มีตัวเลือกใดบ้างสำหรับการตั้งค่างบประมาณการฝึกอบรมในตาราง AutoML
การตั้งค่างบประมาณการฝึกอบรมในตาราง AutoML มีหลายตัวเลือกที่ช่วยให้ผู้ใช้สามารถควบคุมจำนวนทรัพยากรที่จัดสรรให้กับกระบวนการฝึกอบรมได้ ตัวเลือกเหล่านี้ออกแบบมาเพื่อเพิ่มประสิทธิภาพการแลกเปลี่ยนระหว่างประสิทธิภาพของโมเดลและต้นทุน ทำให้ผู้ใช้สามารถบรรลุระดับความแม่นยำที่ต้องการภายในข้อจำกัดด้านงบประมาณ
ตัวเลือกแรกสำหรับการตั้งค่างบประมาณการฝึกอบรมคือพารามิเตอร์ "budget_milli_node_hours" พารามิเตอร์นี้แสดงจำนวนทรัพยากรการประมวลผลทั้งหมดที่จะใช้สำหรับการฝึกอบรม โดยวัดเป็นมิลลิโหนดชั่วโมง กำหนดระยะเวลาสูงสุดของกระบวนการฝึกอบรมและส่งผลทางอ้อมต่อต้นทุน โดยการปรับพารามิเตอร์นี้ ผู้ใช้สามารถระบุการแลกเปลี่ยนที่ต้องการระหว่างความถูกต้องของแบบจำลองและต้นทุน ค่าที่สูงขึ้นจะจัดสรรทรัพยากรให้กับกระบวนการฝึกอบรมมากขึ้น ซึ่งอาจส่งผลให้มีความแม่นยำสูงขึ้นแต่ก็มีต้นทุนสูงขึ้นด้วย
อีกทางเลือกหนึ่งคือพารามิเตอร์ "งบประมาณ" ซึ่งแสดงถึงต้นทุนการฝึกอบรมสูงสุดที่ผู้ใช้ยินดีจ่าย พารามิเตอร์นี้อนุญาตให้ผู้ใช้ตั้งค่าขีดจำกัดตายตัวสำหรับค่าใช้จ่ายในการฝึกอบรม เพื่อให้แน่ใจว่าทรัพยากรที่จัดสรรไม่เกินงบประมาณที่ระบุ บริการ AutoML Tables จะปรับกระบวนการฝึกอบรมโดยอัตโนมัติเพื่อให้พอดีกับงบประมาณที่กำหนด เพิ่มประสิทธิภาพการจัดสรรทรัพยากรเพื่อให้ได้ความแม่นยำที่สุดเท่าที่จะเป็นไปได้ภายในข้อจำกัดที่กำหนด
นอกจากตัวเลือกเหล่านี้แล้ว ตาราง AutoML ยังให้ความสามารถในการกำหนดจำนวนการประเมินโมเดลขั้นต่ำโดยใช้พารามิเตอร์ "model_evaluation_count" พารามิเตอร์นี้กำหนดจำนวนครั้งขั้นต่ำที่ควรประเมินโมเดลในระหว่างกระบวนการฝึกอบรม ด้วยการตั้งค่าที่สูงขึ้น ผู้ใช้สามารถมั่นใจได้ว่าโมเดลได้รับการประเมินและปรับแต่งอย่างถี่ถ้วน ซึ่งอาจนำไปสู่ความแม่นยำที่ดีขึ้น อย่างไรก็ตาม สิ่งสำคัญคือต้องทราบว่าการเพิ่มจำนวนการประเมินจะเพิ่มต้นทุนการฝึกอบรมโดยรวมด้วย
นอกจากนี้ ตาราง AutoML ยังเสนอตัวเลือกในการระบุวัตถุประสงค์การเพิ่มประสิทธิภาพที่ต้องการผ่านพารามิเตอร์ "optimization_objective" พารามิเตอร์นี้ช่วยให้ผู้ใช้สามารถกำหนดเมตริกที่พวกเขาต้องการเพิ่มประสิทธิภาพในระหว่างกระบวนการฝึกอบรม เช่น ความแม่นยำ ความแม่นยำ การเรียกคืน หรือคะแนน F1 โดยการตั้งค่าวัตถุประสงค์การเพิ่มประสิทธิภาพ ผู้ใช้สามารถแนะนำกระบวนการฝึกอบรมเพื่อให้บรรลุเป้าหมายประสิทธิภาพที่ต้องการภายในงบประมาณที่จัดสรร
ประการสุดท้าย ตาราง AutoML ให้ความยืดหยุ่นในการปรับงบประมาณการฝึกอบรมหลังจากเริ่มการฝึกอบรมครั้งแรก ผู้ใช้สามารถติดตามความคืบหน้าการฝึกอบรมและทำการตัดสินใจโดยอิงตามผลลัพธ์ขั้นกลาง หากแบบจำลองไม่เป็นไปตามความแม่นยำที่ต้องการภายในงบประมาณที่จัดสรร ผู้ใช้สามารถพิจารณาเพิ่มงบประมาณการฝึกอบรมเพื่อจัดสรรทรัพยากรมากขึ้นและปรับปรุงประสิทธิภาพของแบบจำลอง
โดยสรุป ตัวเลือกที่ใช้ได้สำหรับการตั้งค่างบประมาณการฝึกอบรมในตาราง AutoML ได้แก่ พารามิเตอร์ "budget_milli_node_hours" พารามิเตอร์ "budget" พารามิเตอร์ "model_evaluation_count" พารามิเตอร์ "optimization_objective" และความสามารถในการปรับงบประมาณในระหว่างกระบวนการฝึกอบรม . ตัวเลือกเหล่านี้ช่วยให้ผู้ใช้มีความยืดหยุ่นในการควบคุมการจัดสรรทรัพยากรและเพิ่มประสิทธิภาพการแลกเปลี่ยนระหว่างประสิทธิภาพของแบบจำลองและต้นทุน
คำถามและคำตอบล่าสุดอื่น ๆ เกี่ยวกับ ตาราง AutoML:
- AutoML Tables ฟรีหรือเปล่า?
- สามารถเปลี่ยนผ่านระหว่างตาราง Vertex AI และ AutoML ได้อย่างไร
- เหตุใด AutoML Tables จึงถูกยกเลิก และมีสิ่งใดมาแทนที่?
- ผู้ใช้จะปรับใช้โมเดลของตนและรับการคาดคะเนในตาราง AutoML ได้อย่างไร
- แท็บวิเคราะห์ให้ข้อมูลอะไรในตาราง AutoML
- ผู้ใช้สามารถนำเข้าข้อมูลการฝึกอบรมไปยังตาราง AutoML ได้อย่างไร
- ประเภทข้อมูลต่างๆ ใดบ้างที่ AutoML Tables สามารถจัดการได้