Hvorfor blev AutoML Tables udgået, og hvad efterfølger dem?
Google Clouds AutoML Tables var en tjeneste designet til at gøre det muligt for brugere automatisk at bygge og implementere maskinlæringsmodeller på strukturerede data.
AutoML-tabeller blev ikke afbrudt i traditionel forstand, deres muligheder var fuldt integreret i Vertex AI.
Denne tjeneste var en del af Googles bredere AutoML-pakke, som havde til formål at demokratisere adgangen til maskinlæring ved at forenkle processen med at skabe modeller, især for brugere, der måske ikke har stor erfaring med datavidenskab eller maskinlæring.
For nylig har Google overført sine AutoML Tables-funktioner til Vertex AI, en mere omfattende og integreret platform til maskinlæring på Google Cloud. Denne overgang afspejler en bredere tendens i branchen i retning af mere forenede platforme, der tilbyder en problemfri oplevelse til at udvikle, implementere og administrere maskinlæringsmodeller.
Vertex AI leverer en end-to-end platform, der inkluderer værktøjer til dataforberedelse, modeltræning, evaluering, implementering og overvågning. Den integrerer de funktioner, der tidligere var tilgængelige i AutoML Tables, sammen med yderligere funktioner, der forbedrer fleksibiliteten og skalerbarheden af maskinlærings-workflows. Dette inkluderer muligheden for at bruge tilpassede modeller, integrere med andre Google Cloud-tjenester og udnytte avancerede funktioner såsom hyperparameterjustering og funktionsteknologi.
Overgangen af AutoML Tables til Vertex AI afspejler behovet for en mere integreret tilgang, der kan tjene en bredere vifte af use cases og imødekomme den voksende kompleksitet af maskinlæringsprojekter. Ved at integrere AutoML-funktioner i Vertex AI sigter Google mod at give en mere sammenhængende oplevelse, der bedre kan understøtte behovene hos virksomheder og udviklere, der arbejder med maskinlæring.
For brugere, der tidligere brugte AutoML Tables, betyder denne overgang, at de vil have adgang til et mere kraftfuldt sæt værktøjer og funktioner inden for Vertex AI-platformen. Dette inkluderer evnen til at arbejde med en bredere vifte af datatyper, bygge mere komplekse modeller og implementere disse modeller i stor skala. Derudover tilbyder Vertex AI forbedret integration med andre Google Cloud-tjenester, som kan forbedre den overordnede effektivitet og effektivitet af maskinlærings-arbejdsgange.
Et eksempel på, hvordan Vertex AI forbedrer de funktioner, der tidligere blev tilbudt af AutoML Tables, er dens støtte til tilpasset træning. Mens AutoML Tables primært var fokuseret på at automatisere processen med at bygge modeller ud fra strukturerede data, giver Vertex AI brugere mulighed for at medbringe deres egne modeller og træningsscripts. Dette giver større fleksibilitet for datavidenskabsmænd og ingeniører, der ønsker at inkorporere specifikke algoritmer eller teknikker, som ikke er dækket af de automatiserede processer.
Ydermere inkluderer Vertex AI værktøjer til styring af hele maskinlæringslivscyklussen, fra dataforberedelse til modelovervågning. Dette inkluderer funktioner såsom Vertex AI Pipelines, som gør det muligt for brugere at skabe reproducerbare og skalerbare maskinlærings-workflows. Disse pipelines kan automatisere mange af de opgaver, der er involveret i opbygning og implementering af modeller, såsom dataforbehandling, modeltræning og evaluering, hvilket betydeligt kan reducere den tid og indsats, der kræves for at bringe maskinlæringsløsninger til produktion.
En anden nøglefunktion ved Vertex AI er dens understøttelse af MLOps, som er praksis med at anvende DevOps-principper til maskinlæring. Dette inkluderer muligheder for versionering af datasæt og modeller, sporing af eksperimenter og overvågning af modelydeevne i produktionen. Disse funktioner er essentielle for organisationer, der implementerer maskinlæringsmodeller i stor skala, da de hjælper med at sikre, at modellerne er pålidelige, reproducerbare og kan vedligeholdes over tid.
Overgangen til Vertex AI afspejler også en bredere tendens i branchen mod mere integrerede og omfattende maskinlæringsplatforme. Efterhånden som maskinlæring bliver stadig vigtigere for en lang række applikationer, er der et stigende behov for platforme, der kan understøtte hele livscyklussen af maskinlæringsprojekter, fra dataforberedelse til implementering og overvågning. Ved at levere en samlet platform, der integrerer disse muligheder, sigter Vertex AI på at opfylde behovene hos moderne virksomheder og udviklere.
Med hensyn til praktiske implikationer skal brugere, der tidligere brugte AutoML Tables, overføre deres arbejdsgange til Vertex AI. Dette kan involvere migrering af eksisterende modeller og data til den nye platform, samt at sætte sig ind i de nye værktøjer og funktioner, der er tilgængelige i Vertex AI. Google leverer dokumentation og support til at hjælpe brugere med denne overgang, herunder vejledninger til, hvordan man migrerer modeller og data, samt selvstudier i, hvordan man bruger de nye funktioner i Vertex AI.
Mens AutoML Tables som en selvstændig tjeneste er blevet afbrudt, er dens muligheder fuldt integreret i den bredere Vertex AI-platform. Denne overgang afspejler et skift mod mere integrerede og omfattende maskinlæringsplatforme, der bedre kan understøtte behovene hos moderne virksomheder og udviklere. Ved at levere en samlet platform, der inkluderer værktøjer til dataforberedelse, modeltræning, implementering og overvågning, sigter Vertex AI på at give en mere sammenhængende og kraftfuld oplevelse for brugere, der arbejder med maskinlæring på Google Cloud.
Andre seneste spørgsmål og svar vedr AutoML-tabeller:
- Hvordan kan man skifte mellem Vertex AI og AutoML-tabeller?
- Hvordan kan brugere implementere deres model og få forudsigelser i AutoML-tabeller?
- Hvilke muligheder er tilgængelige for at indstille et træningsbudget i AutoML Tables?
- Hvilke oplysninger giver fanen Analyser i AutoML-tabeller?
- Hvordan kan brugere importere deres træningsdata til AutoML-tabeller?
- Hvad er de forskellige datatyper, som AutoML Tables kan håndtere?