Trainingsmethode auswählen

In diesem Dokument werden die wichtigsten Unterschiede zwischen den auf Google Cloudverfügbaren Trainingsmethoden erläutert. Ihre Wahl hängt vom Fachwissen Ihres Teams, dem gewünschten Kontrollniveau und Ihrer Infrastrukturpräferenz ab.

  • Mit AutoML erstellen und trainieren Sie Modelle mit minimalem technischen Aufwand. Sie können mit AutoML schnell Prototypen von Modellen erstellen und neue Datasets untersuchen, bevor Sie in die Entwicklung investieren. Sie können damit beispielsweise ermitteln, welche Features für ein bestimmtes Dataset am besten geeignet sind.

  • Mit benutzerdefiniertem Training können Sie eine Trainingsanwendung erstellen, die für Ihr Ziel optimiert wurde. Sie haben die volle Kontrolle über die Funktionalität der Trainingsanwendung, von Jobs mit einem einzelnen Knoten bis hin zu massivem, verteiltem Training mit mehreren Knoten. Sie können beliebige Ziele festlegen, beliebige Algorithmen verwenden, eigene Verlustfunktionen oder -messwerte entwickeln oder andere Anpassungen vornehmen.

    • Serverloses Training mit der Gemini Enterprise Agent Platform: Bei diesem serverlosen Ansatz reichen Sie Ihren Trainingsjob ein und Google Cloud stellt die Rechenressourcen für Sie bereit, verwaltet sie und gibt sie wieder frei. Er eignet sich ideal für Tests und für Jobs, bei denen Sie keine garantierte Kapazität benötigen.

    • Gemini Enterprise Agent Platform-Trainingscluster ist eine Funktion für benutzerdefiniertes Training, die für umfangreiche, leistungsstarke Trainingsjobs entwickelt wurde. Damit können Sie einen dedizierten Cluster mit leistungsstarken Rechenressourcen (z. B. A100- oder H100-GPUs) für die ausschließliche Nutzung reservieren. So sind Kapazität und Leistung für unternehmenskritische und lang andauernde Trainingsaufgaben garantiert.

  • Mit Ray on Gemini Enterprise Agent Platform können Sie das Framework für verteiltes Computing von Ray Google Cloud auf der Infrastruktur verwenden. Ray on Gemini Enterprise Agent Platform bietet eine verwaltete Umgebung mit konfigurierbaren Rechenressourcen, Integration mit Diensten wie Vertex AI Inference und BigQuery sowie flexible Netzwerkoptionen für die Entwicklung und Ausführung verteilter Arbeitslasten.

  • Mit BigQuery können Sie Modelle mit Ihren BigQuery-Daten direkt in BigQuery trainieren. Mit SQL-Befehlen können Sie schnell ein Modell erstellen und damit Batchvorhersagen erhalten.

In der folgenden Tabelle finden Sie einen Vergleich der verschiedenen Funktionen und Fachkenntnisse, die für die einzelnen Dienste erforderlich sind.

AutoML Serverloses Training Trainingscluster Ray in Agent Platform BigQuery ML
Data-Science-Fachwissen erforderlich Nein Ja, um die Trainingsanwendung zu entwickeln und die Datenvorbereitung zu übernehmen. Ja, um die Trainingsanwendung zu entwickeln und die Datenvorbereitung zu übernehmen. Grundlegende Kenntnisse von ML-Konzepten und Daten-Workflows sind von Vorteil. Nein
Programmierkenntnisse erforderlich Nein, AutoML ist codelos. Ja, um die Trainingsanwendung zu entwickeln. Ja, um die Trainingsanwendung zu entwickeln. Ja. Ja.
Zeit zum Trainieren des Modells Weniger. Es ist weniger Datenvorbereitung erforderlich und es ist keine Entwicklung erforderlich. Höher. Erfordert die Entwicklung von Code und die Bereitstellung von On-Demand-Ressourcen für jeden Job. Höher. Erfordert die Entwicklung von Code, aber der Jobstart ist schneller, da Ressourcen bereits reserviert sind. So werden Warteschlangen und Bereitstellungszeiten vermieden. Die Trainingszeit hängt von der Codelogik (Datenvorbereitung und Training) und der Zeit für die Bereitstellung von Ressourcen ab. Weniger. Die Modellentwicklung ist schnell, da BigQuery ML die BigQuery-Computational-Engine für Training, Bewertung und Inferenz nutzt.
Grenzwerte für Ziele für maschinelles Lernen Ja. Sie müssen eines der vordefinierten AutoML-Ziele festlegen. Nein Nein Nein Ja
Kann die Modellleistung manuell mit Hyperparameter-Abstimmung optimieren Nein. AutoML führt Schritte einer automatischen Abstimmung aus, aber Sie können die Werte nicht ändern. Ja. Sie können das Modell während jedes Trainingslaufs optimieren, um zu experimentieren und Vergleiche anzustellen. Ja. Sie können das Modell während jedes Trainingslaufs optimieren, um zu experimentieren und Vergleiche anzustellen. Ja. Sie stellen den benutzerdefinierten Trainingscode bereit und haben so die volle Kontrolle über die Hyperparameterwerte. Ja. BigQuery ML unterstützt die Hyperparameter-Abstimmung beim Trainieren von Modellen.
Kann Aspekte der Trainingsumgebung steuern Begrenzt. Sie können das Budget für Trainingsstunden angeben und das vorzeitige Beenden aktivieren. Ja. Sie geben den Compute Engine-Maschinentyp, die Laufwerksgröße und das Container-Image für jeden Job an. Ja. Sie haben maximale Kontrolle und reservieren bestimmte leistungsstarke Maschinentypen (z.B. H100), Festplattenkonfigurationen und Netzwerkeinstellungen für Ihre exklusive Nutzung, wodurch die Kapazität garantiert wird. Ja. Sie haben umfassende Kontrolle, einschließlich benutzerdefinierter Docker-Images, Maschinentypen für Head- und Worker-Knoten sowie Anzahl und Typ der Beschleuniger (GPUs). Nein
Limits bei der Datengröße Ja. Die Beschränkungen für die Datengröße variieren je nach Dataset-Typ. Nein Nein Nein. Für BigQuery-Lesevorgänge gilt jedoch eine maximale Größe der Abfrageantwort von 10 GB. Ja. In BigQuery ML werden geeignete Kontingente pro Projekt festgelegt. Weitere Informationen finden Sie unter Kontingente und Limits.

Nächste Schritte