Questo documento spiega le principali differenze tra l'addestramento di un modello in Vertex AI utilizzando AutoML o l'addestramento e l'addestramento personalizzati di un modello utilizzando BigQuery ML.
Con AutoML, crei e addestri un modello con un'attività tecnica minima impegno. Puoi utilizzare AutoML per prototipare rapidamente modelli di esplorare nuovi set di dati prima di investire nello sviluppo. Ad esempio, puoi usarlo per scoprire quali sono le caratteristiche migliori per un determinato set di dati.
Con l'addestramento personalizzato puoi creare un'applicazione di addestramento il risultato desiderato. Hai il controllo completo dell'applicazione di addestramento funzionalità. In particolare, potete scegliere come target qualsiasi obiettivo, utilizzare qualsiasi algoritmo, sviluppare le tue funzioni di perdita o metriche oppure qualsiasi altra personalizzazione.
Con BigQuery ML, puoi addestrare i modelli utilizzando direttamente i tuoi dati BigQuery in BigQuery. Con i comandi SQL, puoi creare rapidamente un modello e utilizzarlo per ottenere previsioni batch.
Per mettere a confronto le diverse funzionalità e competenze richieste per ogni servizio, consulta la tabella seguente.
| AutoML | Addestramento personalizzato | BigQuery ML | |
|---|---|---|---|
| Sono necessarie competenze di data science | No | Sì, per sviluppare l'applicazione di addestramento nonché per eseguire alcune la preparazione dei dati come il feature engineering. | No. |
| Sono necessarie competenze di programmazione | No, AutoML è senza codice. | Sì, per sviluppare l'applicazione di addestramento. | Conoscenza di programmazione SQL richiesta per creare, valutare utilizzare il modello in BigQuery ML. |
| Tempo necessario per addestrare il modello | Minore. È necessaria una minore preparazione dei dati e non è richiesto alcuno sviluppo necessaria. | Maggiore. È necessaria una maggiore preparazione dei dati e l'applicazione dell'addestramento lo sviluppo del modello. | Minore. La velocità di sviluppo del modello aumenta poiché non occorre creare l'infrastruttura richiesta per le previsioni batch o l'addestramento dei modelli, sfrutta il motore di calcolo BigQuery. Ciò aumenta la velocità di addestramento, valutazione e previsione. |
| Limiti degli obiettivi di machine learning | Sì, devi scegliere come target uno dei valori predefiniti di AutoML degli obiettivi. | No | Sì. |
| Puoi ottimizzare manualmente le prestazioni del modello con l'ottimizzazione degli iperparametri | No. AutoML esegue alcune ottimizzazioni automatiche degli iperparametri, ma non puoi modificare i valori utilizzati. | Sì. Puoi ottimizzare il modello durante l'esecuzione di ogni addestramento per la sperimentazione e il confronto. | Sì. BigQuery ML supporta l'ottimizzazione degli iperparametri durante l'addestramento dei modelli di ML utilizzando le istruzioni `CREATE MODEL`. |
| Può controllare aspetti dell'ambiente di addestramento | Limitato. Per i set di dati immagine e tabulari, puoi specificare il numero ore nodo da usare per l'addestramento e se consentire l'interruzione anticipata addestramento. | Sì. Puoi specificare aspetti dell'ambiente come Compute Engine tipo di macchina, dimensioni del disco, framework di machine learning e numero di nodi. | No. |
| Limiti delle dimensioni dei dati |
Sì. AutoML utilizza set di dati gestiti, dimensione dei dati Le limitazioni variano a seconda del tipo di set di dati. Invita a uno dei seguenti argomenti per le specifiche: |
No, nel caso di set di dati non gestiti. Questi hanno gli stessi limiti degli oggetti 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
- Scegli un tutorial introduttivo per ottenere è iniziato con Vertex AI Training.
- Scopri di più sull'addestramento di un modello AutoML.
- Informazioni su creando un job di addestramento personalizzato mediante Python.