表形式データの概要

Agent Platform では、複雑性の低いプロセスとインターフェースを使用して、表形式データの ML を実行できます。表形式データの問題に対し、次のモデルタイプを作成できます。

  • バイナリ分類モデルは、バイナリの結果（2 つのクラスのうちのいずれか）を予測します。「はい」か「いいえ」で答える質問には、このモデルタイプを使用します。たとえば、バイナリ分類モデルを構築して利用者がサブスクリプションを購入するかどうかを予測できます。通常、バイナリ分類問題に必要となるデータは、他のモデルタイプよりも少なくなります。
  • マルチクラス分類モデルは、1 つのクラスを 3 つ以上の個別クラスから予測します。このモデルタイプは分類に使用します。たとえば、小売業者がマルチクラス分類モデルを構築して、買物客をさまざまなペルソナにセグメント分けすることが考えられます。
  • 回帰モデルは、連続値を予測します。たとえば、小売業者が回帰モデルを構築して、買物客が来月使用する金額を予測することが考えられます。
  • 予測モデルは、一連の値を予測します。たとえば、小売店では、商品の在庫を前もって適切に確保できるように、今後 3 か月にわたる商品の日々の需要を予測することが考えられます。

表形式データを使用した ML の概要については、表形式データの概要をご覧ください。Agent Platform ソリューションの詳細については、分類と回帰の Agent Platform ソリューションと予測の Agent Platform ソリューションをご覧ください。

公平性に関する注記

Google は、責任ある AI への取り組みへの準拠の推進に取り組んでいます。そのため、AutoML を含む ML プロダクトは、公平性や人間中心の ML などの主要な原則を中心に設計されています。

分類と回帰の Agent Platform ソリューション

Agent Platform には、分類と回帰に関して次のソリューションが用意されています。

エンドツーエンドの AutoML の表形式ワークフロー

エンドツーエンドの AutoML の表形式ワークフローは、分類タスクと回帰タスクの完全な AutoML パイプラインです。AutoML API に似ていますが、制御する対象と自動化する対象を選択できます。パイプライン全体を管理するのではなく、パイプライン内のすべてのステップをコントロールします。パイプラインについて、次のようなコントロールを行えます。

  • データの分割
  • 特徴量エンジニアリング
  • アーキテクチャの検索
  • モデルのトレーニング
  • モデルのアンサンブル
  • モデルの抽出

利点

  • 数 TB のサイズ、最大 1,000 列の大規模なデータセットをサポートします。
  • アーキテクチャ タイプの検索スペースを制限するか、アーキテクチャ検索をスキップすることで、安定性を向上させ、トレーニング時間を短縮できます。
  • トレーニングとアーキテクチャ検索に使用するハードウェアを手動で選択して、トレーニングの速度を向上できます。
  • 抽出またはアンサンブル サイズの変更により、モデルサイズを縮小し、レイテンシを改善できます。
  • 各 AutoML コンポーネントは、強力なパイプライン グラフ インターフェースで検査でき、変換されたデータテーブル、評価済みのモデル アーキテクチャなど多くの詳細を確認できます。
  • パラメータやハードウェアのカスタマイズ、プロセス ステータスやログの表示など、各 AutoML コンポーネントの柔軟性と透明性が拡大されています。

表形式ワークフローの詳細については、Agent Platform の表形式ワークフローをご覧ください。エンドツーエンド AutoML の表形式ワークフローの詳細については、エンドツーエンド AutoML の表形式ワークフローをご覧ください。

AutoML による分類と回帰

Agent Platform には、エンドツーエンドの分類タスクや回帰タスク用に、統合されたフルマネージド パイプラインが用意されています。Agent Platform は、最適なハイパーパラメータ セットを検索し、複数のハイパーパラメータ セットで複数のモデルをトレーニングして、複数の上位モデルから最終モデルを 1 つ作成します。Agent Platform は、モデルタイプにニューラル ネットワークとブーストされたツリーを検討します。

利点

  • Agent Platform がモデルタイプ、モデル パラメータ、ハードウェアを自動的に選択します。

詳細については、分類と回帰の概要をご覧ください。

予測用の Agent Platform ソリューション

Agent Platform には、予測用に次のソリューションが用意されています。

予測用の表形式ワークフロー

予測用の表形式ワークフローは、予測タスクの完全なパイプラインです。AutoML API に似ていますが、制御する対象と自動化する対象を選択できます。パイプライン全体を管理するのではなく、パイプライン内のすべてのステップをコントロールします。パイプラインについて、次のようなコントロールを行えます。

  • データの分割
  • 特徴量エンジニアリング
  • アーキテクチャの検索
  • モデルのトレーニング
  • モデルのアンサンブル

利点

  • 最大 1 TB のサイズで、最大 200 列までの大規模なデータセットをサポートします。
  • アーキテクチャ タイプの検索空間を制限するか、アーキテクチャ検索をスキップすることで、安定性を向上させ、トレーニング時間を短縮できます。
  • トレーニングとアーキテクチャ検索に使用するハードウェアを手動で選択することで、トレーニング速度を改善できます。
  • アンサンブル サイズを変更することで、モデルサイズを縮小し、レイテンシを改善できます。
  • 強力なパイプライン グラフ インターフェースで各コンポーネントを検査でき、変換されたデータテーブル、評価されたモデル アーキテクチャなど多くの詳細を確認できます。
  • パラメータやハードウェアのカスタマイズ、プロセス ステータスやログの表示など、各コンポーネントの柔軟性と透明性が拡大されています。

表形式ワークフローの詳細については、Agent Platform の表形式ワークフローをご覧ください。予測用の表形式ワークフローの詳細については、予測用の表形式ワークフローをご覧ください。

AutoML による予測

Agent Platform は、エンドツーエンドの予測タスク用の統合フルマネージド パイプラインを提供します。Agent Platform は、最適なハイパーパラメータ セットを検索し、複数のハイパーパラメータ セットで複数のモデルをトレーニングして、複数の上位モデルから最終モデルを 1 つ作成します。モデルのトレーニング方法は、Time series Dense Encoder（TiDE）、Temporal Fusion Transformer（TFT）、AutoML（L2L）、Seq2Seq+ から選択できます。Agent Platform は、モデルタイプにニューラル ネットワークのみを検討します。

利点

  • Agent Platform がモデル パラメータとハードウェアを自動的に選択します。

詳細については、予測の概要をご覧ください。

BigQuery ML ARIMA_PLUS による予測

BigQuery ML ARIMA_PLUS は一変量予測モデルです。統計モデルであるため、ニューラル ネットワークに基づくモデルよりも高速にトレーニングできます。モデル トレーニングを何度も高速に反復する必要がある場合や、他のモデルを測定するために低コストのベースラインが必要な場合は、BigQuery ML ARIMA_PLUS モデルをトレーニングすることをおすすめします。

Prophet と同様に、BigQuery ML ARIMA_PLUS は各時系列をトレンド、季節、休日に分解し、こうしたモデルの推論を集約して予測を作成します。ただし相違点も多く、その 1 つとして BQML ARIMA+ では ARIMA を使用してトレンド コンポーネントをモデル化することに対し、Prophet では区分ロジスティック モデルまたは線形モデルを使用して曲線の一致を試みます。

Google Cloud には、BigQuery ML ARIMA_PLUS モデルをトレーニングするためのパイプラインと、BigQuery ML ARIMA_PLUS モデルからバッチ推論を取得するためのパイプラインが用意されています。どちらのパイプラインも、Google Cloud パイプライン コンポーネント（GCPC）の Gemini Enterprise Agent Platform Pipelines のインスタンスです。

利点

  • BigQuery がモデル パラメータとハードウェアを自動的に選択します。
  • モデルのトレーニングにより、他のモデルと比較するための低コストのベースラインが提供されます。

詳細については、ARIMA+ による予測をご覧ください。

Prophet による予測

Prophet は Meta が管理する予測モデルです。アルゴリズムの詳細については、Prophet の論文をご覧ください。ライブラリの詳細については、ドキュメントをご覧ください。

BigQuery ML ARIMA_PLUS と同様に、Prophet は各時系列をトレンド、季節、祝日に分解し、これらのモデルの推論の集計を使用して予測を生成します。ただし、重要な違いもあります。BQML ARIMA+ は ARIMA を使用してトレンド コンポーネントをモデル化するのに対し、Prophet は区分的ロジスティックまたは線形モデルを使用してカーブ フィッティングを行う点です。

Google Cloud には、Prophet モデルをトレーニングするためのパイプラインと、Prophet モデルからバッチ推論を取得するためのパイプラインが用意されています。どちらのパイプラインも、Google Cloud パイプライン コンポーネント（GCPC）の Gemini Enterprise Agent Platform Pipelines のインスタンスです。

Prophet と Agent Platform の統合により、次のことが可能になります。

Prophet は多変量モデルですが、Agent Platform がサポートするのは単変量モデルのみです。

利点

  • トレーニングに使用するハードウェアを選択することで、トレーニング速度を改善できます。

詳細については、Prophet による予測をご覧ください。

次のステップ