Trainingsmethode auswählen

In diesem Dokument werden die wichtigsten Unterschiede zwischen den auf verfügbaren Trainingsmethoden erläutert Google Cloud. Ihre Auswahl hängt vom Fachwissen Ihres Teams, dem erforderlichen Kontrollniveau und Ihren Infrastrukturpräferenzen 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 Trainings anwendung erstellen, die für Ihr Ziel optimiert wurde. Sie haben die volle Kontrolle über die Funktionalität der Trainingsanwendung, von Jobs mit einem Knoten bis hin zu umfangreichen verteilten Trainings mit mehreren Knoten. Sie können beliebige Ziele festlegen, beliebige Algorithmen verwenden, eigene Verlustfunktionen oder -messwerte entwickeln oder andere Anpassungen vornehmen.

    • Serverloses Training mit Colab Enterprise: Dies ist ein serverloser Ansatz, bei dem Sie Ihren Trainingsjob einreichen und Google Cloud die Rechenressourcen für Sie bereitgestellt, verwaltet und freigegeben werden. Er eignet sich ideal für Tests und für Jobs, bei denen keine garantierte Kapazität erforderlich ist.

    • Trainingscluster von Colab Enterprise ist eine Funktion im Rahmen des benutzerdefinierten Trainings, die für umfangreiche, leistungsstarke Trainingsjobs entwickelt wurde. Damit können Sie einen dedizierten Cluster mit leistungsstarken Rechenressourcen (z. B. A100- oder H100-GPUs) für Ihre ausschließliche Verwendung reservieren und so Kapazität und Leistung für geschäftskritische und lang andauernde Trainingsaufgaben garantieren.

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

  • Mit BigQuery können Sie Modelle unter Einsatz Ihrer 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 auf BigQuery 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 der ML-Konzepte und Datenworkflows 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 bis zum trainierten Modell 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 das BigQuery-Rechensystem für Training, Auswertung 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 die vorzeitige Beendigung aktivieren. Ja. Sie geben den Compute Engine-Maschinentyp, die Laufwerksgröße und das Container-Image für jeden Job an. Ja. Sie haben maximale Kontrolle, da Sie bestimmte leistungsstarke Maschinentypen (z.B. H100), Laufwerkskonfigurationen und Netzwerkeinstellungen für Ihre ausschließliche Verwendung reservieren und so Kapazität garantieren können. Ja. Sie haben erhebliche 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