Vertex AI per gli utenti di AutoML

Questa pagina fornisce confronti tra prodotti legacy AutoML e AutoML su Vertex AI per aiutare gli utenti AutoML precedenti a capire come utilizzare Vertex AI.

Controlla le tabelle applicabili al tuo caso d'uso ed esamina le modifiche che potrebbero influire sul flusso di lavoro.

Uso generale

Queste differenze sono applicabili a tutti gli utenti di Vertex AI.

Operazione AutoML legacy Vertex AI
Deployment dei modelli Esegui il deployment di un modello direttamente per renderlo disponibile per le previsioni online. Puoi creare un oggetto Endpoint, che fornisce risorse per la gestione delle previsioni online. Quindi, esegui il deployment del modello nell'endpoint. Per richiedere previsioni, chiama il metodo predict().
Utilizzo del numero o dell'ID del progetto Alcune parti della documentazione di AutoML mostrano esempi che utilizzano project-number, mentre altre mostrano esempi che utilizzano project-id. project-number e project-id funzionano in Vertex AI.

Utenti di AutoML Natural Language

AutoML Natural Language utilizza il tipo di dati text in Vertex AI.

Operazione AutoML Natural Language Vertex AI
Formati dei dati di addestramento Puoi utilizzare i file CSV per includere snippet di testo incorporati o per fare riferimento a documenti. Per l'estrazione delle entità, puoi utilizzare un file CSV o JSON Lines per fare riferimento ai documenti (non è supportato il testo in linea). Puoi utilizzare i file CSV o JSON Lines, ad eccezione dell'estrazione dell'entità di testo, per includere snippet di testo in linea o fare riferimento a documenti di tipo TXT. L'estrazione delle entità supporta solo i file JSON Lines.
Importazione set di dati Specifica come suddividere i dati per l'utilizzo del machine learning (per addestramento, test e convalida) utilizzando un file CSV. Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per i file CSV, nella stessa riga dei dati o come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i dati vengono suddivisi automaticamente per addestramento, test e convalida.
Per l'analisi del sentiment, i file CSV devono includere il valore massimo del sentiment nell'ultima colonna di ogni riga.
Annotazione per set di dati Le annotazioni vengono aggiunte al set di dati al momento dell'importazione o utilizzando la console Google Cloud. Se vuoi utilizzare i dati per un altro set di dati con un obiettivo diverso, devi creare un nuovo set di dati con annotazioni diverse. Le annotazioni vengono raggruppate come oggetto AnnotationSet. Puoi utilizzare insiemi di annotazioni diversi con lo stesso set di dati.
Costi di archiviazione Non sono previsti costi per i set di dati caricati nella memoria interna. Quando crei un set di dati, i dati vengono caricati in Cloud Storage nel progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più
Etichettatura dati Puoi caricare le istruzioni per l'etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. Per fornire le istruzioni di etichettatura, utilizza un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere manipolate utilizzando l'API.

Utenti di AutoML Vision e AutoML Video Intelligence

In Vertex AI, AutoML Vision e Video AutoML utilizzano i tipi di dati image e video, rispettivamente.

Operazione AutoML Vision e AutoML Video Vertex AI
Formato di input dei dati Il formato JSON Lines non è supportato. Il formato JSON Lines è supportato per la tua origine dati.
Importazione dati (solo video) Devi specificare l'utilizzo del machine learning (FORMAZIONE, TEST) per i video utilizzando un file CSV a due livelli. Puoi specificare i valori di utilizzo del machine learning in una colonna facoltativa per i file CSV, nella stessa riga dei dati o come tag nelle righe JSON nello stesso oggetto JSON dei dati. Se non specifichi valori di utilizzo del machine learning, i dati vengono suddivisi automaticamente per addestramento, test e convalida.
Annotazione per set di dati Le annotazioni vengono aggiunte al set di dati al momento dell'importazione o utilizzando la console Google Cloud. Se vuoi utilizzare i dati per un altro set di dati con un obiettivo diverso, devi creare un nuovo set di dati con annotazioni diverse. Le annotazioni vengono raggruppate come oggetto AnnotationSet. Puoi utilizzare insiemi di annotazioni diversi con lo stesso set di dati.
Costi di archiviazione Non sono previsti costi per i set di dati caricati nella memoria interna. Quando crei un set di dati, i dati vengono caricati in Cloud Storage nel progetto. Per tale capacità di archiviazione ti viene addebitato un costo. Scopri di più
Etichettatura dati Puoi caricare le istruzioni per l'etichettatura nella memoria interna e includerle nella richiesta di creazione dell'attività. Le annotazioni sono oggetti autonomi. Per fornire le istruzioni di etichettatura, utilizza un URL. Le annotazioni fanno parte dell'oggetto Dataset e non possono essere manipolate utilizzando l'API.

Utenti di AutoML Tables

AutoML Tables utilizza il tipo di dati tabulare in Vertex AI.

Operazione AutoML Tables Vertex AI
Creazione di set di dati I dati vengono importati nella memoria interna; i successivi aggiornamenti all'origine dati non interessano il set di dati AutoML. Ci si riferisce all'origine dati anziché all'importazione; gli aggiornamenti successivi all'origine dati vengono applicati se un modello addestrato da quell'origine dati viene riaddestrato.
Revisione dello schema Quando importi dati in un set di dati, le statistiche sui dati vengono generate automaticamente. Devi avviare manualmente la generazione delle statistiche per il tuo set di dati.
Revisione dello schema Quando crei un set di dati, ne esamini lo schema e ti assicuri che ogni funzionalità sia impostata correttamente. I modelli futuri addestrati dal set di dati utilizzano questo schema di schema, a meno che non lo modifichi esplicitamente. Quando addestri un modello da un set di dati, Vertex AI crea trasformazioni predefinite per ogni funzionalità, che puoi sostituire se non sono corrette per i tuoi dati e il tuo obiettivo. Le trasformazioni nel timestamp e nel tipo di dati numerici possono non riuscire a causa dei dati non validi; puoi specificare se vuoi che l'intera riga venga invalidata o solo quella.
Gestire le previsioni da un modello esportato Le previsioni di un modello di regressione esportato non restituiscono un intervallo di previsione. Gli intervalli di previsione vengono restituiti per le previsioni dai modelli di regressione esportati.
Importanza della caratteristica Vertex Explainable AI fornisce funzionalità simili alle AI Explanations for AutoML Tables. Puoi utilizzare l'importanza delle caratteristiche globali per il modello o l'importanza delle caratteristiche (attribuzioni delle caratteristiche) per le previsioni del modello.

Utenti dell'API

Per informazioni dettagliate sull'API, consulta la documentazione di riferimento per l'API Vertex AI.

Operazione o entità AutoML legacy Vertex AI
Creazione del modello Per creare un modello, viene utilizzato il metodo model.create(), che restituisce un'operazione a lunga esecuzione. Crei un oggetto TrainingPipeline, che restituisce un job di addestramento.
Utilizzo della libreria client È disponibile un solo client API per l'API. Sono disponibili client API diversi per ogni risorsa dell'API.
Richiesta di previsioni Puoi richiedere le previsioni chiamando il metodo predict() sul modello. Puoi richiedere le previsioni chiamando il metodo predict() sulla risorsa endpoint.
Endpoint di previsione online automl.googleapis.com e alcuni prodotti supportavano anche eu-automl.googleapis.com Di seguito, sostituisci REGION con la regione in cui si trova il modello di previsione.
REGION-aiplatform.googleapis.com. Ad esempio:
us-central1-aiplatform.googleapis.com
File di schema e definizione Tutti gli input per le richieste e le risposte sono definiti dal servizio API. I formati dei dati sono predefiniti. Alcuni campi per la richiesta e la risposta sono definiti nei file di schema e definizione. I formati dei dati vengono definiti utilizzando file di schema predefiniti. Ciò consente la flessibilità per i formati dati e API.
Nome host automl.googleapis.com aiplatform.googleapis.com
Nome host a livello di regione Non obbligatorio per tutti i prodotti. Ad esempio:
eu-automl.googleapis.com		 Obbligatorio. Ad esempio:
us-central1-aiplatform.googleapis.com

Passaggi successivi