Niet iedereen die een model wil, is een ML-expert. Misschien heb je goede data en een helder doel, maar geen zin of tijd om zelf een model te bouwen. Daarvoor is AutoML in Vertex AI. Je geeft het platform je gelabelde data en vertelt wat je wilt voorspellen, en Vertex AI bouwt en optimaliseert het model voor je.
Onder de motorkap test AutoML allerlei modelarchitecturen en instellingen om de beste te vinden voor jouw data. Dat zoekwerk, dat een expert anders handmatig zou doen, neemt AutoML uit handen. Het resultaat is een werkend model dat je kunt deployen, zonder dat je een regel code hebt geschreven.
Voor wie AutoML bedoeld is
AutoML is ideaal als je wel data en een doel hebt, maar niet de expertise of de tijd om zelf modellen te bouwen. Denk aan een analist die wil voorspellen welke klanten zullen opzeggen, of iemand die productfoto's automatisch wil indelen. Met goede data kom je ver zonder ooit te programmeren.
Het is ook een prima startpunt voor experts. Voordat je tijd steekt in een zelfgebouwd model, geeft AutoML je snel een goede basislijn. Haalt jouw eigen model die basislijn niet, dan is AutoML misschien gewoon de betere keuze.
Welke aanpak past bij jou
Niet elke taak vraagt om AutoML. Gebruik onderstaande vergelijking om snel de juiste route te kiezen.
| Aanpak | Kies dit als | Controle over het model |
|---|---|---|
| AutoML | Je goede gelabelde data hebt en snel een werkend model wilt | Beperkt, het platform regelt de architectuur |
| Custom training | Je specifieke eisen hebt die AutoML niet biedt | Volledig, jij bepaalt code en architectuur |
| Kant-en-klaar model | Er al een model bestaat dat je taak afdekt, zoals algemene tekst of beeld | Geen, je gebruikt het zoals het is |
AutoML voor tekst is vervangen door Gemini
AutoML voor tekstclassificatie, entiteitsextractie en sentimentanalyse is door Google uitgefaseerd, training werd in juni 2025 gestopt. Voor dit soort taaltaken werk je nu met Gemini-prompts en tuning in plaats van AutoML. AutoML voor tabeldata en beeld is gewoon beschikbaar.
Hoe AutoML werkt
Het proces is verrassend eenvoudig. Je maakt een dataset, kiest het type taak en wijst aan wat het model moet voorspellen. Daarna start je de training en wacht je. AutoML probeert verschillende benaderingen en kiest de beste op basis van je data.
Tijdens de training meet AutoML hoe goed elke variant presteert op een apart deel van je data. Het kiest niet het model dat je trainingsdata het beste uit het hoofd kent, maar het model dat het beste generaliseert naar nieuwe gevallen. Dat is precies wat je in productie wilt.
Een AutoML-model trainen in de console
- Ga in de Google Cloud-console naar Vertex AI en open de pagina Datasets.
- Maak een gelabelde dataset aan met voldoende, schone voorbeelden en importeer je data.
- Klik op Train nieuw model en kies als trainingsmethode AutoML.
- Wijs aan welk veld of welk label het model moet voorspellen, zoals een categorie of een waarde.
- Stel een trainingsbudget in (het maximale aantal node-uren) dat past bij je tijd en kosten.
- Klik op Training starten en wacht tot AutoML klaar is.
- Bekijk de evaluatie en deploy het model naar een endpoint als het goed genoeg is.
Begin klein met je trainingsbudget
Het trainingsbudget bepaalt rechtstreeks je kosten, want de node-uren worden vermenigvuldigd met het uurtarief. Start bij een nieuwe dataset met een bescheiden budget om een eerste indruk te krijgen. Pas daarna pas op als de resultaten veelbelovend zijn.
De resultaten beoordelen
Na de training toont AutoML hoe goed het model presteert met heldere maatstaven. Je ziet bijvoorbeeld hoe vaak het de juiste categorie kiest of hoe ver de voorspelde waarden van de echte afliggen. Gebruik die cijfers om te beoordelen of het model goed genoeg is voor jouw doel.
Kijk verder dan een enkel getal. Een model kan gemiddeld goed scoren maar slecht op een belangrijke categorie. AutoML laat je inzoomen op waar het model het goed en slecht doet, zodat je een eerlijk beeld krijgt voordat je het inzet.
Een hoog gemiddelde verbergt soms een zwakke categorie
AutoML toont per categorie hoe goed het model presteert. Bekijk altijd die details, niet alleen het ene samenvattende cijfer, voordat je een model vertrouwt. Juist op zeldzame of belangrijke categorieën kan het tegenvallen.
Grenzen van AutoML
AutoML is krachtig maar niet magisch. Het kan geen goed model maken van slechte data. Als je data onvolledig, scheef of fout gelabeld is, levert ook AutoML een teleurstellend model. De kwaliteit van je data blijft de grootste factor.
Daarnaast geef je met AutoML minder controle uit handen dan met zelf bouwen. Voor de meeste taken is dat geen probleem, maar als je heel specifieke eisen hebt aan hoe het model werkt, kom je uiteindelijk bij custom training uit. Begin desondanks vaak met AutoML als ijkpunt.
Schone data komt eerst
AutoML maakt geen goed model van slechte data. Investeer eerst in een schone, gebalanceerde en correct gelabelde dataset. Geen enkele automatische optimalisatie kan een gebrekkige dataset goedmaken.
Van model naar gebruik
Ben je tevreden, dan deploy je het AutoML-model net als elk ander model naar een endpoint voor real-time voorspellingen, of gebruik je het voor batch-voorspellingen op grote hoeveelheden data. Vanaf dat punt werkt het precies zoals een zelfgebouwd model.
Houd ook hier monitoring aan. Een model dat vandaag goed werkt, kan na verloop van tijd minder presteren als de werkelijkheid verandert. Meet de prestaties in productie en hertrain met verse data als dat nodig is.
Heb ik programmeerkennis nodig voor AutoML?
Nee. Je werkt met je data en je doel via de Google Cloud-console, zonder code te schrijven. Dat is juist het hele idee van AutoML.
Is een AutoML-model slechter dan een zelfgebouwd model?
Niet per se. Voor veel taken is AutoML even goed of beter, en het is altijd een sterke basislijn om je eigen model tegen af te zetten.
Wat bepaalt de kwaliteit van mijn AutoML-model?
Vooral de kwaliteit van je data. Schone, gebalanceerde en correct gelabelde voorbeelden zijn belangrijker dan welke instelling dan ook.
Voor welke soorten data werkt AutoML in Vertex AI?
Voor tabeldata, beeld en video. Voor tekstclassificatie, entiteitsextractie en sentiment gebruik je tegenwoordig Gemini-prompts en tuning in plaats van AutoML.
Wat kost een AutoML-training?
Je betaalt per node-uur, en je stelt zelf een trainingsbudget in dat het maximale aantal uren begrenst. Zo houd je grip op de kosten, begin gerust met een laag budget.
Kan ik een AutoML-model deployen?
Ja, net als elk ander model. Je zet het op een endpoint voor real-time gebruik of gebruikt het voor batch-voorspellingen op grote hoeveelheden data.
AutoML maakt machine learning toegankelijk voor wie geen modellen bouwt. Met goede data en een helder doel krijg je een werkend model, en zelfs experts gebruiken het graag als snelle basislijn.