Parcours utilisateur de bout en bout pour les modèles d'IA générative

Ce document décrit les parcours utilisateur pour les modèles distants BigQuery ML, y compris les instructions et les fonctions que vous pouvez utiliser pour travailler avec les modèles distants. BigQuery ML propose les types de modèles distants suivants :

• Modèles Google et modèles partenaires
• Modèles ouverts
• Services Cloud AI
• Modèles personnalisés déployés dans Vertex AI

Parcours utilisateur des modèles à distance

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour créer, évaluer et générer des données à partir de modèles distants :

Catégorie de modèle	Type de modèle	Création de modèle	Évaluation	Inférence	Tutoriels
Modèles d'IA générative distants	Modèle distant basé sur un modèle de génération de texte Gemini1	CREATE MODEL	ML.EVALUATE	ML.GENERATE_TEXT AI.GENERATE_TABLE AI.GENERATE2 AI.GENERATE_BOOL2 AI.GENERATE_DOUBLE2 AI.GENERATE_INT2	Générer du texte à l'aide de vos données Générer des données structurées à partir de vos données Générer du texte avec Gemini et des données publiques Gérer les erreurs de quota en appelant ML.GENERATE_TEXT de manière itérative Analyser des images avec un modèle Gemini Essayer le réglage de modèle à l'aide de données publiques Régler un modèle à l'aide de vos données
	Modèle distant sur un modèle de génération de texte partenaire	CREATE MODEL	ML.EVALUATE	ML.GENERATE_TEXT	N/A
	Modèle distant basé sur un modèle de génération de texte ouvert3	CREATE MODEL	ML.EVALUATE	ML.GENERATE_TEXT	Générer du texte avec Gemma et des données publiques
	Modèle distant basé sur un modèle de génération d'embeddings Google	CREATE MODEL	N/A	ML.GENERATE_EMBEDDING	Générer des embeddings de texte à l'aide de vos données Générer des embeddings d'images à l'aide de vos données Générer des embeddings vidéo à l'aide de vos données Gérer les erreurs de quota en appelant ML.GENERATE_EMBEDDING de manière itérative Générer et rechercher des embeddings multimodaux à l'aide de données publiques
	Modèle distant basé sur un modèle de génération de représentations vectorielles continues ouvert3	CREATE MODEL	N/A	ML.GENERATE_EMBEDDING	Générer des embeddings textuels à l'aide d'un modèle ouvert et de la fonction ML.GENERATE_EMBEDDING
Modèles Cloud AI distants	Modèle distant sur l'API Cloud Vision	CREATE MODEL	N/A	ML.ANNOTATE_IMAGE	Annoter des images
	Modèle distant sur l'API Cloud Translation	CREATE MODEL	N/A	ML.TRANSLATE	Traduire du texte
	Modèle distant sur l'API Cloud Natural Language	CREATE MODEL	N/A	ML.UNDERSTAND_TEXT	Comprendre du texte
	Modèle distant sur l'API Document AI	CREATE MODEL	N/A	ML.PROCESS_DOCUMENT	Traiter des documents Analyser des PDF dans un pipeline RAG
	Modèle distant sur l'API Speech-to-Text	CREATE MODEL	N/A	ML.TRANSCRIBE	Transcrire des fichiers audio
Modèle distant sur un modèle personnalisé déployé sur Vertex AI	Modèle distant sur un modèle personnalisé déployé sur Vertex AI	CREATE MODEL	ML.EVALUATE	ML.PREDICT	Faire des prédictions avec un modèle personnalisé

¹ Certains modèles Gemini sont compatibles avec le réglage supervisé.

² Cette fonction appelle un modèle Gemini hébergé et ne nécessite pas que vous créiez un modèle séparément à l'aide de l'instruction CREATE MODEL.

³ Vous pouvez déployer automatiquement un modèle ouvert lorsque vous créez le modèle distant BigQuery ML en spécifiant l'ID Hugging Face ou Vertex AI Model Garden du modèle. BigQuery gère les ressources Vertex AI des modèles ouverts déployés de cette manière et vous permet d'interagir avec ces ressources Vertex AI à l'aide des instructions BigQuery ML ALTER MODEL et DROP MODEL. Il vous permet également de configurer le retrait automatique du modèle. Pour en savoir plus, consultez Modèles déployés automatiquement. Cette fonctionnalité est disponible en version preview.