Vertex AI: AutoML vs. Benutzerdefiniertes Modelltraining

Vertex AI bietet zwei primäre Methoden zum Trainieren und Bereitstellen von Machine-Learning-Modellen: AutoML und benutzerdefiniertes Training. Dieser Leitfaden bietet einen Überblick über beide Ansätze und hebt deren Stärken und Anwendungsfälle hervor. Egal, ob Sie Anfänger oder erfahrener Datenwissenschaftler sind, Vertex AI bietet Tools zur Optimierung Ihres ML-Workflows.

AutoML, oder Automated Machine Learning, vereinfacht den Prozess der Erstellung und des Trainings von ML-Modellen. Es erfordert minimale technische Kenntnisse und Aufwand, sodass Benutzer Modelle erstellen können, ohne Code schreiben zu müssen. AutoML verwendet Ihre Trainingsdaten, um zu lernen, wie Vorhersagen für neue, unbekannte Daten getroffen werden. Es ist eine ideale Lösung für diejenigen, die Modelle schnell und ohne tiefgreifende technische Kenntnisse bereitstellen möchten.

AutoML kann zur Analyse von Bilddaten für verschiedene Aufgaben verwendet werden, einschließlich Bildklassifizierung und Objekterkennung. Bildklassifizierungsmodelle kategorisieren Bilder, während Objekterkennungsmodelle Objekte in Bildern identifizieren und lokalisieren. Vertex AI unterstützt sowohl Online- als auch Batch-Vorhersagen für bildbasierte Modelle und erfüllt so unterschiedliche Anwendungsanforderungen. Online-Vorhersagen eignen sich für Echtzeitanwendungen, während Batch-Vorhersagen für die Verarbeitung großer Datensätze effizient sind.

Vertex AI ermöglicht es Ihnen, Machine Learning mit tabellarischen Daten durch einen optimierten Prozess durchzuführen. Sie können binäre Klassifizierungsmodelle (Vorhersage eines von zwei Ergebnissen), Multi-Klassen-Klassifizierungsmodelle (Vorhersage einer Kategorie aus mehreren Optionen), Regressionsmodelle (Vorhersage kontinuierlicher Werte) und Prognosemodelle (Vorhersage einer Reihe von Werten) erstellen. Diese Modelle sind nützlich für verschiedene Anwendungen, wie z. B. die Vorhersage des Kundenverhaltens oder die Prognose der Produktnachfrage.

Bitte beachten Sie, dass die Anpassung für Textklassifizierung, Entitätsextraktion und Sentiment-Analyse mit Vertex AI AutoML-Modellen ab dem 15. September 2024 zugunsten von Vertex AI Gemini eingestellt wird. Während bestehende AutoML Text-Modelle bis zum 15. Juni 2025 weiterhin funktionieren, werden neue Trainings oder Updates nicht unterstützt. AutoML für Textdaten ermöglicht Aufgaben wie die Klassifizierung von Text, die Extraktion von Entitäten und die Analyse von Stimmungen. Erwägen Sie die Migration zu Vertex AI Gemini für erweiterte Funktionen.

AutoML kann Videodaten für Aktionserkennung, Videoklassifizierung und Objektverfolgung analysieren. Aktionserkennungsmodelle identifizieren Aktionen in Videos, während Klassifizierungsmodelle Videoinhalte kategorisieren. Objektverfolgungsmodelle erkennen und verfolgen Objekte im gesamten Video. Diese Funktionen sind wertvoll für Anwendungen wie Sportanalysen und Videoüberwachung.

Wenn AutoML Ihre spezifischen Anforderungen nicht erfüllt, können Sie mit Vertex AI benutzerdefinierte Trainingsanwendungen erstellen. Dieser Ansatz bietet mehr Flexibilität und ermöglicht es Ihnen, jedes Machine-Learning-Framework zu verwenden und die Computing-Ressourcen zu konfigurieren, einschließlich virtueller Maschinentypen, GPUs und TPUs. Benutzerdefiniertes Training ist ideal für komplexe Modelle und spezielle Anforderungen.

Die Entscheidung zwischen AutoML und benutzerdefiniertem Training hängt von den Anforderungen Ihres Projekts und Ihrem technischen Fachwissen ab. AutoML eignet sich für schnelle Bereitstellungen und Benutzer mit begrenzter Programmiererfahrung. Benutzerdefiniertes Training bietet mehr Kontrolle und Flexibilität für komplexe Projekte und erfahrene Datenwissenschaftler. Berücksichtigen Sie bei Ihrer Entscheidung die Komplexität Ihres Modells, den Bedarf an Anpassung und Ihre verfügbaren Ressourcen. Vertex AI bietet umfassende Dokumentation und Tutorials, die Sie durch beide Ansätze führen.