独自のモデルをトレーニングして使用する

このページでは、Vertex AI で独自のモデルをトレーニングして使用するためのワークフローの概要について説明します。Vertex AI では、モデルのトレーニングに次の 2 つの方法がサポートされています。

• automl: 最小限の技術的知識と労力でモデルを作成してトレーニングします。automl の詳細については、automl 初心者向けガイドをご覧ください。
• カスタム トレーニング : 任意 の ML フレームワーク を 使用 し て 、 大 規模 な モデル の 作成 と トレーニング を 行う ます 。 vertex AI で の カスタム トレーニング に つい て 詳しい は 、 カスタム トレーニング の 概要 を ご覧 ください 。

どの方法を使用するかを決定する方法については、トレーニング方法を選択するをご覧ください。

automl

ML モデルでは、トレーニング データを使用して、トレーニングされていないデータの結果をモデルが推測する方法を確認します。Vertex AI の automl では、ユーザーが提供するトレーニング データに基づいて、コード不要のモデルを構築できます。

automl で作成できるモデルの種類

構築できるモデルの種類はデータのタイプによって異なります。Vertex AI は、次のデータ型とモデルの目的に対応する automl ソリューションを提供します。

注 : ML で予測する問題の設定について Google データ サイエンティストの支援を必要とされる場合は、Google アカウント マネージャーにご連絡ください。

automl モデルのトレーニングと使用のワークフローは、データ型や目的に関係なく同じです。

1. トレーニング データを準備する。
2. データセットを作成する。
3. モデルをトレーニングする。
4. モデル の 評価 と 反復 処理 を 行う 。
5. モデルから予測を取得する。
6. 予測結果を解釈する。

画像データ

automl は、機械学習を使用して画像データのコンテンツを分析します。automl を使用すると、画像データを分類する ML モデルをトレーニングできます。また、画像データ内のオブジェクトを検索することもできます。

Vertex AI を使用すると、画像ベースのモデルからオンライン予測とバッチ予測を行えます。オンライン予測は、モデルのエンドポイントに対して行われる同期リクエストです。アプリケーションの入力に応じてリクエストを行う場合や、タイムリーな推論が必要な場合は、オンライン予測を使用します。バッチ予測は非同期リクエストです。エンドポイントにモデルをデプロイすることなく、モデルリソースからバッチ予測を直接リクエストします。画像データで、すぐにレスポンスを必要とせず 1 回のリクエストで累積データを処理したい場合は、バッチ予測を使用します。

画像の分類

分類 モデル は 、 画像 データ を 分析 し 、 画像 に 適用 さ れる コンテンツ カテゴリ の リスト を 返す ます 。 たとえば 、 猫 を 含む か どう か で 画像 を 分類 する モデル を トレーニング でき ます 。 また は 、 犬 の 品種 で 犬 の 画像 を 分類 する よう に モデル を トレーニング する こと is でき も でき ます 。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

画像のオブジェクト検出

オブジェクト検出モデルは、画像データを分析し、画像内で見つかったすべてのオブジェクトに関するアノテーションを返します。このアノテーションは、各オブジェクトのラベルと境界ボックスの位置で構成されています。たとえば、画像データ内で猫がいる場所を見つけるモデルをトレーニングできます。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

表形式データ

vertex AI で は 、 シンプル な 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 対する 、 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。

詳細については、表形式データの概要をご覧ください。

表形式データが BigQuery ML に保存されている場合は、automl 表形式モデルを BigQuery ML で直接トレーニングできます。詳細については、automl 表形式のリファレンス ドキュメントをご覧ください。

テキストデータ

2024 年 9 月 15 日以降、分類、エンティティ抽出、感情分析の目標をカスタマイズするには、Vertex AI Gemini のプロンプトとチューニングに移行する必要があります。Vertex AI automl Text のモデルを、分類、エンティティ抽出、感情分析の目標に向けてトレーニングまたは更新することはできなくなります。既存の Vertex AI automl Text モデルは、2025 年 6 月 15 日まで引き続き使用できます。automl Text と Gemini の比較については、automl Text ユーザー向けの Gemini をご覧ください。プロンプト機能の向上による Gemini のユーザー エクスペリエンスの改善について詳しくは、チューニングの概要をご覧ください。チューニングを開始するには、Gemini テキストモデルのモデル チューニングをご覧ください。

automl は、機械学習を使用してテキストデータの構造と意味を分析します。automl を使用すると、テキストデータの分類、情報の抽出、著者の感情を把握する ML モデルをトレーニングできます。

Vertex AI を使用すると、テキストベースのモデルからオンライン予測とバッチ予測を行えます。オンライン予測は、モデルのエンドポイントに対して行われる同期リクエストです。アプリケーションの入力に応じてリクエストを行う場合や、タイムリーな推論が必要な場合は、オンライン予測を使用します。バッチ予測は非同期リクエストです。エンドポイントにモデルをデプロイすることなく、モデルリソースからバッチ予測を直接リクエストします。テキストデータで、すぐにレスポンスを必要とせず 1 回のリクエストで累積データを処理したい場合は、バッチ予測を使用します。

テキストの分類

分類モデルは、テキストデータを分析し、データで見つかったテキストに該当するカテゴリのリストを返します。Vertex AI では、単一ラベルとマルチラベルのテキスト分類モデルの両方が用意されています。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

エンティティ抽出モデルは、データ内で参照されている既知のエンティティについてテキストデータを検査し、テキスト内のエンティティにラベルを付けます。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

テキスト の 感情 分析

感情 分析 モデル は 、 テキスト データ を 検査 し 、 その 中 の 優勢 的 な 感情 を 特定 し て 、 特に 書き手 の 肯定 的 な 意見 、 否定 的 な 意見 、 中立 的 な 意見 を 判別 し ます 。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

動画データ

automl は、ML を使用して動画データを分析し、ショットやセグメントの分類を行います。動画データ内の複数のオブジェクトを検出して追跡することもできます。

動画の動作認識

動作 認識 モデル は 、 動画 データ を 分析 し 、 動作 の 発生 時点 で 動作 を 分類 し て リスト を 返す ます 。 たとえば 、 動画 データ を 分析 し て サッカー の ゴール 、 ゴルフ の スウィング 、 タッチダウン 、 ハイタッチ など の 動作 の 瞬間 を 特定 する モデル を トレーニング でき ます 。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

動画 の 分類

分類モデルは、動画データを分析し、分類されたショットとセグメントのリストを返します。たとえば、動画データを分析するモデルをトレーニングし、動画が野球、サッカー、バスケットボール、フットボールのどれに該当するかを識別できます。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

動画のオブジェクト トラッキング

オブジェクト トラッキング モデルでは、動画データを分析し、これらのオブジェクトが検出されたショットとセグメントのリストを返します。たとえば、サッカーの動画データを分析してボールを識別し、追跡するモデルをトレーニングできます。

ドキュメント : データ の 準備 | データ セット の 作成 | モデル の トレーニング | モデル の 評価 | 予測 の 取得 | 結果 の 解釈

カスタム トレーニング

ニーズに対応できる automl ソリューションがない場合は、独自のトレーニング アプリケーションを作成し、作成したアプリケーションを使用して Vertex AI でカスタムモデルをトレーニングすることもできます。任意の ML フレームワークを使用して、トレーニングに使用する次のようなコンピューティング リソースを構成できます。

• VM のタイプと数。
• グラフィック プロセッシング ユニット（GPU）。
• Tensor processing unit ( tpu ) 。
• ブートディスクのタイプとサイズ。

Vertex AI でのカスタム トレーニングについて詳しくは、カスタム トレーニングの概要をご覧ください。