Scelta di un metodo di addestramento

Questo argomento illustra le principali differenze tra l'addestramento di un modello in Vertex AI mediante AutoML oppure l'addestramento personalizzato e l'addestramento di un modello mediante BigQuery ML.

Con AutoML puoi creare e addestrare un modello con il minimo sforzo tecnico. Puoi usare AutoML per creare rapidamente prototipi di modelli ed esplorare nuovi set di dati prima di investire nello sviluppo. Puoi utilizzarlo, ad esempio, per capire quali sono le migliori caratteristiche per un determinato set di dati.

Con l'addestramento personalizzato puoi creare un'applicazione di addestramento ottimizzata per il risultato target. Hai il controllo completo sulle funzionalità dell'applicazione di addestramento. In particolare, puoi scegliere come target qualsiasi obiettivo, utilizzare qualsiasi algoritmo, sviluppare le tue funzioni o metriche relative alla perdita o eseguire qualsiasi altra personalizzazione.

Con BigQuery ML, puoi addestrare modelli utilizzando i tuoi dati BigQuery direttamente in BigQuery. Con i comandi SQL, puoi creare rapidamente un modello e utilizzarlo per ottenere previsioni batch.

Per confrontare le diverse funzionalità e competenze richieste per ogni servizio, consulta la seguente tabella.

AutoML Addestramento personalizzato BigQuery ML
Competenze di data science necessarie No Sì, per sviluppare l'applicazione di addestramento e anche per eseguire alcune attività di preparazione dei dati, come il feature engineering. N.
È necessaria capacità di programmazione No, AutoML è senza codice. Sì, per sviluppare l'applicazione di addestramento. Capacità di programmazione SQL richiesta per creare, valutare e utilizzare il modello in BigQuery ML.
Tempo impiegato per il modello addestrato Inferiore. È necessaria una preparazione dei dati inferiore e non è necessario alcun sviluppo. Superiore. È necessaria una maggiore preparazione dei dati e lo sviluppo di applicazioni di addestramento. Inferiore. La velocità di sviluppo del modello è aumentata poiché non è necessario creare l'infrastruttura necessaria per le previsioni batch o per l'addestramento dei modelli, poiché BigQuery ML sfrutta il motore di calcolo di BigQuery. Ciò aumenta la velocità di addestramento, valutazione e previsione.
Limiti agli obiettivi di machine learning Sì, devi scegliere come target uno degli obiettivi predefiniti di AutoML. No Sì.
Consente di ottimizzare manualmente le prestazioni del modello con l'ottimizzazione degli iperparametri No. AutoML esegue alcune operazioni di ottimizzazione degli iperparametri automatizzate, ma non puoi modificare i valori utilizzati. Sì. Puoi ottimizzare il modello durante ogni esecuzione di addestramento per la sperimentazione e il confronto. Sì. BigQuery ML supporta l'ottimizzazione degli iperparametri durante l'addestramento di modelli ML utilizzando le istruzioni "CREATE MODEL".
Possibilità di controllare aspetti dell'ambiente di formazione Limitato. Per i set di dati immagine e tabulari, puoi specificare il numero di ore nodo per le quali eseguire l'addestramento e se consentire l'interruzione anticipata dell'addestramento. Sì. Puoi specificare aspetti dell'ambiente come il tipo di macchina di Compute Engine, le dimensioni del disco, il framework di machine learning e il numero di nodi. N.
Limiti alle dimensioni dei dati

Sì. AutoML utilizza set di dati gestiti; le limitazioni relative alle dimensioni dei dati variano a seconda del tipo di set di dati. Per le specifiche, consulta uno dei seguenti argomenti:

Per i set di dati non gestiti, no. I set di dati gestiti hanno gli stessi limiti degli oggetti del set di dati gestiti creati e ospitati da Vertex AI e vengono utilizzati per addestrare i modelli AutoML. Sì. BigQuery ML applica le quote appropriate in base al singolo progetto. Per saperne di più, consulta Quote e limiti.

Passaggi successivi