferenzen erforderlich sind. Batchinferenzen sind asynchrone Anfragen. Sie können Batchinferenzen direkt von der Modellressource anfordern, ohne das Modell auf einem Endpunkt bereitstellen zu müssen. Verwenden Sie für Bilddaten Batchinferenzen, 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 | Schlussfolgerungen 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 Notebook „AutoML-Trainingsbildklassifizierung für Batchvorhersagen“ in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In Vertex AI Workbench 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 | Schlussfolgerungen abrufen | Ergebnisse interpretieren

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

In Colab öffnen | In Colab Enterprise öffnen | In Vertex AI Workbench öffnen | Auf GitHub ansehen

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

In Colab öffnen | In Colab Enterprise öffnen | In Vertex AI Workbench öffnen | Auf GitHub ansehen

Tabellarische Daten

Vertex AI ermöglicht es Ihnen, maschinelles Lernen mit tabellarischen Daten über einfache 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 tabellarisches AutoML-Modell direkt in BigQuery ML trainieren. Weitere Informationen finden Sie in der Referenzdokumentation für AutoML-Tabellen.

Nächste Schritte

• Erste Schritte mit AutoML