Μπορεί το AutoML Vision να χρησιμοποιηθεί προσαρμοσμένα για την ανάλυση δεδομένων εκτός από εικόνες;

Το AutoML Vision είναι ένα προϊόν μηχανικής μάθησης που αναπτύχθηκε από το Google Cloud, σχεδιασμένο ειδικά για τη δημιουργία προσαρμοσμένων μοντέλων για την ταξινόμηση, την ανίχνευση και την ερμηνεία δεδομένων εικόνας. Η βασική του λειτουργικότητα επικεντρώνεται στην αυτοματοποίηση της διαδικασίας εκπαίδευσης, αξιολόγησης και ανάπτυξης μοντέλων βαθιάς μάθησης για εργασίες που βασίζονται σε εικόνες, όπως η ταξινόμηση εικόνων, η ανίχνευση αντικειμένων και η τμηματοποίηση εικόνων. Για να εξεταστεί εάν το AutoML Vision μπορεί να χρησιμοποιηθεί προσαρμοσμένα για την ανάλυση τύπων δεδομένων εκτός από εικόνες, είναι απαραίτητο να εξεταστεί η αρχιτεκτονική του, οι τρόποι εισαγωγής και το ευρύτερο πλαίσιο των προσφορών AutoML του Google Cloud.

AutoML Vision: Πεδίο εφαρμογής και σχεδιασμός

Το AutoML Vision λειτουργεί με βάση την αρχή της αυτοματοποιημένης ανάλυσης εικόνας. Η διεπαφή χρήστη, οι μηχανισμοί πρόσληψης δεδομένων, τα βήματα προεπεξεργασίας, οι αρχιτεκτονικές μοντέλων και οι μετρήσεις αξιολόγησης είναι όλα προσαρμοσμένα για οπτικά δεδομένα. Η υπηρεσία αναμένει δεδομένα εισόδου με τη μορφή αρχείων εικόνας (π.χ. JPEG, PNG) και αντίστοιχων ετικετών για εργασίες εποπτευόμενης μάθησης. Ο χρήστης ανεβάζει σύνολα δεδομένων εικόνας μέσω της Κονσόλας Google Cloud ή του API, καθορίζει την επιθυμητή εργασία (ταξινόμηση ή ανίχνευση αντικειμένων) και το σύστημα διαχειρίζεται τον διαχωρισμό δεδομένων, την εξαγωγή χαρακτηριστικών, την επιλογή μοντέλου, τη ρύθμιση υπερπαραμέτρων και τον αγωγό εκπαίδευσης χωρίς να απαιτείται εις βάθος εμπειρία μηχανικής μάθησης από τον χρήστη.

Η υποκείμενη τεχνολογική στοίβα χρησιμοποιεί συνελικτικά νευρωνικά δίκτυα (CNN) και σχετικές αρχιτεκτονικές, οι οποίες είναι ιδιαίτερα επιδέξιες στην εξαγωγή χαρακτηριστικών από χωρικά συσχετισμένα δεδομένα, όπως συστοιχίες εικονοστοιχείων σε εικόνες. Η έξοδος από το AutoML Vision είναι συνήθως ένα εκπαιδευμένο μοντέλο που μπορεί να χρησιμοποιηθεί για την πρόβλεψη κατηγοριών εικόνας ή συντεταγμένων πλαισίου οριοθέτησης για αόρατες εικόνες.

Ανάλυση Τύπων Δεδομένων

Δεδομένης της ιδιαιτερότητας σχεδιασμού του AutoML Vision, η χρησιμότητά του περιορίζεται σε δεδομένα τύπου εικόνας. Η προσπάθεια εισαγωγής δεδομένων που δεν είναι εικόνες (όπως δεδομένα σε μορφή πίνακα, δεδομένα χρονοσειρών, αρχεία ήχου ή έγγραφα κειμένου) θα είχε ως αποτέλεσμα ασυμβατότητα σε πολλαπλά επίπεδα, ξεκινώντας από την πρόσληψη δεδομένων έως την επεξεργασία μοντέλων. Το σύστημα δεν παρέχει μηχανισμούς για ανάλυση, μηχανική χαρακτηριστικών ή μοντελοποίηση σε δεδομένα που δεν είναι εικόνες.

Για παράδειγμα, ας υποθέσουμε ότι ένας χρήστης επιχειρεί να ανεβάσει ένα αρχείο CSV που αντιπροσωπεύει δεδομένα σε μορφή πίνακα (όπως συναλλαγές πελατών ή μετρήσεις αισθητήρων) στο AutoML Vision. Η υπηρεσία δεν θα δεχόταν αυτήν τη μορφή, καθώς δεν την αναγνωρίζει ως έγκυρη είσοδο εικόνας. Ακόμα κι αν τα δεδομένα σε μορφή πίνακα μετατρέπονταν με κάποιο τρόπο σε μορφή εικόνας (π.χ., με την απόδοση ενός θερμικού χάρτη ή ενός γραφήματος και την αποθήκευσή του ως PNG), η σημασιολογική σημασία των δεδομένων δεν θα διατηρούνταν και τα μοντέλα που εκπαιδεύτηκαν δεν θα ήταν κατάλληλα για τους αρχικούς αναλυτικούς στόχους που σχετίζονται με τα δεδομένα σε μορφή πίνακα.

Ομοίως, τα ηχητικά δεδομένα (όπως η ομιλία ή οι περιβαλλοντικοί ήχοι) ή τα δεδομένα κειμένου (έγγραφα, email, αναρτήσεις στα μέσα κοινωνικής δικτύωσης) απαιτούν εξειδικευμένη προεπεξεργασία και αρχιτεκτονικές μοντέλων. Ενώ υπάρχουν ερευνητικές τεχνικές που μετατρέπουν τα ηχητικά σήματα σε εικόνες φασματογράμματος για ανάλυση που βασίζεται στο CNN ή κωδικοποιούν δεδομένα κειμένου ως πίνακες που μοιάζουν με εικόνα, αυτές οι προσεγγίσεις δεν υποστηρίζονται εγγενώς από το AutoML Vision και η εφαρμογή τους θα απαιτούσε έναν προσαρμοσμένο αγωγό προεπεξεργασίας εκτός του πεδίου εφαρμογής της προβλεπόμενης χρήσης του προϊόντος.

Οικογένεια AutoML: Τροποποιήσεις πέρα ​​από τις εικόνες

Παρόλο που το AutoML Vision περιορίζεται σε δεδομένα εικόνας, το Google Cloud AutoML περιλαμβάνει μια σουίτα προϊόντων, το καθένα προσαρμοσμένο για διαφορετικούς τύπους δεδομένων:

1. Πίνακες AutoML: Σχεδιασμένο για δομημένα, πινακοποιημένα δεδομένα όπως υπολογιστικά φύλλα, βάσεις δεδομένων και αρχεία CSV. Το AutoML Tables παρέχει αυτοματοποιημένη μηχανική χαρακτηριστικών, επιλογή μοντέλου (συμπεριλαμβανομένης της ενίσχυσης διαβάθμισης, των τυχαίων δασών και των νευρωνικών δικτύων) και μετρήσεις αξιολόγησης κατάλληλες για εργασίες παλινδρόμησης και ταξινόμησης σε πινακοποιημένα δεδομένα.

2. AutoML Φυσική Γλώσσα: Σχεδιασμένο ειδικά για δεδομένα κειμένου, υποστηρίζοντας εργασίες όπως ανάλυση συναισθημάτων, εξαγωγή οντοτήτων και ταξινόμηση κειμένου. Χρησιμοποιεί μοντέλα επεξεργασίας φυσικής γλώσσας (NLP) βελτιστοποιημένα για ερμηνεία εγγράφων και προτάσεων.

3. AutoML Video Intelligence: Προορίζεται για δεδομένα βίντεο, επιτρέποντας εργασίες όπως η ταξινόμηση βίντεο, η παρακολούθηση αντικειμένων και η αναγνώριση ενεργειών. Αξιοποιεί τεχνικές χρονικής αλλά και χωρικής μοντελοποίησης.

4. AutoML ΜετάφρασηΔιευκολύνει την αυτοματοποιημένη εκπαίδευση προσαρμοσμένων μοντέλων μετάφρασης για δεδομένα κειμένου σε διαφορετικές γλώσσες.

Κάθε ένα από αυτά τα προϊόντα AutoML μοιράζεται τον πρωταρχικό στόχο του εκδημοκρατισμού της μηχανικής μάθησης μέσω της αυτοματοποίησης των σύνθετων βημάτων που εμπλέκονται στην ανάπτυξη μοντέλων. Ωστόσο, το καθένα έχει σχεδιαστεί για τις μοναδικές απαιτήσεις και προκλήσεις που θέτει η αντίστοιχη μέθοδος δεδομένων.

Διδακτικό Παράδειγμα: Περιπτώσεις Χρήσης και Επιλογή Προϊόντος

Σκεφτείτε μια επιχείρηση που επιδιώκει να αυτοματοποιήσει τον ποιοτικό έλεγχο σε μια διαδικασία παραγωγής, ελέγχοντας εικόνες προϊόντων για ελαττώματα. Το AutoML Vision είναι ιδανικό για αυτήν την περίπτωση χρήσης, καθώς μπορεί να εκπαιδευτεί ώστε να αναγνωρίζει ανεπαίσθητες διαφορές στην εμφάνιση του προϊόντος και να ταξινομεί ή να εντοπίζει ελαττώματα. Ο χρήστης ανεβάζει ένα ετικετημένο σύνολο δεδομένων εικόνων προϊόντων και το AutoML Vision χειρίζεται την εκπαίδευση ενός μοντέλου ανίχνευσης ελαττωμάτων.

Συγκρίνετε αυτό με ένα σενάριο όπου μια επιχείρηση θέλει να προβλέψει την απώλεια πελατών με βάση δομημένα δεδομένα όπως δημογραφικά στοιχεία, ιστορικό αγορών και μετρήσεις αφοσίωσης. Σε αυτήν την περίπτωση, τα δεδομένα δεν είναι οπτικά και παρουσιάζονται καλύτερα σε πίνακες. Το AutoML Tables είναι το κατάλληλο εργαλείο, καθώς μπορεί να επεξεργάζεται δεδομένα σε μορφή πίνακα, να εκτελεί αυτόματη μηχανική χαρακτηριστικών (π.χ., χειρισμό τιμών που λείπουν, κωδικοποίηση κατηγορικών μεταβλητών) και να επιλέγει βέλτιστα μοντέλα για ταξινόμηση.

Για την ανάλυση ήχου, όπως η ταξινόμηση περιβαλλοντικών ήχων ή η μεταγραφή ομιλίας, το Google Cloud παρέχει υπηρεσίες όπως η μετατροπή ομιλίας σε κείμενο και η AutoML Natural Language (για την ανάλυση κειμένου κατάντη), αλλά το AutoML Vision δεν θα ήταν κατάλληλο εκτός εάν τα ηχητικά δεδομένα μετατραπούν πρώτα σε μορφή εικόνας (όπως ένα φασματογράφημα), και ακόμη και τότε, τα αποτελέσματα θα εξαρτώνται σε μεγάλο βαθμό από την καταλληλότητα αυτής της μηχανικής χαρακτηριστικών για τον αναλυτικό στόχο.

Τεχνική Προοπτική: Γιατί το AutoML Vision δεν μπορεί να επεκταθεί σε δεδομένα που δεν είναι εικόνες

Η αρχιτεκτονική εξειδίκευση του AutoML Vision βασίζεται σε διάφορες τεχνικές πτυχές:

- Επίπεδο εισαγωγής δεδομένωνΤα API και οι διεπαφές χρήστη του AutoML Vision έχουν σχεδιαστεί για την απορρόφηση αρχείων εικόνας σε συγκεκριμένες μορφές. Δεν υπάρχει πρόβλεψη για την ανάλυση μορφών δεδομένων που δεν είναι εικόνες.

- Αγωγός προεπεξεργασίαςΤα βήματα προεπεξεργασίας είναι προσαρμοσμένα για εικόνες, συμπεριλαμβανομένης της αλλαγής μεγέθους, της ομαλοποίησης των τιμών των pixel και των τεχνικών αύξησης δεδομένων όπως η περιστροφή, η αναστροφή και η περικοπή. Τα δεδομένα που δεν προέρχονται από εικόνες δεν επωφελούνται από τέτοιους μετασχηματισμούς.

- Αρχιτεκτονική μοντέλουΟι αρχιτεκτονικές μοντέλων (CNN, πιθανώς με προσαρμοσμένα επίπεδα για ανίχνευση ή τμηματοποίηση) έχουν σχεδιαστεί για να εκμεταλλεύονται την χωρική τοπικότητα και την αναλλοίωτη φύση των δεδομένων εικόνας. Τα δεδομένα που δεν προέρχονται από εικόνες, όπως ένας πίνακας με αρχεία πωλήσεων, δεν διαθέτουν αυτές τις ιδιότητες και επομένως δεν θα ήταν κατάλληλα για τέτοια μοντέλα.

- Επισήμανση και ΑξιολόγησηΤα εργαλεία επισήμανσης και οι μετρήσεις αξιολόγησης (ακρίβεια, ακρίβεια, ανάκληση για κλάσεις εικόνας· μέση μέση ακρίβεια για ανίχνευση αντικειμένων) ορίζονται γύρω από εργασίες που βασίζονται σε εικόνες.

- Εξαγωγή και ΑνάπτυξηΤα μοντέλα που έχουν εκπαιδευτεί στο AutoML Vision εξάγονται σε μορφές κατάλληλες για συμπερασματολογία εικόνων (π.χ., TensorFlow SavedModel, Edge TPU). Οι υπογραφές εισόδου αναμένουν εικόνες ως είσοδο.

Για αυτούς τους λόγους, το AutoML Vision δεν μπορεί να προσαρμοστεί για την ανάλυση δεδομένων που δεν είναι εικόνες χωρίς να τροποποιηθεί ριζικά η υποδομή προεπεξεργασίας, μοντελοποίησης και ανάπτυξης, οπότε θα έπαυε να είναι το AutoML Vision στην τρέχουσα μορφή του.

Βέλτιστες πρακτικές: Επιλογή του σωστού προϊόντος AutoML

Όταν προσεγγίζουμε ένα πρόβλημα μηχανικής μάθησης, ο τύπος δεδομένων θα πρέπει να καθοδηγεί την επιλογή του κατάλληλου προϊόντος AutoML:

– Για δεδομένα εικόνας (π.χ. φωτογραφίες, ιατρικές σαρώσεις, δορυφορικές εικόνες): Χρησιμοποιήστε το AutoML Vision.
– Για δομημένα δεδομένα σε μορφή πίνακα (π.χ., υπολογιστικά φύλλα, πίνακες βάσεων δεδομένων): Χρησιμοποιήστε πίνακες AutoML.
– Για κείμενο ελεύθερης μορφής ή δομημένο (π.χ. έγγραφα, κριτικές, ηλεκτρονικά μηνύματα): Χρησιμοποιήστε τη φυσική γλώσσα AutoML.
– Για βίντεο (π.χ., υλικό παρακολούθησης, αθλητικές εγγραφές): Χρησιμοποιήστε το AutoML Video Intelligence.
– Για εργασίες μετάφρασης: Χρησιμοποιήστε το AutoML Translation.

Η προσπάθεια χρήσης ενός προϊόντος εκτός της προβλεπόμενης μεθόδου δεδομένων οδηγεί σε μη βέλτιστα αποτελέσματα, προβλήματα ασυμβατότητας ή πλήρη αποτυχία επεξεργασίας των δεδομένων.

Παραδείγματα Προσαρμογής Μοντέλου στο AutoML Vision

Ενώ η προσαρμοσμένη χρήση στο AutoML Vision είναι δυνατή με την έννοια του ορισμού προσαρμοσμένων ετικετών, του καθορισμού προσαρμοσμένων διαχωρισμών εικόνας και της προσαρμογής κριτηρίων αξιολόγησης, αυτές οι προσαρμογές περιορίζονται στα δεδομένα εικόνας. Για παράδειγμα, ένας ερευνητής που μελετά ασθένειες φυτών θα μπορούσε να ανεβάσει εικόνες φύλλων κατηγοριοποιημένες ανά τύπο ασθένειας και να προσαρμόσει τον διαχωρισμό εκπαίδευσης-επικύρωσης ή να ενισχύσει τις εικόνες με μετασχηματισμούς συγκεκριμένους για τον τομέα (π.χ., προσαρμογή καναλιών χρώματος για προσομοίωση διαφορετικών συνθηκών φωτισμού). Αυτές οι προσαρμογές βελτιώνουν την απόδοση του μοντέλου εντός του τομέα ανάλυσης εικόνας, αλλά δεν επεκτείνουν τη χρησιμότητα του προϊόντος σε δεδομένα που δεν είναι εικόνες.

Εναλλακτικές στρατηγικές για δεδομένα που δεν προέρχονται από εικόνες

Οι οργανισμοί που αναζητούν αυτοματοποιημένη μηχανική μάθηση για δεδομένα που δεν είναι εικόνες θα πρέπει να αξιοποιήσουν το κατάλληλο προϊόν AutoML ή να εξετάσουν τις ακόλουθες εναλλακτικές λύσεις:

- Ανάπτυξη προσαρμοσμένου μοντέλουΕάν ο τύπος δεδομένων ή η εργασία δεν καλύπτεται από υπάρχοντα προϊόντα AutoML, οι οργανισμοί ενδέχεται να χρειαστεί να αναπτύξουν προσαρμοσμένους αγωγούς χρησιμοποιώντας βιβλιοθήκες ανοιχτού κώδικα (π.χ., scikit-learn, TensorFlow, PyTorch) ή άλλες διαχειριζόμενες υπηρεσίες που υποστηρίζουν ευρύτερη προσαρμογή.

- Μετασχηματισμός δεδομένωνΣε σπάνιες περιπτώσεις, τα δεδομένα μπορούν να μετατραπούν σε μια αναπαράσταση που μοιάζει με εικόνα (π.χ., δεδομένα χρονοσειρών που μετατρέπονται σε διαγράμματα επανάληψης ή γωνιακά πεδία Gramian) και στη συνέχεια να υποβληθούν σε επεξεργασία με μοντέλα που βασίζονται σε εικόνες. Ωστόσο, αυτό απαιτεί σημαντική εξειδίκευση στον τομέα και προσεκτική επικύρωση για να εξασφαλιστούν ουσιαστικά αποτελέσματα.

- Λύσεις τρίτωνΥπάρχουν λύσεις AutoML τρίτων κατασκευαστών (π.χ., H2O.ai, DataRobot) που προσφέρουν υποστήριξη για ένα ευρύτερο φάσμα μεθόδων δεδομένων εντός μιας ενοποιημένης διεπαφής.

Το AutoML Vision έχει σχεδιαστεί για αυτοματοποιημένη μηχανική μάθηση μόνο σε δεδομένα εικόνας και δεν μπορεί να χρησιμοποιηθεί προσαρμοσμένα για την ανάλυση τύπων δεδομένων εκτός του οπτικού τομέα. Για δεδομένα που δεν είναι εικόνες, όπως δεδομένα σε μορφή πίνακα, κείμενο, ήχο ή βίντεο, το Google Cloud παρέχει αποκλειστικά προϊόντα AutoML με προσαρμοσμένες διοχετεύσεις, διεπαφές και αρχιτεκτονικές μοντέλων. Η επιλογή του σωστού προϊόντος AutoML ανάλογα με τον τύπο δεδομένων είναι κρίσιμη για την επιτυχία των αποτελεσμάτων μηχανικής μάθησης.

Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με Πρόοδος στη Μηχανική Μάθηση:

• Ποια είναι η πλήρης ροή εργασίας για την προετοιμασία και την εκπαίδευση ενός προσαρμοσμένου μοντέλου ταξινόμησης εικόνων με το AutoML Vision, από τη συλλογή δεδομένων έως την ανάπτυξη του μοντέλου;
• Πώς μπορεί ένας επιστήμονας δεδομένων να αξιοποιήσει το Kaggle για να εφαρμόσει προηγμένα οικονομετρικά μοντέλα, να τεκμηριώσει αυστηρά σύνολα δεδομένων και να συνεργαστεί αποτελεσματικά σε κοινά έργα με την κοινότητα;
• Ποια είναι η διαφορά μεταξύ της χρήσης του CREATE MODEL με το LINEAR_REG στο BigQuery ML έναντι της εκπαίδευσης ενός προσαρμοσμένου μοντέλου με το TensorFlow στο Vertex AI για την πρόβλεψη χρονοσειρών;
• Πώς μπορώ να εξασκηθώ στο AutoML Vision χωρίς την πλατφόρμα Google Cloud (δεν έχω πιστωτική κάρτα);
• Ενεργοποιείται αυτόματα η λειτουργία eager σε νεότερες εκδόσεις του TensorFlow;
• Πώς να δημιουργήσετε μοντέλο και έκδοση στο GCP μετά την μεταφόρτωση του model.joblib στο bucket;
• Μπορεί το Kubeflow να εγκατασταθεί σε δικούς του διακομιστές;
• Η λειτουργία eager απενεργοποιείται αυτόματα κατά τη μετακίνηση σε νέο κελί στο σημειωματάριο;
• Μπορούν να χρησιμοποιηθούν ιδιωτικά μοντέλα, με περιορισμένη πρόσβαση σε συνεργάτες της εταιρείας, εντός του TensorFlowHub;
• Είναι δυνατόν να μετατρέψω ένα μοντέλο από μορφή json σε h5;

Δείτε περισσότερες ερωτήσεις και απαντήσεις στο Advancing in Machine Learning

Περισσότερες ερωτήσεις και απαντήσεις:

• Πεδίο: Τεχνητή νοημοσύνη
• πρόγραμμα: EITC/AI/GCML Google Cloud Machine Learning (μεταβείτε στο πρόγραμμα πιστοποίησης)
• Μάθημα: Πρόοδος στη Μηχανική Μάθηση (πηγαίνετε στο σχετικό μάθημα)
• Θέμα: AutoML Vision - μέρος 1 (μεταβείτε σε σχετικό θέμα)