Vertex AI: AutoML vs. Entrenamiento de Modelos Personalizados

Vertex AI ofrece dos métodos principales para entrenar y desplegar modelos de aprendizaje automático: AutoML y entrenamiento personalizado. Esta guía ofrece una descripción general de ambos enfoques, destacando sus fortalezas y casos de uso. Ya sea que sea un principiante o un científico de datos experimentado, Vertex AI ofrece herramientas para optimizar su flujo de trabajo de ML.

AutoML, o Aprendizaje Automático Automatizado, simplifica el proceso de creación y entrenamiento de modelos de ML. Requiere una mínima experiencia técnica y esfuerzo, lo que permite a los usuarios crear modelos sin escribir código. AutoML utiliza sus datos de entrenamiento para aprender a hacer predicciones sobre datos nuevos y no vistos. Es una solución ideal para aquellos que desean desplegar modelos rápidamente sin un conocimiento técnico profundo.

AutoML se puede utilizar para analizar datos de imágenes para diversas tareas, incluida la clasificación de imágenes y la detección de objetos. Los modelos de clasificación de imágenes categorizan las imágenes, mientras que los modelos de detección de objetos identifican y localizan objetos dentro de las imágenes. Vertex AI admite predicciones en línea y por lotes para modelos basados en imágenes, atendiendo a diferentes necesidades de aplicación. La predicción en línea es adecuada para aplicaciones en tiempo real, mientras que la predicción por lotes es eficiente para procesar grandes conjuntos de datos.

Vertex AI le permite realizar aprendizaje automático con datos tabulares a través de un proceso optimizado. Puede crear modelos de clasificación binaria (prediciendo uno de dos resultados), modelos de clasificación multiclase (prediciendo una categoría entre varias opciones), modelos de regresión (prediciendo valores continuos) y modelos de pronóstico (prediciendo una serie de valores). Estos modelos son útiles para diversas aplicaciones, como predecir el comportamiento del cliente o pronosticar la demanda de productos.

Tenga en cuenta que a partir del 15 de septiembre de 2024, la personalización para clasificación de texto, extracción de entidades y análisis de sentimientos utilizando modelos AutoML de Vertex AI se está eliminando gradualmente en favor de Vertex AI Gemini. Si bien los modelos de texto AutoML existentes continuarán funcionando hasta el 15 de junio de 2025, no se admitirán nuevos entrenamientos ni actualizaciones. AutoML para datos de texto permite tareas como clasificar texto, extraer entidades y analizar sentimientos. Considere migrar a Vertex AI Gemini para obtener capacidades mejoradas.

AutoML puede analizar datos de video para reconocimiento de acciones, clasificación de video y seguimiento de objetos. Los modelos de reconocimiento de acciones identifican acciones dentro de los videos, mientras que los modelos de clasificación categorizan el contenido del video. Los modelos de seguimiento de objetos detectan y rastrean objetos a lo largo del video. Estas capacidades son valiosas para aplicaciones como análisis deportivos y videovigilancia.

Si AutoML no satisface sus necesidades específicas, Vertex AI le permite crear aplicaciones de entrenamiento personalizadas. Este enfoque proporciona una mayor flexibilidad, lo que le permite utilizar cualquier marco de aprendizaje automático y configurar los recursos informáticos, incluidos los tipos de máquinas virtuales, GPU y TPU. El entrenamiento personalizado es ideal para modelos complejos y requisitos especializados.

Decidir entre AutoML y el entrenamiento personalizado depende de los requisitos de su proyecto y su nivel de experiencia técnica. AutoML es adecuado para implementaciones rápidas y usuarios con poca experiencia en codificación. El entrenamiento personalizado ofrece más control y flexibilidad para proyectos complejos y científicos de datos experimentados. Considere la complejidad de su modelo, la necesidad de personalización y sus recursos disponibles al tomar su decisión. Vertex AI proporciona documentación completa y tutoriales para guiarlo a través de ambos enfoques.