Dlaczego tabele AutoML zostały wycofane i co je zastępuje?
Usługa AutoML Tables firmy Google Cloud została zaprojektowana, aby umożliwić użytkownikom automatyczne tworzenie i wdrażanie modeli uczenia maszynowego w oparciu o dane strukturalne.
Tabele AutoML nie zostały wycofane w tradycyjnym sensie, lecz ich możliwości zostały w pełni zintegrowane z Vertex AI.
Usługa ta była częścią szerszego pakietu AutoML firmy Google, którego celem była demokratyzacja dostępu do uczenia maszynowego poprzez uproszczenie procesu tworzenia modeli, zwłaszcza w przypadku użytkowników, którzy nie mają dużego doświadczenia w zakresie nauki o danych lub uczenia maszynowego.
Niedawno Google przeniosło swoje możliwości AutoML Tables do Vertex AI, bardziej kompleksowej i zintegrowanej platformy do uczenia maszynowego w Google Cloud. Ta zmiana odzwierciedla szerszy trend w branży w kierunku bardziej ujednoliconych platform, które oferują płynne środowisko do opracowywania, wdrażania i zarządzania modelami uczenia maszynowego.
Vertex AI zapewnia kompleksową platformę, która obejmuje narzędzia do przygotowywania danych, szkolenia modeli, oceny, wdrażania i monitorowania. Integruje możliwości, które były wcześniej dostępne w AutoML Tables, wraz z dodatkowymi funkcjami, które zwiększają elastyczność i skalowalność przepływów pracy uczenia maszynowego. Obejmuje to możliwość korzystania z niestandardowych modeli, integracji z innymi usługami Google Cloud i wykorzystania zaawansowanych funkcji, takich jak dostrajanie hiperparametrów i inżynieria funkcji.
Przejście AutoML Tables do Vertex AI odzwierciedla potrzebę bardziej zintegrowanego podejścia, które może obsłużyć szerszy zakres przypadków użycia i dostosować się do rosnącej złożoności projektów uczenia maszynowego. Poprzez integrację możliwości AutoML z Vertex AI firma Google zamierza zapewnić bardziej spójne doświadczenie, które może lepiej wspierać potrzeby przedsiębiorstw i programistów pracujących z uczeniem maszynowym.
Dla użytkowników, którzy wcześniej korzystali z AutoML Tables, ta zmiana oznacza, że będą mieli dostęp do bardziej zaawansowanego zestawu narzędzi i funkcji w ramach platformy Vertex AI. Obejmuje to możliwość pracy z szerszą gamą typów danych, budowania bardziej złożonych modeli i wdrażania tych modeli na dużą skalę. Ponadto Vertex AI oferuje ulepszoną integrację z innymi usługami Google Cloud, co może zwiększyć ogólną wydajność i skuteczność przepływów pracy uczenia maszynowego.
Przykładem tego, jak Vertex AI rozszerza możliwości wcześniej oferowane przez AutoML Tables, jest obsługa niestandardowego szkolenia. Podczas gdy AutoML Tables koncentrowało się głównie na automatyzacji procesu budowania modeli ze strukturalnych danych, Vertex AI pozwala użytkownikom na wprowadzanie własnych modeli i skryptów szkoleniowych. Zapewnia to większą elastyczność naukowcom zajmującym się danymi i inżynierom, którzy chcą włączyć określone algorytmy lub techniki, które nie są objęte zautomatyzowanymi procesami.
Ponadto Vertex AI obejmuje narzędzia do zarządzania całym cyklem życia uczenia maszynowego, od przygotowania danych po monitorowanie modelu. Obejmuje to funkcje takie jak Vertex AI Pipelines, które umożliwiają użytkownikom tworzenie powtarzalnych i skalowalnych przepływów pracy uczenia maszynowego. Te potoki mogą automatyzować wiele zadań związanych z budowaniem i wdrażaniem modeli, takich jak wstępne przetwarzanie danych, szkolenie modeli i ocena, co może znacznie skrócić czas i wysiłek wymagany do wprowadzenia rozwiązań uczenia maszynowego do produkcji.
Kolejną kluczową cechą Vertex AI jest obsługa MLOps, czyli praktyki stosowania zasad DevOps do uczenia maszynowego. Obejmuje to możliwości wersjonowania zestawów danych i modeli, śledzenia eksperymentów i monitorowania wydajności modelu w produkcji. Funkcje te są niezbędne dla organizacji, które wdrażają modele uczenia maszynowego na dużą skalę, ponieważ pomagają zapewnić niezawodność, powtarzalność i możliwość konserwacji modeli w czasie.
Przejście na Vertex AI odzwierciedla również szerszy trend w branży w kierunku bardziej zintegrowanych i kompleksowych platform uczenia maszynowego. Ponieważ uczenie maszynowe staje się coraz ważniejsze dla szerokiej gamy aplikacji, rośnie zapotrzebowanie na platformy, które mogą obsługiwać cały cykl życia projektów uczenia maszynowego, od przygotowania danych po wdrożenie i monitorowanie. Poprzez zapewnienie ujednoliconej platformy, która integruje te możliwości, Vertex AI ma na celu zaspokojenie potrzeb nowoczesnych przedsiębiorstw i deweloperów.
W kontekście praktycznych implikacji użytkownicy, którzy wcześniej korzystali z AutoML Tables, będą musieli przenieść swoje przepływy pracy do Vertex AI. Może to obejmować migrację istniejących modeli i danych na nową platformę, a także zapoznanie się z nowymi narzędziami i funkcjami dostępnymi w Vertex AI. Google udostępnia dokumentację i wsparcie, aby pomóc użytkownikom w tym przejściu, w tym przewodniki dotyczące migracji modeli i danych, a także samouczki dotyczące korzystania z nowych funkcji w Vertex AI.
Chociaż AutoML Tables jako samodzielna usługa została wycofana, jej możliwości zostały w pełni zintegrowane z szerszą platformą Vertex AI. Ta zmiana odzwierciedla zmianę w kierunku bardziej zintegrowanych i kompleksowych platform uczenia maszynowego, które mogą lepiej obsługiwać potrzeby nowoczesnych przedsiębiorstw i programistów. Poprzez zapewnienie ujednoliconej platformy, która obejmuje narzędzia do przygotowywania danych, szkolenia modeli, wdrażania i monitorowania, Vertex AI ma na celu zapewnienie bardziej spójnego i wydajnego doświadczenia użytkownikom pracującym z uczeniem maszynowym w Google Cloud.
Inne niedawne pytania i odpowiedzi dotyczące Tabele AutoML:
- Jak można przechodzić między tabelami Vertex AI i AutoML?
- Jak użytkownicy mogą wdrażać swoje modele i uzyskiwać prognozy w tabelach AutoML?
- Jakie opcje są dostępne do ustawienia budżetu szkoleniowego w tabelach AutoML?
- Jakie informacje zawiera karta Analiza w tabelach AutoML?
- Jak użytkownicy mogą importować swoje dane szkoleniowe do tabel AutoML?
- Jakie różne typy danych obsługują tabele AutoML?