בחירת שיטת אימון

במסמך הזה מוסבר על ההבדלים העיקריים בין שיטות האימון שזמינות ב- Google Cloud. הבחירה תלויה במומחיות של הצוות, ברמת השליטה שאתם צריכים ובהעדפות התשתית שלכם.

  • באמצעות AutoML, אתם יכולים ליצור ולאמן מודל עם מינימום מאמץ טכני. אתם יכולים להשתמש ב-AutoML כדי ליצור אב-טיפוס ראשוני של מודלים במהירות ולבדוק מערכי נתונים חדשים לפני שאתם משקיעים בפיתוח. לדוגמה, אפשר להשתמש בו כדי ללמוד אילו תכונות הכי מתאימות למערך נתונים מסוים.

  • באמצעות אימון בהתאמה אישית, אתם יכולים ליצור אפליקציית אימון שעברה אופטימיזציה לתוצאה המטורגטת שלכם. יש לכם שליטה מלאה בפונקציונליות של אפליקציית האימון, החל ממשימות של צומת יחיד ועד לאימון מבוזר מסיבי של כמה צמתים. כלומר, אתם יכולים לטרגט כל יעד, להשתמש בכל אלגוריתם, לפתח פונקציות הפסד או מדדים משלכם, או לבצע כל התאמה אישית אחרת.

    • אימון ללא שרתים ב-Gemini Enterprise Agent Platform: זהו גישה ללא שרתים שבה אתם שולחים את משימת האימון ו- Google Cloud מספקת, מנהלת ומשחררת את משאבי המחשוב בשבילכם. הוא אידיאלי לניסויים ולעבודות שבהן לא נדרשת קיבולת מובטחת.

    • ‫Gemini Enterprise Agent Platform training clusters היא תכונה בהדרכה בהתאמה אישית שמיועדת למשימות הדרכה רחבות היקף ובעלות ביצועים גבוהים. הוא מאפשר לכם להזמין אשכול ייעודי של משאבי מחשוב חזקים (כמו מעבדי GPU מסוג A100 או H100) לשימוש בלעדי, ומבטיח קיבולת וביצועים למשימות אימון קריטיות ולמשימות אימון ארוכות טווח.

  • עם Ray on Gemini Enterprise Agent Platform אתם יכולים להשתמש במסגרת של Ray למחשוב מבוזר בתשתית של Google Cloud . ‫Ray בפלטפורמת הסוכנים של Gemini Enterprise מספק סביבה מנוהלת עם משאבי מחשוב שניתנים להגדרה, שילוב עם שירותים כמו Vertex AI Inference ו-BigQuery, ואפשרויות גמישות של רשתות לפיתוח ולהרצה של עומסי עבודה מבוזרים.

  • באמצעות BigQuery, אתם יכולים לאמן מודלים באמצעות הנתונים שלכם ב-BigQuery ישירות ב-BigQuery. באמצעות פקודות SQL, אפשר ליצור במהירות מודל ולהשתמש בו כדי לקבל מסקנות לגבי קבוצות של נתונים.

כדי להשוות בין הפונקציות השונות והמומחיות הנדרשת לכל שירות, אפשר לעיין בטבלה הבאה.

AutoML אימון בלי שרת (serverless) אשכולות אימון Ray on Agent Platform ‫BigQuery ML
נדרשת מומחיות במדע הנתונים לא כן, כדי לפתח את אפליקציית האימון ולטפל בהכנת הנתונים. כן, כדי לפתח את אפליקציית האימון ולטפל בהכנת הנתונים. מומלץ להכיר את מושגי למידת המכונה ואת תהליכי העבודה עם נתונים. לא
נדרשת יכולת תכנות לא. AutoML לא מצריך כתיבת קוד. כן, כדי לפתח את אפליקציית האימון. כן, כדי לפתח את אפליקציית האימון. כן. כן.
זמן אימון המודל נמוך יותר. נדרשת פחות הכנה של נתונים, ואין צורך בפיתוח. גבוה יותר. כולל פיתוח קוד וזמן הקצאת משאבים לפי דרישה לכל משימה. גבוה יותר. התהליך כולל פיתוח קוד, אבל הפעלת העבודה מהירה יותר כי המשאבים כבר הוזמנו, כך שאין צורך להמתין בתור או להקצות משאבים. הזמן שדרוש לאימון תלוי בלוגיקה של הקוד (הכנת הנתונים והאימון) ובזמן הקצאת המשאבים. נמוך יותר. פיתוח המודלים מהיר כי BigQuery ML משתמש במנוע החישוב של BigQuery לאימון, להערכה ולהסקת מסקנות.
מגבלות על יעדים של למידת מכונה כן. חובה לטרגט אחד מהיעדים המוגדרים מראש של AutoML. לא לא לא כן
אפשר לבצע אופטימיזציה ידנית של ביצועי המודל באמצעות כוונון היפר-פרמטרים לא. AutoML מבצע כוונון אוטומטי, אבל אי אפשר לשנות את הערכים. כן. במהלך כל הרצת אימון, אפשר לכוונן את המודל לצורך ניסוי והשוואה. כן. במהלך כל הרצת אימון, אפשר לכוונן את המודל לצורך ניסוי והשוואה. כן. אתם מספקים את קוד האימון המותאם אישית, כך שיש לכם שליטה מלאה על ערכי ההיפרפרמטרים. כן. ‫BigQuery ML תומך בכוונון היפר-פרמטרים במהלך אימון מודלים.
יכולים לשלוט בהיבטים של סביבת ההדרכה מוגבלת. אתם יכולים לציין את התקציב לשעות האימון ולהפעיל עצירה מוקדמת. כן. מציינים את סוג המכונה, גודל הדיסק וקובץ האימג' של הקונטיינר של Compute Engine לכל משימה. כן. אתם מקבלים שליטה מקסימלית, שריון של סוגי מכונות ספציפיים עם ביצועים גבוהים (למשל, H100s), הגדרות דיסק והגדרות רשת לשימוש בלעדי שלכם, וקיבולת מובטחת. כן. יש לכם שליטה משמעותית, כולל תמונות Docker בהתאמה אישית, סוגי מכונות לצמתים ראשיים ולצמתים של עובדים, ומספר המאיצים (GPU) וסוגם. לא
מגבלות על גודל הנתונים כן. מגבלות הגודל של הנתונים משתנות בהתאם לסוג מערך הנתונים. לא לא לא. עם זאת, יש גודל מקסימלי של תגובת שאילתה של 10GB לקריאות מ-BigQuery. כן. מערכת BigQuery ML אוכפת מכסות מתאימות על בסיס כל פרויקט. מידע נוסף זמין במאמר מכסות ומגבלות.

המאמרים הבאים