La documentazione di Vertex AI non viene più aggiornata

I servizi di Vertex AI ora fanno parte di Gemini Enterprise Agent Platform. Per informazioni aggiornate, consulta la documentazione di Agent Platform.

Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Addestra un modello con il flusso di lavoro tabulare per la previsione

Questa pagina mostra come addestrare un modello di previsione da un set di dati tabulari con Tabular Workflow for Forecasting.

Per scoprire di più sui service account utilizzati da questo flusso di lavoro, consulta Service account per i flussi di lavoro tabulari.

Se ricevi un errore di quota durante l'esecuzione di Tabular Workflow for Forecasting, potresti dover richiedere una quota più alta. Per saperne di più, consulta Gestire le quote per i flussi di lavoro tabulari.

Tabular Workflow for Forecasting non supporta l'esportazione dei modelli.

API del flusso di lavoro

Questo flusso di lavoro utilizza le seguenti API:

Vertex AI
Dataflow
Compute Engine
Cloud Storage

Recuperare l'URI del risultato dell'ottimizzazione degli iperparametri precedente

Se hai già completato un'esecuzione di Tabular Workflow for Forecasting, puoi utilizzare il risultato dell'ottimizzazione degli iperparametri dell'esecuzione precedente per risparmiare tempo e risorse di addestramento. Trova il risultato dell'ottimizzazione degli iperparametri precedente utilizzando la console Google Cloud o caricandolo in modo programmatico con l'API.

Google Cloud Console

Per trovare l'URI del risultato dell'ottimizzazione degli iperparametri utilizzando la Google Cloud console, segui questi passaggi:

Nella Google Cloud console, nella sezione Vertex AI, vai a lla pagina Pipeline.

Vai alla pagina Pipeline
Seleziona la scheda Esecuzioni.
Seleziona l'esecuzione della pipeline che vuoi utilizzare.
Seleziona Espandi artefatti.
Fai clic sul componente exit-handler-1.
Fai clic sul componente stage_1_tuning_result_artifact_uri_empty.
Trova il componente automl-forecasting-stage-1-tuner.
Fai clic sull'artefatto associato tuning_result_output.
Seleziona la scheda Informazioni sul nodo.
Copia l'URI da utilizzare nel passaggio Addestra un modello.

risultato dell'ottimizzazione della previsione

API: Python

Il seguente codice campione mostra come caricare il risultato dell'ottimizzazione degli iperparametri utilizzando l'API. La variabile job si riferisce all'esecuzione della pipeline di addestramento del modello precedente.


def get_task_detail(
  task_details: List[Dict[str, Any]], task_name: str
) -> List[Dict[str, Any]]:
  for task_detail in task_details:
      if task_detail.task_name == task_name:
          return task_detail

pipeline_task_details = job.gca_resource.job_detail.task_details

stage_1_tuner_task = get_task_detail(
    pipeline_task_details, "automl-forecasting-stage-1-tuner"
)
stage_1_tuning_result_artifact_uri = (
    stage_1_tuner_task.outputs["tuning_result_output"].artifacts[0].uri
)

Addestra un modello

Il seguente codice campione mostra come eseguire una pipeline di addestramento del modello:

job = aiplatform.PipelineJob(
    ...
    template_path=template_path,
    parameter_values=parameter_values,
    ...
)
job.run(service_account=SERVICE_ACCOUNT)

Il parametro facoltativo service_account in job.run() consente di impostare il account di servizio di Vertex AI Pipelines su un account a tua scelta.

Vertex AI supporta i seguenti metodi per l'addestramento del modello:

Time series Dense Encoder (TiDE). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_time_series_dense_encoder_forecasting_pipeline_and_parameters(...)
```
Trasformatore di fusione temporale (TFT). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_temporal_fusion_transformer_forecasting_pipeline_and_parameters(...)
```
AutoML (L2L). Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_learn_to_learn_forecasting_pipeline_and_parameters(...)
```
Seq2Seq+. Per utilizzare questo metodo di addestramento del modello, definisci la pipeline e i valori dei parametri utilizzando la seguente funzione:
```
template_path, parameter_values = automl_forecasting_utils.get_sequence_to_sequence_forecasting_pipeline_and_parameters(...)
```

Per saperne di più, consulta Metodi di addestramento dei modelli.

I dati di addestramento possono essere un file CSV in Cloud Storage o una tabella in BigQuery.

Di seguito è riportato un sottoinsieme dei parametri di addestramento del modello:

Nome parametro	Tipo	Definizione
`optimization_objective`	Stringa	Per impostazione predefinita, Vertex AI riduce al minimo l'errore quadratico medio (RMSE). Se vuoi un obiettivo di ottimizzazione diverso per il modello di previsione, scegli una delle opzioni in Obiettivi di ottimizzazione per i modelli di previsione. Se scegli di ridurre al minimo la perdita di quantili, devi anche specificare un valore per `quantiles`.
`enable_probabilistic_inference`	Booleano	Se impostato su `true`, Vertex AI modella la distribuzione di probabilità della previsione. L'inferenza probabilistica può migliorare la qualità del modello gestendo i dati rumorosi e quantificando l'incertezza. Se vengono specificati `quantiles`, Vertex AI restituisce anche i quantili della distribuzione. L'inferenza probabilistica è compatibile solo con i metodi di addestramento Time series Dense Encoder (TiDE) e AutoML (L2L). L'inferenza probabilistica non è compatibile con l'obiettivo di ottimizzazione `minimize-quantile-loss`.
`quantiles`	List[float]	Quantili da utilizzare per l'obiettivo di ottimizzazione `minimize-quantile-loss` e l'inferenza probabilistica. Fornisci un elenco di massimo cinque numeri univoci compresi tra `0` e `1`, esclusi.
`time_column`	Stringa	La colonna Data/Ora. Per saperne di più, consulta Requisiti della struttura dei dati.
`time_series_identifier_columns`	List[str]	Le colonne identificatore serie temporale. Per saperne di più, consulta Requisiti della struttura dei dati.
`weight_column`	Stringa	(Facoltativo) La colonna peso. Per saperne di più, consulta Aggiungere pesi ai dati di addestramento.
`time_series_attribute_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne che sono attributi delle serie temporali. Per saperne di più, consulta Tipo di caratteristica e disponibilità al momento della previsione.
`available_at_forecast_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne delle covariate il cui valore è noto al momento della previsione. Per saperne di più, consulta Tipo di caratteristica e disponibilità al momento della previsione.
`unavailable_at_forecast_columns`	List[str]	(Facoltativo) Il nome o i nomi delle colonne delle covariate il cui valore è sconosciuto al momento della previsione. Per saperne di più, consulta Tipo di caratteristica e disponibilità al momento della previsione.
`forecast_horizon`	Numero intero	(Facoltativo) L'orizzonte di previsione determina per quanto lontano nel futuro il modello prevede il valore target per ogni riga di dati di inferenza. Per saperne di più, consulta Orizzonte di previsione, finestra contestuale e finestra di previsione.
`context_window`	Numero intero	(Facoltativo) La finestra contestuale imposta la distanza nel passato che il modello considera durante l'addestramento (e per le previsioni). In altre parole, per ogni punto dati di addestramento, la finestra contestuale determina la distanza nel passato che il modello considera per i pattern predittivi. Per saperne di più, consulta Orizzonte di previsione, finestra contestuale e finestra di previsione.
`window_max_count`	Numero intero	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia a finestra mobile. La strategia predefinita è Conteggio. Il valore predefinito per il numero massimo di finestre è `100,000,000`. Imposta questo parametro per fornire un valore personalizzato per il numero massimo di finestre. Per saperne di più, consulta Strategie a finestra mobile.
`window_stride_length`	Numero intero	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia a finestra mobile. Per selezionare la strategia Passo, imposta questo parametro sul valore della lunghezza passo. Per saperne di più, consulta Strategie a finestra mobile.
`window_predefined_column`	Stringa	(Facoltativo) Vertex AI genera finestre di previsione dai dati di input utilizzando una strategia a finestra mobile. Per selezionare la strategia Colonna, imposta questo parametro sul nome della colonna con valori `True` o `False`. Per saperne di più, consulta Strategie a finestra mobile.
`holiday_regions`	List[str]	(Facoltativo) Puoi selezionare una o più regioni geografiche per abilitare la modellazione dell'effetto delle festività. Durante l'addestramento, Vertex AI crea caratteristiche categoriche delle festività all'interno del modello in base alla data di `time_column` e alle regioni geografiche specificate. Per impostazione predefinita, la modellazione dell'effetto delle festività è disabilitata. Per saperne di più, consulta Regioni delle festività.
`predefined_split_key`	Stringa	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. Se vuoi controllare quali righe di dati di addestramento vengono utilizzate per quale suddivisione, fornisci il nome della colonna contenente i valori di suddivisione dei dati (`TRAIN`, `VALIDATION`, `TEST`). Per saperne di più, consulta Suddivisioni dei dati per la previsione.
`training_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione di convalida e il 10% alla suddivisione di test. Imposta questo parametro se vuoi personalizzare la frazione dei dati assegnata al set di addestramento. Per saperne di più, consulta Suddivisioni dei dati per la previsione.
`validation_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione di convalida e il 10% alla suddivisione di test. Imposta questo parametro se vuoi personalizzare la frazione dei dati assegnata al set di validazione. Per saperne di più, consulta Suddivisioni dei dati per la previsione.
`test_fraction`	Numero in virgola mobile	(Facoltativo) Per impostazione predefinita, Vertex AI utilizza un algoritmo di suddivisione cronologica per separare i dati di previsione nelle tre suddivisioni di dati. L'80% dei dati viene assegnato al set di addestramento, il 10% alla suddivisione di convalida e il 10% alla suddivisione di test. Imposta questo parametro se vuoi personalizzare la frazione dei dati assegnata al set di test. Per saperne di più, consulta Suddivisioni dei dati per la previsione.
`data_source_csv_filenames`	Stringa	Un URI per un file CSV archiviato in Cloud Storage.
`data_source_bigquery_table_path`	Stringa	Un URI per una tabella BigQuery.
`dataflow_service_account`	Stringa	(Facoltativo) account di servizio personalizzato per eseguire i job Dataflow. Puoi configurare il job Dataflow in modo che utilizzi indirizzi IP privati e una subnet VPC specifica. Questo parametro funge da override per il account di servizio worker Dataflow predefinito.
`run_evaluation`	Booleano	Se impostato su `True`, Vertex AI valuta il modello di insieme sulla suddivisione di test.
`evaluated_examples_bigquery_path`	Stringa	Il percorso del set di dati BigQuery utilizzato durante la valutazione del modello. Il set di dati funge da destinazione per gli esempi previsti. Devi impostare il valore parametro se `run_evaluation` è impostato su `True` e deve avere il seguente formato: `bq://[PROJECT].[DATASET]`.

Trasformazioni

Puoi fornire un dizionario di mappatura delle risoluzioni automatiche o di tipo alle colonne delle caratteristiche. I tipi supportati sono: auto, numerico, categorico, testo e timestamp.

Nome parametro	Tipo	Definizione
`transformations`	Dict[str, List[str]]	Dizionario di mappatura delle risoluzioni automatiche o di tipo

Il seguente codice fornisce una funzione helper per popolare il parametro transformations. Mostra anche come utilizzare questa funzione per applicare trasformazioni automatiche a un insieme di colonne definite da una variabile features.

def generate_transformation(
      auto_column_names: Optional[List[str]]=None,
      numeric_column_names: Optional[List[str]]=None,
      categorical_column_names: Optional[List[str]]=None,
      text_column_names: Optional[List[str]]=None,
      timestamp_column_names: Optional[List[str]]=None,
    ) -> List[Dict[str, Any]]:
    if auto_column_names is None:
      auto_column_names = []
    if numeric_column_names is None:
      numeric_column_names = []
    if categorical_column_names is None:
      categorical_column_names = []
    if text_column_names is None:
      text_column_names = []
    if timestamp_column_names is None:
      timestamp_column_names = []
    return {
        "auto": auto_column_names,
        "numeric": numeric_column_names,
        "categorical": categorical_column_names,
        "text": text_column_names,
        "timestamp": timestamp_column_names,
    }

transformations = generate_transformation(auto_column_names=features)

Per saperne di più sulle trasformazioni, consulta Tipi di dati e trasformazioni.

Opzioni di personalizzazione del flusso di lavoro

Puoi personalizzare Tabular Workflow for Forecasting definendo i valori degli argomenti passati durante la definizione della pipeline. Puoi personalizzare il flusso di lavoro nei seguenti modi:

Configura hardware
Salta ricerca architettura

Configura hardware

Il seguente parametro di addestramento del modello consente di configurare i tipi di macchine e il numero di macchine per l'addestramento. Questa opzione è una buona scelta se hai un set di dati di grandi dimensioni e vuoi ottimizzare l'hardware della macchina di conseguenza.

Nome parametro	Tipo	Definizione
`stage_1_tuner_worker_pool_specs_override`	Dict[String, Any]	(Facoltativo) Configurazione personalizzata dei tipi di macchine e del numero di macchine per l'addestramento. Questo parametro configura il componente `automl-forecasting-stage-1-tuner` della pipeline.

Il seguente codice mostra come impostare il tipo di macchina n1-standard-8 per il nodo principale di TensorFlow e il tipo di macchina n1-standard-4 per il nodo di valutazione di TensorFlow:

worker_pool_specs_override = [
  {"machine_spec": {"machine_type": "n1-standard-8"}}, # override for TF chief node
  {},  # override for TF worker node, since it's not used, leave it empty
  {},  # override for TF ps node, since it's not used, leave it empty
  {
    "machine_spec": {
        "machine_type": "n1-standard-4" # override for TF evaluator node
    }
  }
]

Salta ricerca architettura

Il seguente parametro di addestramento del modello consente di eseguire la pipeline senza la ricerca dell'architettura e di fornire invece un insieme di iperparametri da un'esecuzione precedente della pipeline.

Nome parametro	Tipo	Definizione
`stage_1_tuning_result_artifact_uri`	Stringa	(Facoltativo) URI del risultato dell'ottimizzazione degli iperparametri di un'esecuzione precedente della pipeline.

Passaggi successivi

Scopri di più sulle inferenze batch per i modelli di previsione.
Scopri di più sui prezzi dell'addestramento dei modelli.