Miért szűnt meg az AutoML Tables, és mi követi őket?
A Google Cloud AutoML Tables szolgáltatása arra szolgált, hogy lehetővé tegye a felhasználók számára a gépi tanulási modellek automatikus létrehozását és üzembe helyezését strukturált adatokon.
Az AutoML Tables hagyományos értelemben nem szűnt meg, képességeiket teljes mértékben integrálták a Vertex AI-be.
Ez a szolgáltatás a Google szélesebb körű AutoML-csomagjának része volt, amelynek célja a gépi tanuláshoz való hozzáférés demokratizálása volt a modellek létrehozásának egyszerűsítésével, különösen azon felhasználók számára, akik esetleg nem rendelkeznek nagy tapasztalattal az adattudományban vagy a gépi tanulásban.
A Google a közelmúltban átállította AutoML Tables képességeit a Vertex AI-re, amely egy átfogóbb és integráltabb platform a gépi tanuláshoz a Google Cloudon. Ez az átállás az iparágban az egységesebb platformok felé irányuló szélesebb tendenciát tükrözi, amelyek zökkenőmentes élményt kínálnak a gépi tanulási modellek fejlesztéséhez, bevezetéséhez és kezeléséhez.
A Vertex AI egy végponttól végpontig terjedő platformot biztosít, amely eszközöket tartalmaz az adatok előkészítéséhez, a modell betanításához, az értékeléshez, a telepítéshez és a megfigyeléshez. Integrálja az AutoML Tables-ben korábban elérhető képességeket, valamint további funkciókat, amelyek növelik a gépi tanulási munkafolyamatok rugalmasságát és méretezhetőségét. Ez magában foglalja az egyéni modellek használatának lehetőségét, más Google Cloud-szolgáltatásokkal való integrációt, valamint olyan fejlett funkciókat, mint a hiperparaméter-hangolás és a funkciótervezés.
Az AutoML Tables Vertex AI-re való átállása egy olyan integráltabb megközelítés szükségességét tükrözi, amely a felhasználási esetek szélesebb körét szolgálja ki, és alkalmazkodik a gépi tanulási projektek növekvő összetettségéhez. Az AutoML képességek Vertex AI-ba történő integrálásával a Google egy olyan összefüggő élményt kíván nyújtani, amely jobban támogatja a gépi tanulással foglalkozó vállalatok és fejlesztők igényeit.
Azok a felhasználók, akik korábban AutoML Tables-t használtak, ez az átállás azt jelenti, hogy a Vertex AI platformon belül egy hatékonyabb eszköz- és szolgáltatáskészlethez fognak hozzáférni. Ez magában foglalja az adattípusok szélesebb választékával való munkavégzést, összetettebb modellek készítését, és ezeknek a modelleknek a nagyarányú üzembe helyezését. Ezenkívül a Vertex AI továbbfejlesztett integrációt kínál más Google Cloud-szolgáltatásokkal, ami javíthatja a gépi tanulási munkafolyamatok általános hatékonyságát és eredményességét.
Példa arra, hogy a Vertex AI hogyan fejleszti az AutoML Tables által korábban kínált képességeket, az egyéni képzés támogatása. Míg az AutoML Tables elsősorban a modellek strukturált adatokból történő felépítésének folyamatának automatizálására összpontosított, a Vertex AI lehetővé teszi a felhasználók számára, hogy saját modelljeik és tanító szkriptjeiket hozzanak létre. Ez nagyobb rugalmasságot biztosít az adattudósok és mérnökök számára, akik olyan specifikus algoritmusokat vagy technikákat szeretnének beépíteni, amelyekre nem terjednek ki az automatizált folyamatok.
Ezenkívül a Vertex AI eszközöket tartalmaz a teljes gépi tanulási életciklus kezelésére, az adatok előkészítésétől a modellfigyelésig. Ide tartoznak olyan szolgáltatások, mint a Vertex AI Pipelines, amelyek lehetővé teszik a felhasználók számára, hogy reprodukálható és méretezhető gépi tanulási munkafolyamatokat hozzanak létre. Ezek a folyamatok automatizálhatják a modellek felépítésével és üzembe helyezésével kapcsolatos számos feladatot, például az adatok előfeldolgozását, a modell betanítását és az értékelést, ami jelentősen csökkentheti a gépi tanulási megoldások termelésbe hozásához szükséges időt és erőfeszítést.
A Vertex AI másik kulcsfontosságú jellemzője az MLOps támogatása, amely a DevOps elvek gépi tanulásban való alkalmazásának gyakorlata. Ez magában foglalja az adatkészletek és modellek verziózásának, a kísérletek nyomon követésének és a modell teljesítményének nyomon követését az éles környezetben. Ezek a funkciók elengedhetetlenek a gépi tanulási modelleket nagy léptékben üzembe helyező szervezetek számára, mivel segítenek biztosítani, hogy a modellek megbízhatóak, reprodukálhatók és idővel karbantarthatók legyenek.
A Vertex AI-re való átállás az iparágban az integráltabb és átfogóbb gépi tanulási platformok irányába mutatkozó szélesebb tendenciát is tükrözi. Mivel a gépi tanulás egyre fontosabbá válik az alkalmazások széles körében, egyre nagyobb az igény olyan platformokra, amelyek támogatni tudják a gépi tanulási projektek teljes életciklusát, az adatok előkészítésétől a telepítésig és a felügyeletig. Az ezeket a képességeket integráló egységes platform biztosításával a Vertex AI célja, hogy megfeleljen a modern vállalatok és fejlesztők igényeinek.
Ami a gyakorlati vonatkozásokat illeti, azoknak a felhasználóknak, akik korábban AutoML Tables-t használtak, át kell állítaniuk munkafolyamataikat a Vertex AI-re. Ez magában foglalhatja a meglévő modellek és adatok áttelepítését az új platformra, valamint a Vertex AI-ben elérhető új eszközök és szolgáltatások megismerését. A Google dokumentációval és támogatással segíti a felhasználókat ebben az átállásban, beleértve a modellek és adatok migrálására vonatkozó útmutatókat, valamint oktatóanyagokat a Vertex AI új funkcióinak használatához.
Míg az AutoML Tables mint önálló szolgáltatás megszűnt, képességeit teljes mértékben integrálták a szélesebb körű Vertex AI platformba. Ez az átállás az integráltabb és átfogóbb gépi tanulási platformok felé való elmozdulást tükrözi, amelyek jobban tudják támogatni a modern vállalatok és fejlesztők igényeit. Az adat-előkészítéshez, modellképzéshez, üzembe helyezéshez és figyeléshez szükséges eszközöket tartalmazó egységes platform biztosításával a Vertex AI egységesebb és hatékonyabb élményt kíván nyújtani a Google Cloud gépi tanulással foglalkozó felhasználók számára.
További friss kérdések és válaszok ezzel kapcsolatban AutoML táblázatok:
- Hogyan lehet áttérni a Vertex AI és az AutoML táblák között?
- Hogyan telepíthetik a felhasználók modelljüket, és hogyan kaphatnak előrejelzéseket az AutoML-táblázatokban?
- Milyen lehetőségek állnak rendelkezésre a képzési költségvetés beállítására az AutoML-táblázatokban?
- Milyen információkat nyújt az Elemzés lap az AutoML-táblázatokban?
- Hogyan importálhatják a felhasználók edzési adataikat AutoML-táblázatokba?
- Melyek azok a különböző adattípusok, amelyeket az AutoML Tables képes kezelni?