Présentation de Vertex AI Vizier

Vertex AI Vizier est un service d'optimisation par boîte noire qui vous aide à régler les hyperparamètres dans des modèles de machine learning complexes. Lorsque les modèles de ML comportent de nombreux hyperparamètres différents, leur réglage manuel peut s'avérer long et difficile. Vertex AI Vizier optimise les résultats de votre modèle en ajustant les hyperparamètres à votre place.

L'optimisation par boîte noire consiste à optimiser un système qui répond à l'un ou l'autre des critères suivants :

  • ne présente pas de fonction objectif connue à évaluer ;

  • est trop coûteux à évaluer à l'aide de la fonction objectif, généralement en raison de la complexité du système ;

Fonctionnalités supplémentaires de Vertex AI Vizier

Vertex AI Vizier optimise les hyperparamètres des modèles de ML, mais peut également effectuer d'autres tâches d'optimisation.

Réglage des paramètres

Vous pouvez utiliser Vertex AI Vizier pour régler efficacement les paramètres d'une fonction. Par exemple, vous pouvez vous en servir pour déterminer la combinaison la plus pertinente de couleur d'arrière-plan, de taille de police et de couleur de lien associés au bouton d'abonnement d'un site Web d'actualités. Pour obtenir plus d'exemples, consultez les cas d'utilisation.

Découvrez la différence entre paramètres et hyperparamètres.

Optimiser tout système évaluable

Vertex AI Vizier fonctionne avec tout système que vous pouvez évaluer, y compris les systèmes qui ne peuvent pas être exprimés par une fonction analytique de forme fermée. Par exemple, Vertex AI Vizier vous permet de trouver la meilleure profondeur, largeur et taux d'apprentissage d'un réseau de neurones pour un modèle TensorFlow.

Fonctionnement de Vertex AI Vizier

Les sections suivantes définissent les termes, le comportement et les valeurs disponibles que vous pouvez utiliser avec Vertex AI Vizier pour optimiser votre modèle ou votre fonction de ML. Vous commencez par déterminer une configuration d'étude.

Configurations d'étude

Une configuration d'étude représente la définition du problème d'optimisation que vous essayez de résoudre. Elle inclut le résultat que vous souhaitez optimiser et les hyperparamètres ou paramètres qui influent sur ce résultat.

Études et essais

Une étude est la mise en œuvre d'une configuration d'étude. Elle s'appuie sur l'objectif (métriques) et les valeurs d'entrée (hyperparamètres ou paramètres) de la configuration de l'étude pour réaliser des tests, appelés essais. Un essai est un ensemble spécifique de valeurs d'entrée qui produisent un résultat mesuré par rapport à vos objectifs.

Vertex AI Vizier suggère des valeurs d'entrée à utiliser pour chaque essai, mais ne réalise pas les essais à votre place.

Une étude se poursuit jusqu'à ce qu'elle atteigne la limite de nombre d'essais définie ou que vous l'interrompiez. Un essai se poursuit jusqu'à ce que vous indiquiez qu'il est terminé ou irréalisable.

Mesures

Une mesure est le résultat mesuré de votre essai. Chaque mesure peut contenir une ou plusieurs métriques, et chaque essai peut contenir une ou plusieurs mesures prises sur une période donnée. Vous pouvez ajouter une nouvelle mesure à l'essai à tout moment avant la fin de l'essai.

Algorithmes de recherche

Si vous ne spécifiez pas d'algorithme, Vertex AI Vizier utilise l'algorithme par défaut. L'algorithme par défaut applique l'optimisation bayésienne pour obtenir la solution optimale avec une recherche plus efficace dans l'espace des paramètres.

Les valeurs suivantes sont disponibles :

  • ALGORITHM_UNSPECIFIED : revient à ne pas spécifier d'algorithme. Vertex AI choisit le meilleur algorithme de recherche entre les graphes de bandes gaussiens, la recherche de combinaisons linéaires ou leurs variantes.

  • GRID_SEARCH : recherche par quadrillage simple dans l'espace réalisable. Cette option est utile si vous souhaitez indiquer une quantité d'essais supérieure au nombre de points définis dans l'espace réalisable. Dans ce cas, si vous ne spécifiez pas de recherche par quadrillage, l'algorithme par défaut peut générer des suggestions en double. Si vous utilisez la recherche par quadrillage, tous les paramètres doivent être du type INTEGER, CATEGORICAL ou DISCRETE.

  • RANDOM_SEARCH : recherche aléatoire simple dans l'espace réalisable.

Différences entre Vertex AI Vizier et l'entraînement personnalisé

Vertex AI Vizier est un service indépendant qui permet d'optimiser des modèles complexes avec de nombreux paramètres. Il peut être utilisé pour les cas d'utilisation de ML et non-ML. Il peut être utilisé avec des tâches d'entraînement ou avec d'autres systèmes (même multicloud). Le réglage des hyperparamètres pour l'entraînement personnalisé est une fonctionnalité intégrée qui utilise Vertex AI Vizier pour les tâches d'entraînement. Il permet de déterminer les meilleurs réglages des hyperparamètres pour un modèle de ML.

Cas d'utilisation

Dans les scénarios suivants, Vertex AI Vizier permet de régler les hyperparamètres pour optimiser un modèle ou un résultat :

  • Optimiser le taux d'apprentissage, la taille de lot et d'autres hyperparamètres d'un moteur de recommandations de réseau de neurones.

  • Optimiser la facilité d'utilisation d'une application en testant différentes dispositions des éléments de l'interface utilisateur.

  • Réduisez les ressources informatiques pour une tâche en identifiant la taille de la mémoire tampon idéale et le nombre de threads.

  • Optimiser la quantité d'ingrédients dans une recette pour obtenir la version la plus aboutie.