Kann AutoML Vision individuell für die Analyse anderer Daten als Bilder verwendet werden?
AutoML Vision ist ein von Google Cloud entwickeltes Machine-Learning-Produkt, das speziell für die Erstellung benutzerdefinierter Modelle zur Klassifizierung, Erkennung und Interpretation von Bilddaten konzipiert ist. Die Kernfunktionalität konzentriert sich auf die Automatisierung des Trainings, der Evaluierung und der Bereitstellung von Deep-Learning-Modellen für bildbasierte Aufgaben wie Bildklassifizierung, Objekterkennung und Bildsegmentierung. Um zu klären, ob AutoML Vision auch für die Analyse anderer Datentypen als Bilder geeignet ist, müssen die Architektur, die Eingabemodalitäten und der breitere Kontext der AutoML-Angebote von Google Cloud untersucht werden.
AutoML-Vision: Umfang und Design
AutoML Vision basiert auf der automatisierten Bildanalyse. Benutzeroberfläche, Datenerfassungsmechanismen, Vorverarbeitungsschritte, Modellarchitekturen und Bewertungsmetriken sind auf visuelle Daten zugeschnitten. Der Dienst erwartet Eingabedaten in Form von Bilddateien (z. B. JPEG, PNG) und entsprechenden Beschriftungen für überwachte Lernaufgaben. Der Nutzer lädt Bilddatensätze über die Google Cloud Console oder API hoch, gibt die gewünschte Aufgabe (Klassifizierung oder Objekterkennung) an, und das System übernimmt die Datenaufteilung, Merkmalsextraktion, Modellauswahl, Hyperparameteroptimierung und Trainingspipeline, ohne dass der Nutzer über fundierte Kenntnisse im maschinellen Lernen verfügen muss.
Der zugrunde liegende Technologie-Stack nutzt Convolutional Neural Networks (CNNs) und verwandte Architekturen, die sich besonders gut für die Extraktion von Merkmalen aus räumlich korrelierten Daten, wie beispielsweise Pixel-Arrays in Bildern, eignen. Die Ausgabe von AutoML Vision ist typischerweise ein trainiertes Modell, das zur Vorhersage von Bildklassen oder Begrenzungsrahmenkoordinaten für bisher unbekannte Bilder verwendet werden kann.
Analyse von Datentypen
Aufgrund der spezifischen Designs von AutoML Vision ist sein Nutzen auf Bilddaten beschränkt. Die Eingabe von Nicht-Bilddaten (z. B. Tabellendaten, Zeitreihendaten, Audiodateien oder Textdokumente) würde zu Inkompatibilitäten auf mehreren Ebenen führen, angefangen von der Datenaufnahme bis zur Modellverarbeitung. Das System bietet keine Mechanismen zum Parsen, Feature Engineering oder Modellieren von Nicht-Bilddaten.
Angenommen, ein Benutzer versucht, eine CSV-Datei mit tabellarischen Daten (wie Kundentransaktionen oder Sensormesswerten) in AutoML Vision hochzuladen. Der Dienst akzeptiert dieses Format nicht, da er es nicht als gültige Bildeingabe erkennt. Selbst wenn die tabellarischen Daten irgendwie in ein Bildformat konvertiert würden (z. B. durch Rendern einer Heatmap oder eines Diagramms und Speichern als PNG), bliebe die semantische Bedeutung der Daten nicht erhalten, und die trainierten Modelle wären für die ursprünglichen Analyseziele der tabellarischen Daten nicht geeignet.
Ebenso erfordern Audiodaten (wie Sprache oder Umgebungsgeräusche) oder Textdaten (Dokumente, E-Mails, Social-Media-Beiträge) spezielle Vorverarbeitungs- und Modellarchitekturen. Zwar gibt es Forschungstechniken, die Audiosignale für CNN-basierte Analysen in Spektrogrammbilder umwandeln oder Textdaten als bildähnliche Matrizen kodieren, diese Ansätze werden jedoch von AutoML Vision nicht nativ unterstützt, und ihre Implementierung würde eine benutzerdefinierte Vorverarbeitungspipeline erfordern, die außerhalb des vorgesehenen Anwendungsbereichs des Produkts liegt.
AutoML-Familie: Modalitäten jenseits von Bildern
Obwohl AutoML Vision auf Bilddaten beschränkt ist, umfasst Google Cloud AutoML eine Reihe von Produkten, die jeweils auf unterschiedliche Datentypen zugeschnitten sind:
1. AutoML-Tabellen: Entwickelt für strukturierte, tabellarische Daten wie Tabellenkalkulationen, Datenbanken und CSV-Dateien. AutoML Tables bietet automatisiertes Feature Engineering, Modellauswahl (einschließlich Gradient Boosting, Random Forests und neuronale Netzwerke) sowie Bewertungsmetriken, die für Regressions- und Klassifizierungsaufgaben für tabellarische Daten geeignet sind.
2. Natürliche AutoML-Sprache: Speziell für Textdaten entwickelt, unterstützt es Aufgaben wie Stimmungsanalyse, Entitätsextraktion und Textklassifizierung. Es nutzt Modelle zur Verarbeitung natürlicher Sprache (NLP), die für die Interpretation auf Dokument- und Satzebene optimiert sind.
3. AutoML Video Intelligence: Für Videodaten konzipiert und ermöglicht Aufgaben wie Videoklassifizierung, Objektverfolgung und Aktionserkennung. Es nutzt sowohl zeitliche als auch räumliche Modellierungstechniken.
4. AutoML-Übersetzung: Ermöglicht das automatisierte Training benutzerdefinierter Übersetzungsmodelle für Textdaten in verschiedenen Sprachen.
Alle diese AutoML-Produkte verfolgen das übergeordnete Ziel, maschinelles Lernen durch die Automatisierung der komplexen Schritte der Modellentwicklung zu demokratisieren. Jedes Produkt ist jedoch auf die individuellen Anforderungen und Herausforderungen seiner jeweiligen Datenmodalität zugeschnitten.
Didaktisches Beispiel: Anwendungsfälle und Produktauswahl
Stellen Sie sich ein Unternehmen vor, das die Qualitätskontrolle im Fertigungsprozess automatisieren möchte, indem es Produktbilder auf Fehler prüft. AutoML Vision eignet sich ideal für diesen Anwendungsfall, da es darauf trainiert werden kann, subtile Unterschiede im Produktaussehen zu erkennen und Fehler zu klassifizieren oder zu lokalisieren. Der Benutzer lädt einen beschrifteten Datensatz mit Produktbildern hoch, und AutoML Vision übernimmt das Training eines Fehlererkennungsmodells.
Vergleichen Sie dies mit einem Szenario, in dem ein Unternehmen die Kundenabwanderung anhand strukturierter Daten wie demografischen Daten, Kaufhistorie und Engagement-Kennzahlen vorhersagen möchte. In diesem Fall sind die Daten vollständig nicht visuell und lassen sich am besten in Tabellen darstellen. AutoML Tables ist das geeignete Tool, da es tabellarische Daten verarbeiten, automatisches Feature Engineering durchführen (z. B. fehlende Werte verarbeiten, kategoriale Variablen kodieren) und optimale Modelle für die Klassifizierung auswählen kann.
Für die Audioanalyse, etwa die Klassifizierung von Umgebungsgeräuschen oder die Transkription von Sprache, bietet Google Cloud Dienste wie Speech-to-Text und AutoML Natural Language (für die nachgelagerte Textanalyse). AutoML Vision wäre jedoch nicht geeignet, wenn die Audiodaten nicht zuerst in ein Bildformat (etwa ein Spektrogramm) umgewandelt würden. Und selbst dann würden die Ergebnisse stark von der Eignung dieser Feature-Entwicklung für das Analyseziel abhängen.
Technische Perspektive: Warum AutoML Vision nicht auf Nicht-Bilddaten erweitert werden kann
Die architektonische Spezialisierung von AutoML Vision basiert auf mehreren technischen Aspekten:
- Dateneingabeebene: Die APIs und Benutzeroberflächen von AutoML Vision sind für die Aufnahme von Bilddateien in bestimmten Formaten konzipiert. Das Parsen von Datenformaten, die keine Bilder sind, ist nicht vorgesehen.
- Vorverarbeitungspipeline: Die Vorverarbeitungsschritte sind auf Bilder zugeschnitten und umfassen Größenänderung, Normalisierung von Pixelwerten und Datenerweiterungstechniken wie Drehen, Spiegeln und Zuschneiden. Nicht-Bilddaten profitieren von solchen Transformationen nicht.
- Modellarchitektur: Die Modellarchitekturen (CNNs, möglicherweise mit benutzerdefinierten Ebenen zur Erkennung oder Segmentierung) sind darauf ausgelegt, räumliche Lokalität und Invarianz in Bilddaten auszunutzen. Nicht-Bilddaten, wie beispielsweise eine Tabelle mit Verkaufsdaten, verfügen nicht über diese Eigenschaften und wären daher für solche Modelle ungeeignet.
- Kennzeichnung und Bewertung: Die Kennzeichnungstools und Bewertungsmetriken (Genauigkeit, Präzision, Rückruf für Bildklassen; mittlere durchschnittliche Präzision für die Objekterkennung) werden für bildbasierte Aufgaben definiert.
- Export und Bereitstellung: In AutoML Vision trainierte Modelle werden in für die Bildinferenz geeigneten Formaten exportiert (z. B. TensorFlow SavedModel, Edge TPU). Die Eingabesignaturen erwarten Bilder als Eingabe.
Aus diesen Gründen kann AutoML Vision nicht für die Analyse von Nicht-Bilddaten angepasst werden, ohne seine Vorverarbeitungs-, Modellierungs- und Bereitstellungsinfrastruktur grundlegend zu ändern. In diesem Fall wäre es nicht mehr AutoML Vision in seiner aktuellen Form.
Best Practices: Auswahl des richtigen AutoML-Produkts
Bei der Lösung eines Machine-Learning-Problems sollte der Datentyp die Auswahl des geeigneten AutoML-Produkts bestimmen:
– Für Bilddaten (z. B. Fotos, medizinische Scans, Satellitenbilder): Verwenden Sie AutoML Vision.
– Für strukturierte tabellarische Daten (z. B. Tabellenkalkulationen, Datenbanktabellen): Verwenden Sie AutoML Tables.
– Für Freiform- oder strukturierten Text (z. B. Dokumente, Bewertungen, E-Mails): Verwenden Sie AutoML Natural Language.
– Für Videos (z. B. Überwachungsaufnahmen, Sportaufzeichnungen): Verwenden Sie AutoML Video Intelligence.
– Für Übersetzungsaufgaben: Verwenden Sie AutoML Translation.
Der Versuch, ein Produkt außerhalb der vorgesehenen Datenmodalität zu verwenden, führt zu suboptimalen Ergebnissen, Inkompatibilitätsproblemen oder einem völligen Versagen bei der Datenverarbeitung.
Beispiele für die Modellanpassung in AutoML Vision
Während die benutzerdefinierte Nutzung in AutoML Vision im Sinne der Definition benutzerdefinierter Beschriftungen, der Festlegung benutzerdefinierter Bildaufteilungen und der Anpassung von Bewertungskriterien möglich ist, beschränken sich diese Anpassungen auf Bilddaten. Beispielsweise könnte ein Forscher, der Pflanzenkrankheiten untersucht, nach Krankheitstyp kategorisierte Blattbilder hochladen und die Trainings-Validierungsaufteilung anpassen oder Bilder mit domänenspezifischen Transformationen erweitern (z. B. durch Anpassen der Farbkanäle zur Simulation unterschiedlicher Lichtverhältnisse). Diese Anpassungen verbessern die Modellleistung im Bereich der Bildanalyse, erweitern den Nutzen des Produkts jedoch nicht auf Nicht-Bilddaten.
Alternative Strategien für Nicht-Bilddaten
Organisationen, die automatisiertes maschinelles Lernen für Nicht-Bilddaten anstreben, sollten das entsprechende AutoML-Produkt nutzen oder die folgenden Alternativen in Betracht ziehen:
- Benutzerdefinierte Modellentwicklung: Wenn der Datentyp oder die Aufgabe nicht von vorhandenen AutoML-Produkten abgedeckt wird, müssen Unternehmen möglicherweise benutzerdefinierte Pipelines mithilfe von Open-Source-Bibliotheken (z. B. scikit-learn, TensorFlow, PyTorch) oder anderen verwalteten Diensten entwickeln, die eine umfassendere Anpassung unterstützen.
- Datenumwandlung: In seltenen Fällen können Daten in eine bildähnliche Darstellung umgewandelt werden (z. B. Zeitreihendaten, die in Rekurrenzdiagramme oder Gramsche Winkelfelder umgewandelt werden) und dann mit bildbasierten Modellen verarbeitet werden. Dies erfordert jedoch erhebliche Fachkenntnisse und eine sorgfältige Validierung, um aussagekräftige Ergebnisse zu gewährleisten.
- Lösungen von Drittanbietern: Es gibt AutoML-Lösungen von Drittanbietern (z. B. H2O.ai, DataRobot), die Unterstützung für eine größere Bandbreite von Datenmodalitäten innerhalb einer einheitlichen Schnittstelle bieten.
AutoML Vision ist ausschließlich für automatisiertes maschinelles Lernen mit Bilddaten konzipiert und kann nicht für die Analyse von Datentypen außerhalb des visuellen Bereichs angepasst werden. Für Nicht-Bilddaten wie Tabellen, Text, Audio oder Video bietet Google Cloud dedizierte AutoML-Produkte mit maßgeschneiderten Pipelines, Schnittstellen und Modellarchitekturen. Die Auswahl des richtigen AutoML-Produkts entsprechend dem Datentyp ist entscheidend für erfolgreiche Ergebnisse beim maschinellen Lernen.
Weitere aktuelle Fragen und Antworten zu Fortschritte im maschinellen Lernen:
- Worin besteht der Unterschied zwischen der Verwendung von CREATE MODEL mit LINEAR_REG in BigQuery ML und dem Trainieren eines benutzerdefinierten Modells mit TensorFlow in Vertex AI für die Zeitreihenvorhersage?
- Wie kann ich AutoML Vision ohne Google Cloud Platform üben (ich habe keine Kreditkarte)?
- Ist der Eager-Modus in neueren Versionen von TensorFlow automatisch aktiviert?
- Wie erstelle ich ein Modell und eine Version auf GCP, nachdem ich model.joblib auf den Bucket hochgeladen habe?
- Kann Kubeflow auf eigenen Servern installiert werden?
- Wird der Eager-Modus automatisch deaktiviert, wenn ich zu einer neuen Zelle im Notebook gehe?
- Können in TensorFlowHub private Modelle bearbeitet werden, auf die nur Mitarbeiter des Unternehmens Zugriff haben?
- Ist es möglich, ein Modell vom JSON-Format zurück ins H5-Format zu konvertieren?
- Ermöglicht die Keras-Bibliothek die Anwendung des Lernprozesses während der Arbeit am Modell zur kontinuierlichen Optimierung seiner Leistung?
- Was ist der TensorFlow-Spielplatz?
Weitere Fragen und Antworten finden Sie unter „Advancing in Machine Learning“.