Fonctionnalités Clés et Cas d’Utilisation

L’objectif principal d’AutoML est d’automatiser les tâches complexes du flux de travail ML (telles que l’ingénierie des caractéristiques, la sélection des modèles, et l’ajustement des hyperparamètres) en utilisant les technologies de Google comme la Recherche d’Architecture Neurale (NAS) et le Transfer Learning.

La suite AutoML est divisée en plusieurs outils spécialisés par type de données :

• AutoML Vision (Images) :

  • Classification d’Images : Identifier le contenu d’une image (ex. : classer des photos de produits).³

  • Détection d’Objets : Localiser et compter plusieurs objets dans une image (ex. : identifier des défauts sur une chaîne de production).

• AutoML Video Intelligence (Vidéos) :

  • Classification de Vidéos : Étiqueter des vidéos avec des labels personnalisés.⁴

  • Détection et Suivi d’Objets : Localiser et suivre des objets dans une séquence vidéo.

• AutoML Natural Language (Texte) :

  • Classification de Texte : Attribuer des étiquettes à du texte (ex. : classer les tickets de support client).

  • Extraction d’Entités Personnalisée : Identifier et extraire des informations spécifiques (noms, dates, prix) dans un texte.⁵

  • Analyse des Sentiments Personnalisée : Déterminer le sentiment (positif, négatif) de blocs de texte.⁶

• AutoML Translation (Traduction) :

  • Traduire du texte en utilisant des modèles personnalisés entraînés sur le vocabulaire et le style spécifiques à l’entreprise.

• AutoML Tabular (Données Structurées) :

  • Créer des modèles de classification, de régression ou de prévision basés sur des données tabulaires (ex. : prédire le taux de désabonnement, la valeur vie client).

Modèle de Tarification (Pay-as-you-go)

AutoML utilise un modèle Payant strict où vous payez pour ce que vous utilisez. Il n’y a pas de frais initiaux ni d’abonnement fixe pour l’outil lui-même, mais les coûts sont générés par la consommation des ressources de calcul.

Les trois principales activités facturées sont :

1. Entraînement du Modèle (Training) : Facturé à l’heure-nœud ou à l’heure-machine. C’est souvent l’étape la plus coûteuse, car elle consomme beaucoup de puissance de calcul (CPU/GPU) pour le processus d’AutoML.

2. Déploiement du Modèle (Deployment) : Facturé à l’heure pour maintenir le modèle déployé sur un point de terminaison (endpoint) pour l’inférence en temps réel.

3. Prédictions (Inference) : Facturé selon la méthode (online/batch) et la quantité de données traitées ou le temps de calcul utilisé.

Google Cloud offre un Niveau Gratuit (Free Tier) limité et un Crédit d’Essai gratuit de 90 jours ($\$300$) pour permettre aux nouveaux clients de tester les services, y compris AutoML, avant d’engager des coûts de production.