Ringkasan data tabulasi

Dengan Agent Platform, Anda dapat menjalankan machine learning dengan data tabulasi menggunakan proses dan antarmuka yang sederhana. Anda dapat membuat jenis model berikut untuk masalah data tabulasi Anda:

  • Model klasifikasi biner memprediksi hasil biner (salah satu dari dua class). Gunakan jenis model ini untuk pertanyaan ya atau tidak. Misalnya, Anda mungkin ingin membuat model klasifikasi biner untuk memprediksi apakah pelanggan akan membeli langganan. Umumnya, masalah klasifikasi biner membutuhkan lebih sedikit data dibandingkan jenis model lainnya.
  • Model klasifikasi kelas jamak memprediksi satu class dari tiga class atau lebih yang terpisah. Gunakan jenis model ini untuk kategorisasi. Misalnya, sebagai retailer, Anda mungkin ingin membuat model klasifikasi kelas jamak untuk mengelompokkan pelanggan ke dalam berbagai persona.
  • Model regresi memprediksi nilai berkelanjutan. Misalnya, sebagai retailer, Anda mungkin ingin membuat model regresi untuk memprediksi jumlah yang akan dibelanjakan pelanggan bulan depan.
  • Model Perkiraan memprediksi urutan nilai. Misalnya, sebagai retailer, Anda mungkin ingin memperkirakan permintaan harian produk Anda selama 3 bulan ke depan, sehingga Anda dapat menyediakan inventaris produk dengan tepat di awal.

Untuk pengantar machine learning dengan data tabel, lihat Pengantar Data Tabulasi. Untuk mengetahui informasi selengkapnya tentang solusi Agent Platform, lihat Solusi Agent Platform untuk klasifikasi dan regresi serta Solusi Agent Platform untuk perkiraan.

Catatan tentang keadilan

Google berkomitmen untuk membuat kemajuan dalam mengikuti praktik AI yang bertanggung jawab. Untuk mencapai tujuan ini, produk ML kami, termasuk AutoML, dirancang berdasarkan prinsip inti seperti keadilan dan machine learning yang berpusat pada manusia. Untuk mengetahui informasi selengkapnya tentang praktik terbaik dalam memitigasi bias saat membangun sistem ML Anda sendiri, lihat Panduan ML inklusif - AutoML.

Solusi Platform Agen untuk klasifikasi dan regresi

Agent Platform menawarkan solusi berikut untuk klasifikasi dan regresi:

Tabular Workflow untuk AutoML End-to-End

Tabular Workflow untuk AutoML End-to-End adalah pipeline AutoML lengkap untuk tugas klasifikasi dan regresi. Hal ini mirip dengan AutoML API, tetapi memungkinkan Anda memilih apa yang akan dikontrol dan diotomatisasi. Alih-alih memiliki kontrol untuk seluruh pipeline, Anda memiliki kontrol untuk setiap langkah di pipeline. Kontrol pipeline ini mencakup:

  • Pemisahan data
  • Rekayasa fitur
  • Penelusuran arsitektur
  • Pelatihan model
  • Ansambel model
  • Distilasi model

Manfaat

  • Mendukung set data besar berukuran beberapa TB dan memiliki hingga 1.000 kolom.
  • Memungkinkan Anda meningkatkan stabilitas dan menurunkan waktu pelatihan dengan membatasi ruang penelusuran jenis arsitektur atau melewati penelusuran arsitektur.
  • Memungkinkan Anda meningkatkan kecepatan pelatihan dengan memilih secara manual hardware yang digunakan untuk penelusuran arsitektur dan pelatihan.
  • Memungkinkan Anda mengurangi ukuran model dan meningkatkan latensi dengan distilasi atau dengan mengubah ukuran ansambel.
  • Setiap komponen AutoML dapat diperiksa dengan antarmuka grafik pipeline andal yang memungkinkan Anda melihat tabel data yang ditransformasi, arsitektur model yang dievaluasi, dan banyak detail lainnya.
  • Setiap komponen AutoML mendapatkan fleksibilitas dan transparansi yang lebih luas, seperti kemampuan untuk menyesuaikan parameter, hardware, status proses tampilan, log, dan lain-lain.

Untuk mempelajari Tabular Workflow lebih lanjut, lihat Tabular Workflow di Platform Agen. Untuk mempelajari lebih lanjut Tabular Workflow untuk AutoML End-to-End, lihat Tabular Workflow untuk AutoML End-to-End.

Klasifikasi dan regresi dengan AutoML

Agent Platform menawarkan pipeline terintegrasi dan terkelola sepenuhnya untuk tugas klasifikasi atau regresi menyeluruh. Agent Platform menelusuri kumpulan hyperparameter yang optimal, melatih beberapa model dengan beberapa kumpulan hyperparameter, lalu membuat satu model akhir dari ansambel model-model teratas. Agent Platform mempertimbangkan jaringan neural dan hierarki yang ditingkatkan untuk jenis model.

Manfaat

  • Mudah digunakan: Platform Agen memilih jenis model, parameter model, dan hardware untuk Anda.

Untuk informasi selengkapnya, lihat Ringkasan Klasifikasi dan Regresi.

Solusi Platform Agen untuk perkiraan

Agent Platform menawarkan solusi berikut untuk perkiraan:

Tabular Workflow untuk Perkiraan

Tabular Workflow untuk Perkiraan adalah pipeline lengkap untuk tugas perkiraan. Hal ini mirip dengan AutoML API, tetapi memungkinkan Anda memilih apa yang akan dikontrol dan diotomatisasi. Alih-alih memiliki kontrol untuk seluruh pipeline, Anda memiliki kontrol untuk setiap langkah di pipeline. Kontrol pipeline ini mencakup:

  • Pemisahan data
  • Rekayasa fitur
  • Penelusuran arsitektur
  • Pelatihan model
  • Ansambel model

Manfaat

  • Mendukung set data besar yang berukuran hingga 1 TB dan memiliki maksimal 200 kolom.
  • Memungkinkan Anda meningkatkan stabilitas dan menurunkan waktu pelatihan dengan membatasi ruang penelusuran jenis arsitektur atau melewati penelusuran arsitektur.
  • Memungkinkan Anda meningkatkan kecepatan pelatihan dengan memilih secara manual hardware yang digunakan untuk pelatihan dan penelusuran arsitektur.
  • Memungkinkan Anda mengurangi ukuran model dan meningkatkan latensi dengan mengubah ukuran ansambel.
  • Setiap komponen AutoML dapat diperiksa dengan antarmuka grafik pipeline andal yang memungkinkan Anda melihat tabel data yang ditransformasi, arsitektur model yang dievaluasi, dan banyak detail lainnya.
  • Setiap komponen AutoML mendapatkan fleksibilitas dan transparansi yang lebih luas, seperti kemampuan untuk menyesuaikan parameter, hardware, status proses tampilan, log, dan lain-lain.

Untuk mempelajari Tabular Workflow lebih lanjut, lihat Tabular Workflow di Platform Agen. Untuk mempelajari Tabular Workflow untuk Perkiraan lebih lanjut, lihat Tabular Workflow utuk Perkiraan.

Perkiraan dengan AutoML

Agent Platform menawarkan pipeline terintegrasi dan terkelola sepenuhnya untuk tugas perkiraan menyeluruh. Agent Platform menelusuri kumpulan hyperparameter yang optimal, melatih beberapa model dengan beberapa kumpulan hyperparameter, lalu membuat satu model akhir dari ansambel model-model teratas. Anda dapat memilih antara Time series Dense Encoder (TiDE), Temporal Fusion Transformer (TFT), AutoML (L2L) , dan Seq2Seq+ untuk metode pelatihan model Anda. Agent Platform hanya mempertimbangkan jaringan neural untuk jenis model tersebut.

Manfaat

  • Mudah digunakan: Platform Agen memilih parameter model dan hardware untuk Anda.

Untuk mengetahui informasi selengkapnya, lihat Ringkasan Perkiraan.

Perkiraan dengan ARIMA_PLUS BigQuery ML

ARIMA_PLUS BigQuery ML adalah model perkiraan univariat. Sebagai model statistik, model ini lebih cepat dilatih daripada model yang berdasar pada jaringan neural. Sebaiknya latih model ARIMA_PLUS BigQuery ML jika Anda perlu melakukan banyak iterasi cepat pada pelatihan model atau jika Anda memerlukan baseline yang murah untuk mengukur model lain.

Seperti Prophet, ARIMA_PLUS BigQuery ML berupaya mengurai setiap deret waktu ke dalam tren, musim, dan hari libur, sehingga menghasilkan perkiraan menggunakan gabungan inferensi model ini. Namun, perbedaan pentingnya adalah ARIMA+ BQML menggunakan ARIMA untuk membuat model komponen tren, sementara Prophet mencoba menyesuaikan kurva menggunakan model linear atau piecewise logistic.

Google Cloud menawarkan pipeline untuk melatih model ARIMA_PLUS BigQuery ML dan pipeline untuk mendapatkan inferensi batch dari model ARIMA_PLUS BigQuery ML. Kedua pipeline tersebut merupakan instance Vertex AI Pipelines dari Komponen PipelineGoogle Cloud (GCPC).

Manfaat

  • Mudah digunakan: BigQuery memilih parameter model dan hardware untuk Anda.
  • Cepat: pelatihan model memberikan dasar pengukuran berbiaya rendah untuk dibandingkan dengan model lain.

Untuk informasi selengkapnya, lihat Perkiraan dengan ARIMA+.

Perkiraan dengan Prophet

Prophet adalah model perkiraan yang dikelola oleh Meta. Lihat makalah Prophet untuk mengetahui detail algoritma dan dokumentasi guna mengetahui informasi selengkapnya tentang library.

Seperti BigQuery ML ARIMA_PLUS, Prophet berupaya mengurai setiap deret waktu menjadi tren, musim, dan hari libur, sehingga menghasilkan perkiraan menggunakan agregasi inferensi model ini. Namun, perbedaan pentingnya adalah ARIMA+ BQML menggunakan ARIMA untuk membuat model komponen tren, sementara Prophet mencoba menyesuaikan kurva menggunakan model linear atau piecewise logistic.

Google Cloud menawarkan pipeline untuk melatih model Prophet dan pipeline untuk mendapatkan inferensi batch dari model Prophet. Kedua pipeline tersebut merupakan instance Vertex AI Pipelines dari Komponen PipelineGoogle Cloud (GCPC).

Integrasi Prophet dengan Agent Platform memungkinkan Anda melakukan hal berikut:

Meskipun Prophet adalah model multivariat, Agent Platform hanya mendukung versi univariatnya.

Manfaat

  • Fleksibel: Anda dapat meningkatkan kecepatan pelatihan dengan memilih hardware yang digunakan untuk pelatihan

Untuk informasi selengkapnya, lihat Perkiraan dengan Prophet.

Langkah berikutnya