Entraîner un modèle avec Workflow tabulaire pour les prévisions

Cette page explique comment entraîner un modèle de prévision à partir d'un ensemble de données tabulaire avec Workflow tabulaire pour les prévisions.

Pour en savoir plus sur les comptes de service utilisés par ce workflow, consultez la page Comptes de service pour les workflows tabulaires.

Si vous recevez une erreur liée aux quotas lors de l'exécution de Workflow tabulaire pour les prévisions, vous devrez peut-être demander un quota plus élevé. Pour en savoir plus, consultez la page Gérer les quotas des workflows tabulaires.

Le workflow tabulaire pour les prévisions n'est pas compatible avec l'exportation de modèles.

API de workflows

Ce workflow utilise les API suivantes :

• Vertex AI
• Dataflow
• Compute Engine
• Cloud Storage

Obtenir l'URI du résultat du réglage d'hyperparamètres précédent

Si vous avez déjà exécuté Workflow tabulaire pour les prévisions, vous pouvez utiliser le résultat du réglage d'hyperparamètres de l'exécution précédente pour économiser du temps et des ressources d'entraînement. Vous pouvez trouver le résultat du réglage d'hyperparamètres précédent en utilisant la console Google Cloud ou en le chargeant par programmation avec l'API.

def get_task_detail(
  task_details: List[Dict[str, Any]], task_name: str
) -> List[Dict[str, Any]]:
  for task_detail in task_details:
      if task_detail.task_name == task_name:
          return task_detail

pipeline_task_details = job.gca_resource.job_detail.task_details

stage_1_tuner_task = get_task_detail(
    pipeline_task_details, "automl-forecasting-stage-1-tuner"
)
stage_1_tuning_result_artifact_uri = (
    stage_1_tuner_task.outputs["tuning_result_output"].artifacts[0].uri
)

Entraîner un modèle

L'exemple de code suivant montre comment exécuter un pipeline d'entraînement de modèle :

job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
job.run(service_account=SERVICE_ACCOUNT)

Le paramètre facultatif service_account dans job.run() vous permet de définir le compte de service Vertex AI Pipelines sur le compte de votre choix.

Vertex AI est compatible avec les méthodes suivantes pour l'entraînement de votre modèle :

• Encodeur dense de séries temporelles (TiDE). Pour utiliser cette méthode d'entraînement de modèle, définissez vos valeurs de pipeline et de paramètres en utilisant la fonction suivante :

  template_path, parameter_values = automl_forecasting_utils.get_time_series_dense_encoder_forecasting_pipeline_and_parameters(...)
  

• Transformateur de fusion temporelle (TFT). Pour utiliser cette méthode d'entraînement de modèle, définissez vos valeurs de pipeline et de paramètres en utilisant la fonction suivante :

  template_path, parameter_values = automl_forecasting_utils.get_temporal_fusion_transformer_forecasting_pipeline_and_parameters(...)
  

• AutoML (L2L). Pour utiliser cette méthode d'entraînement de modèle, définissez vos valeurs de pipeline et de paramètres en utilisant la fonction suivante :

  template_path, parameter_values = automl_forecasting_utils.get_learn_to_learn_forecasting_pipeline_and_parameters(...)
  

• Seq2Seq+. Pour utiliser cette méthode d'entraînement de modèle, définissez vos valeurs de pipeline et de paramètres en utilisant la fonction suivante :

  template_path, parameter_values = automl_forecasting_utils.get_sequence_to_sequence_forecasting_pipeline_and_parameters(...)
  

Pour en savoir plus, consultez Méthodes d'entraînement des modèles.

Les données d'entraînement peuvent être un fichier CSV dans Cloud Storage ou une table dans BigQuery.

Voici un sous-ensemble de paramètres d'entraînement de modèle :

Transformations

Vous pouvez fournir un mappage de dictionnaires de résolutions automatiques ou par type avec des colonnes de caractéristiques. Les types compatibles sont : auto, numérique, catégorielle, texte et horodatage.

Le code suivant fournit une fonction d'assistance pour renseigner le paramètre transformations. Elle montre également comment utiliser cette fonction pour appliquer des transformations automatiques à un ensemble de colonnes défini par une variable features.

def generate_transformation(
      auto_column_names: Optional[List[str]]=None,
      numeric_column_names: Optional[List[str]]=None,
      categorical_column_names: Optional[List[str]]=None,
      text_column_names: Optional[List[str]]=None,
      timestamp_column_names: Optional[List[str]]=None,
    ) -> List[Dict[str, Any]]:
    if auto_column_names is None:
      auto_column_names = []
    if numeric_column_names is None:
      numeric_column_names = []
    if categorical_column_names is None:
      categorical_column_names = []
    if text_column_names is None:
      text_column_names = []
    if timestamp_column_names is None:
      timestamp_column_names = []
    return {
        "auto": auto_column_names,
        "numeric": numeric_column_names,
        "categorical": categorical_column_names,
        "text": text_column_names,
        "timestamp": timestamp_column_names,
    }

transformations = generate_transformation(auto_column_names=features)

Pour en savoir plus sur les transformations, consultez la page Types de données et transformations.

Options de personnalisation du workflow

Vous pouvez personnaliser le workflow tabulaire pour la prévision en définissant les valeurs d'argument transmises dans la définition de pipeline. Vous pouvez personnaliser votre workflow de différentes manières :

• Configurer le matériel
• Ignorer la recherche d'architecture

Configurer le matériel

Le paramètre d'entraînement de modèle suivant vous permet de configurer les types et le nombre de machines pour l'entraînement. Cette option est idéale si vous disposez d'un ensemble de données volumineux et que vous souhaitez optimiser le matériel de la machine en conséquence.

Le code suivant montre comment définir le type de machine n1-standard-8 pour le nœud principal TensorFlow et le type de machine n1-standard-4 pour le nœud d'évaluateur TensorFlow :

worker_pool_specs_override = [
  {"machine_spec": {"machine_type": "n1-standard-8"}}, # override for TF chief node
  {},  # override for TF worker node, since it's not used, leave it empty
  {},  # override for TF ps node, since it's not used, leave it empty
  {
    "machine_spec": {
        "machine_type": "n1-standard-4" # override for TF evaluator node
    }
  }
]

Ignorer la recherche d'architecture

Le paramètre suivant vous permet d'exécuter le pipeline sans la recherche d'architecture et de fournir un ensemble d'hyperparamètres issus d'une exécution de pipeline précédente.

Étapes suivantes

• Découvrez les prédictions par lot pour les modèles de prévision.
• Découvrez les tarifs de l'entraînement de modèle.