סקירה כללית על נתונים בטבלה

Agent Platform מאפשרת לכם לבצע למידת מכונה עם נתונים טבלאיים באמצעות תהליכים וממשקים לא מסובכים. אפשר ליצור את סוגי המודלים הבאים לבעיות שקשורות לנתונים טבלאיים:

  • מודלים של סיווג בינארי חוזים תוצאה בינארית (אחת משתי קטגוריות). משתמשים בסוג המודל הזה לשאלות שהתשובה עליהן היא כן או לא. לדוגמה, יכול להיות שתרצו ליצור מודל סיווג בינארי כדי לחזות אם לקוח ירכוש מינוי. באופן כללי, בעיה של סיווג בינארי דורשת פחות נתונים מאשר סוגים אחרים של מודלים.
  • מודלים של סיווג רב-מחלקתי חוזים מחלקה אחת מתוך שלוש מחלקות נפרדות או יותר. משתמשים בסוג המודל הזה לסיווג. לדוגמה, אם אתם קמעונאים, יכול להיות שתרצו לבנות מודל סיווג רב-מחלקתי כדי לפלח את הלקוחות לפי פרסונות שונות.
  • מודלים של רגרסיה חוזים ערך רציף. לדוגמה, אם אתם קמעונאים, יכול להיות שתרצו ליצור מודל רגרסיה כדי לחזות כמה לקוח יוציא בחודש הבא.
  • מודלים של חיזוי חוזים רצף של ערכים. לדוגמה, אם אתם קמעונאים, יכול להיות שתרצו לחזות את הביקוש היומי למוצרים שלכם ל-3 החודשים הבאים, כדי שתוכלו להכין מראש את מלאי המוצרים.

לקבלת מבוא ללמידת מכונה עם נתונים טבלאיים, אפשר לעיין במאמר מבוא לנתונים טבלאיים. מידע נוסף על פתרונות של Agent Platform זמין במאמרים פתרונות של Agent Platform לסיווג ולרגרסיה ופתרונות של Agent Platform לחיזוי.

הערה לגבי הוגנות

‫Google מחויבת להתקדמות ביישום שיטות לפיתוח אחראי של AI. לשם כך, מוצרי ה-ML שלנו, כולל AutoML, מתוכננים בהתאם לעקרונות ליבה כמו הוגנות ולמידת מכונה שממוקדת באדם.

פתרונות של Agent Platform לסיווג ולרגרסיה

‫Agent Platform מציעה את הפתרונות הבאים לסיווג ולרגרסיה:

תהליך עבודה טבלאי של AutoML מקצה לקצה

‫Tabular Workflow for End-to-End AutoML הוא צינור AutoML מלא למשימות סיווג ורגרסיה. הוא דומה ל-AutoML API, אבל מאפשר לכם לבחור מה לשלוט ומה להפוך לאוטומטי. במקום אמצעי בקרה לכל הצינור, יש אמצעי בקרה לכל שלב בצינור. אמצעי הבקרה של הצינור כוללים:

  • פיצול נתונים
  • Feature engineering
  • חיפוש אדריכלות
  • אימון המודל
  • שילוב מודלים
  • זיקוק מודלים

יתרונות

  • תמיכה במערכי נתונים גדולים בגודל של כמה טרה-בייט, עם עד 1,000 עמודות.
  • האפשרות הזו מאפשרת לכם לשפר את היציבות ולקצר את זמן האימון על ידי הגבלת מרחב החיפוש של סוגי הארכיטקטורה או דילוג על חיפוש הארכיטקטורה.
  • האפשרות הזו מאפשרת לכם לשפר את מהירות האימון על ידי בחירה ידנית של החומרה שמשמשת לאימון ולחיפוש ארכיטקטורה.
  • מאפשרת להקטין את גודל המודל ולשפר את זמן האחזור באמצעות זיקוק או שינוי גודל האנסמבל.
  • אפשר לבדוק כל רכיב של AutoML בממשק גרפי רב-עוצמה של צינורות, שמאפשר לראות את טבלאות הנתונים שעברו טרנספורמציה, את ארכיטקטורות המודלים שנבדקו ועוד הרבה פרטים.
  • כל רכיב AutoML מקבל גמישות ושקיפות מורחבות, כמו היכולת להתאים אישית פרמטרים, חומרה, להציג את סטטוס התהליך, יומנים ועוד.

מידע נוסף על תהליכי עבודה של טבלאות זמין במאמר Tabular Workflows on Agent Platform. מידע נוסף על תהליך עבודה של טבלאות ל-AutoML מקצה לקצה זמין במאמר Tabular Workflow for End-to-End AutoML.

סיווג ורגרסיה באמצעות AutoML

Agent Platform מציעה צינורות עיבוד נתונים משולבים ומנוהלים במלואם למשימות סיווג או רגרסיה מקצה לקצה. הפלטפורמה של Agent מחפשת את קבוצת ההיפרפרמטרים האופטימלית, מאמנת כמה מודלים עם כמה קבוצות של היפרפרמטרים, ואז יוצרת מודל סופי יחיד מתוך קבוצה של המודלים המובילים. ‫Agent Platform משתמש ברשתות נוירונים ובשיטת העצים המחוזקים (boosted trees) לסוגי המודלים.

יתרונות

  • Agent Platform בוחרת בשבילכם את סוג המודל, פרמטרים של המודל והחומרה.

מידע נוסף מפורט במאמר סקירה כללית על סיווג ורגרסיה.

פתרונות של Agent Platform לתחזיות

Agent Platform מציעה את הפתרונות הבאים ליצירת תחזיות:

תהליך עבודה טבלאי ליצירת תחזיות

תהליך העבודה הטבלאי ליצירת תחזיות הוא צינור מלא של משימות תחזיות. הוא דומה ל-AutoML API, אבל מאפשר לכם לבחור מה לשלוט ומה להפוך לאוטומטי. במקום אמצעי בקרה לכל הצינור, יש אמצעי בקרה לכל שלב בצינור. אמצעי הבקרה של הצינור כוללים:

  • פיצול נתונים
  • Feature engineering
  • חיפוש אדריכלות
  • אימון המודל
  • שילוב מודלים

יתרונות

  • תמיכה במערכי נתונים גדולים בגודל של עד 1TB ועם עד 200 עמודות.
  • האפשרות הזו מאפשרת לשפר את היציבות ולקצר את זמן ההכשרה על ידי הגבלת מרחב החיפוש של סוגי הארכיטקטורה או דילוג על חיפוש הארכיטקטורה.
  • אפשר לשפר את מהירות האימון על ידי בחירה ידנית של החומרה שמשמשת לאימון ולחיפוש ארכיטקטורה.
  • אפשר להקטין את גודל המודל ולשפר את זמן האחזור על ידי שינוי גודל האנסמבל.
  • אפשר לבדוק כל רכיב בממשק גרפי רב-עוצמה של צינורות, שמאפשר לראות את טבלאות הנתונים שעברו טרנספורמציה, את ארכיטקטורות המודלים שנבדקו ועוד הרבה פרטים.
  • כל רכיב מקבל גמישות ושקיפות מורחבות, כמו היכולת להתאים אישית פרמטרים, חומרה, להציג את סטטוס התהליך, יומנים ועוד.

מידע נוסף על תהליכי עבודה טבלאיים זמין במאמר תהליכי עבודה טבלאיים ב-Agent Platform. מידע נוסף על תהליך עבודה טבלאי לחיזוי זמין במאמר תהליך עבודה טבלאי לחיזוי.

חיזוי באמצעות AutoML

פלטפורמת הסוכנים מציעה צינור משולב ומנוהל באופן מלא למשימות חיזוי מקצה לקצה. פלטפורמת הסוכנים מחפשת את קבוצת ההיפר-פרמטרים האופטימלית, מאמנת כמה מודלים עם כמה קבוצות של היפר-פרמטרים, ואז יוצרת מודל סופי יחיד מתוך קבוצה של המודלים המובילים. אתם יכולים לבחור בין Time series Dense Encoder (TiDE),‏ Temporal Fusion Transformer (TFT),‏ AutoML (L2L) ו-Seq2Seq+ כשיטה לאימון המודל. פלטפורמת הסוכנים מתייחסת רק לרשתות עצביות כסוג המודל.

יתרונות

  • ‫Agent Platform בוחר בשבילכם את פרמטרים של המודל ואת החומרה.

מידע נוסף מופיע במאמר סקירה כללית על תחזיות.

חיזוי באמצעות ARIMA_PLUS ב-BigQuery ML

‫BigQuery ML ARIMA_PLUS הוא מודל חד-משתני לחיזוי. כמודל סטטיסטי, האימון שלו מהיר יותר מאימון של מודל שמבוסס על רשתות עצביות. מומלץ לאמן מודל ARIMA_PLUS של BigQuery ML אם צריך לבצע הרבה איטרציות מהירות של אימון מודלים, או אם צריך בסיס השוואה זול למדידה של מודלים אחרים.

בדומה ל-Prophet,‏ BigQuery ML ARIMA_PLUS מנסה לפרק כל סדרת זמן למגמות, לעונות ולחגים, ומפיק תחזית באמצעות צבירה של ההסקות של המודלים האלה. אחד ההבדלים הרבים הוא שב-BQML ARIMA+‎ נעשה שימוש ב-ARIMA כדי ליצור מודל של רכיב המגמה, ואילו ב-Prophet נעשה ניסיון להתאים עקומה באמצעות מודל לוגיסטי או ליניארי מקוטע.

Google Cloud כולל פייפליין לאימון מודל BigQuery ML ARIMA_PLUS ופייפליין לקבלת מסקנות (inferences) של אצווה ממודל BigQuery ML ARIMA_PLUS. שני צינורות הנתונים הם מופעים של Gemini Enterprise Agent Platform Pipelines מתוך Google Cloud Pipeline Components ‏ (GCPC).

יתרונות

  • מערכת BigQuery בוחרת בשבילכם את פרמטרים של המודל ואת החומרה.
  • אימון המודל מספק בסיס בעלות נמוכה להשוואה בין מודלים אחרים.

מידע נוסף זמין במאמר בנושא תחזיות עם ARIMA+‎.

חיזוי באמצעות Prophet

‫Prophet הוא מודל חיזוי שמתוחזק על ידי Meta. פרטים על האלגוריתם מופיעים במאמר על Prophet, ומידע נוסף על הספרייה מופיע במסמכי התיעוד.

בדומה ל-BigQuery ML ARIMA_PLUS,‏ Prophet מנסה לפרק כל סדרת זמן למגמות, לעונתיות ולחגים, ומפיק תחזית באמצעות צבירה של ההסקות של המודלים האלה. עם זאת, יש הבדל חשוב: BQML ARIMA+‎ משתמש ב-ARIMA כדי ליצור מודל של רכיב המגמה, בעוד ש-Prophet מנסה להתאים עקומה באמצעות מודל לוגיסטי או ליניארי חלקי.

‫Google Cloud offers a pipeline for training a Prophet model and a pipeline for getting batch inferences from a Prophet model. שני צינורות הנתונים הם מופעים של Gemini Enterprise Agent Platform Pipelines מתוך Google Cloud Pipeline Components ‏ (GCPC).

שילוב של Prophet עם Agent Platform מאפשר לכם:

למרות ש-Prophet הוא מודל רב-משתנים, Agent Platform תומכת רק בגרסה חד-משתנית שלו.

יתרונות

  • כדי לשפר את מהירות האימון, אתם יכולים לבחור את החומרה שמשמשת לאימון.

מידע נוסף זמין במאמר בנושא תחזיות באמצעות Prophet.

המאמרים הבאים