Parcours utilisateur de bout en bout pour chaque modèle

BigQuery ML est compatible avec divers modèles de machine learning et un flux de machine learning complet pour chaque modèle, comme le prétraitement des caractéristiques, la création de modèles, le réglage des hyperparamètres, l'inférence, l'évaluation et l'exportation de modèles. Le flux de machine learning des modèles est divisé en deux tables :

• Phase de création du modèle
• Phase d'utilisation du modèle

Phase de création du modèle

Catégorie de modèle	Types de modèles	Création de modèle	Prétraiter des caractéristiques	Réglages d'hyperparamètres	Pondérations de modèle	Informations sur les caractéristiques et l'entraînement	Tutoriels
Apprentissage supervisé	Régression linéaire et logistique	create model	Prétraitement automatique, Prétraitement manuel1	Réglage des hyperparamètres2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	régression Classification
	Réseaux de neurones profonds (DNN)	create model			N/A5		N/A
	Réseaux larges et profonds	create model			N/A5		N/A
	Arbres de décision à boosting	create model			N/A5		N/A
	Forêt d'arbres décisionnels	create model			N/A5		N/A
	Classification et régression AutoML	create model	N/A3	N/A3	N/A5		N/A
Apprentissage non supervisé	K-moyennes	create model	Prétraitement automatique, Prétraitement manuel1	Réglage des hyperparamètres2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	stations de vélos en cluster
	Factorisation matricielle	create model	N/A	Réglage des hyperparamètres2 ml.trial_info	ml.weights		Commentaires explicites Commentaires implicites
	Analyse des composants principaux (ACP)	create model	Prétraitement automatique, Prétraitement manuel1	N/A	ml.principal_ components, ml.principal_ component_info		N/A
	Auto-encodeur	create model	Prétraitement automatique, Prétraitement manuel1	Réglage des hyperparamètres2 ml.trial_info	N/A5		N/A
Modèles de séries temporelles	ARIMA_PLUS	create model	Prétraitement automatique	auto.ARIMA4	ml.arima_ coefficients	ml.feature_info ml.training_info	série unique multi-série millions de séries jours fériés personnalisés limiter les valeurs prévues prévision de séries temporelles hiérarchiques
	ARIMA_PLUS_XREG	create model	Prétraitement automatique	auto.ARIMA4	ml.arima_ coefficients	ml.feature_info ml.training_info	prévision multivariée
Modèles d'IA générative distants	Modèle distant basé sur un modèle de génération de texte Vertex AI6	create model	N/A	N/A	N/A	N/A	générer du texte avec un modèle distant améliorer les performances d'un LLM à l'aide des réglages et de l'évaluation
	Modèle distant basé sur un modèle de génération de représentations vectorielles continues Vertex AI6	create model	N/A	N/A	N/A	N/A	Générer des embeddings de texte avec un modèle distant Générer des embeddings d'images avec un modèle distant générer et rechercher des embeddings multimodaux
Modèles d'IA distants	Modèle distant sur l'API Cloud Vision	create model	N/A	N/A	N/A	N/A	N/A
	Modèle distant sur l'API Cloud Translation	create model	N/A	N/A	N/A	N/A	N/A
	Modèle distant sur l'API Cloud Natural Language	create model	N/A	N/A	N/A	N/A	N/A
	Modèle distant sur l'API Document AI	create model	N/A	N/A	N/A	N/A	N/A
	Modèle distant sur l'API Speech-to-Text	create model	N/A	N/A	N/A	N/A	N/A
Modèles distants	Modèle distant avec un point de terminaison Vertex AI	create model	N/A	N/A	N/A	N/A	Prédictions avec un modèle distant
Modèles importés	TensorFlow	create model	N/A	N/A	N/A	N/A	Effectuer des prédictions à l'aide d'un modèle TensorFlow importé
	TensorFlow Lite	create model	N/A	N/A	N/A	N/A	N/A
	Open Neural Network Exchange (ONNX)	create model	N/A	N/A	N/A	N/A	Effectuer des prédictions à l'aide de modèles scikit-learn au format ONNX Effectuer des prédictions à l'aide de modèles PyTorch au format ONNX
	XGBoost	create model	N/A	N/A	N/A	N/A	N/A
Modèles de transformation uniquement7	Transformation uniquement	create model	Prétraitement manuel1	N/A	N/A	ml.feature_info	N/A
Modèles d'analyse des contributions	Analyse des contributions (preview)	create model	Prétraitement manuel	N/A	N/A	N/A	Obtenir des insights sur les données à partir d'un modèle d'analyse des contributions

¹ Consultez la section sur la clause TRANSFORM pour l'ingénierie des caractéristiques. Pour en savoir plus sur les fonctions de prétraitement, consultez le tutoriel BQML sur les fonctions d'ingénierie des caractéristiques.

² Consultez la section Utiliser les réglages des hyperparamètres pour améliorer les performances du modèle.

³ Par défaut, l'ingénierie automatique des caractéristiques et le réglage des hyperparamètres sont intégrés à l'entraînement du modèle AutoML.

⁴ L'algorithme auto.ARIMA effectue le réglage des hyperparamètres pour le module de tendance. Les réglages d'hyperparamètres ne sont pas compatibles avec l'ensemble du pipeline de modélisation. Pour plus d'informations, consultez le pipeline de modélisation.

⁵ BigQuery ML n'accepte pas les fonctions de récupération des pondérations pour les modèles en arbre de décision à boosting, en forêt d'arbres décisionnels, DNN, wide et deep, Autoencoder ou AutoML. Pour voir les pondérations de ces modèles, vous pouvez exporter un modèle existant depuis BigQuery ML vers Cloud Storage, puis utiliser la bibliothèque XGBoost ou la bibliothèque TensorFlow pour visualiser la structure des arborescences des modèles en arbre ou la structure du graphique pour les réseaux de neurones. Pour en savoir plus, consultez la documentation sur l'exportation de modèle et le tutoriel sur l'utilisation des modèles d'exportation.

⁶ Utilise un modèle de fondation Vertex AI ou le personnalise à l'aide du réglage supervisé.

⁷ Il ne s'agit pas d'un modèle de ML classique, mais plutôt d'un artefact qui transforme des données brutes en caractéristiques.

Phase d'utilisation du modèle

Catégorie de modèle	Types de modèles	Évaluation	Inférence	AI Explanations	Surveillance des modèles	Exportation de modèles	Tutoriels
Apprentissage supervisé	Régression linéaire et logistique	ml.evaluate ml.confusion_matrix1 ml.roc_curve2	ml.predict ml.transform	ml.explain_predict3 ml.global_explain ml.advanced_weights8	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model5	régression Classification
	Réseaux de neurones profonds (RDP)						N/A
	Réseaux larges et profonds						N/A
	Arbres de décision à boosting			ml.explain_predict3 ml.global_explain ml.feature_importance4			N/A
	Forêt d'arbres décisionnels						N/A
	Classification et régression AutoML		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/A
Apprentissage non supervisé	K-moyennes	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/A	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model5	stations de vélos en cluster
	Factorisation matricielle		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		Commentaires explicites Commentaires implicites
	Analyse des composants principaux (ACP)		ml.predict ml.generate_embedding ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		N/A
	Auto-encodeur		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				N/A
Modèles de séries temporelles	ARIMA_PLUS	ml.evaluate ml.arima_evaluate6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast7	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	série unique multi-série millions de séries jours fériés personnalisés limiter les valeurs prévues prévision de séries temporelles hiérarchiques
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		prévision multivariée
Modèles d'IA générative distants	Modèle distant basé sur un modèle de génération de texte Vertex AI9	ml.evaluate11 (bêta)	ml.generate_text	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	générer du texte avec un modèle distant améliorer les performances d'un LLM à l'aide des réglages et de l'évaluation
	Modèle distant basé sur un modèle de génération de représentations vectorielles continues Vertex AI9	N/A	ml.generate_embedding	N/A		N/A	Générer des embeddings de texte avec un modèle distant Générer des embeddings d'images avec un modèle distant générer et rechercher des embeddings multimodaux
Modèles d'IA distants	Modèle distant sur l'API Cloud Vision	N/A	ml.annotate_image	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	N/A
	Modèle distant sur l'API Cloud Translation	N/A	ml.translate	N/A		N/A	N/A
	Modèle distant sur l'API Cloud Natural Language	N/A	ml.understand_text	N/A		N/A	N/A
	Modèle distant sur l'API Document AI	N/A	ml.process_document	N/A		N/A	N/A
	Modèle distant sur l'API Speech-to-Text	N/A	ml.transcribe	N/A		N/A	N/A
Modèles distants	Modèle distant avec un point de terminaison Vertex AI	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	Prédictions avec un modèle distant
Modèles importés	TensorFlow	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	export model5	Effectuer des prédictions à l'aide d'un modèle TensorFlow importé
	TensorFlow Lite	N/A	ml.predict	N/A		N/A	N/A
	Open Neural Network Exchange (ONNX)	N/A	ml.predict	N/A		N/A	Effectuer des prédictions à l'aide de modèles scikit-learn au format ONNX Effectuer des prédictions à l'aide de modèles PyTorch au format ONNX
	XGBoost	N/A	ml.predict	N/A		N/A	N/A
Modèles de transformation uniquement10	Transformation uniquement	N/A	ml.transform	N/A	N/A	export model5	N/A
Modèles d'analyse des contributions	Analyse des contributions (preview)	N/A	ml.get_insights	N/A	N/A	N/A	Obtenir des insights sur les données à partir d'un modèle d'analyse des contributions

¹ ml.confusion_matrix ne s'applique qu'aux modèles de classification.

² ml.roc_curve ne s'applique qu'aux modèles de classification binaire.

³ ml.explain_predict est une version étendue de ml.predict. Pour en savoir plus, consultez la page Présentation d'Explainable AI. Pour en savoir plus sur l'utilisation de ml.explain_predict, consultez les pages Tutoriel de régression et Tutoriel de classification.

⁴ Pour connaître la différence entre ml.global_explain et ml.feature_importance, consultez la page Présentation d'Explainable AI.

⁵ Consultez le tutoriel Exporter un modèle BigQuery ML pour la prédiction en ligne. Pour en savoir plus sur la livraison en ligne, consultez le tutoriel BQML sur la création d'un modèle avec la transcription intégrée.

⁶ Pour les modèles ARIMA_PLUS ou ARIMA_PLUS_XREG, ml.evaluate peut utiliser de nouvelles données en entrée pour calculer des métriques de prévision, telles que l'erreur absolue moyenne en pourcentage (EAMP). En l'absence de nouvelles données, ml.evaluate possède une version étendue ml.arima_evaluate qui génère des informations d'évaluation différentes.

⁷ ml.explain_forecast est une version étendue de ml.forecast. Pour en savoir plus, consultez la page Présentation d'Explainable AI. Pour en savoir plus sur l'utilisation de ml.explain_forecast, consultez les étapes de visualisation des prévisions de séries temporelles et des tutoriels de prévision de séries temporelles.

⁸ ml.advanced_weights est une version étendue de ml.weights. Pour en savoir plus, consultez la section ml.advanced_weights.

⁹ Utilise un modèle de fondation Vertex AI ou le personnalise à l'aide du réglage supervisé.

¹⁰ Il ne s'agit pas d'un modèle de ML classique, mais plutôt d'un artefact qui transforme des données brutes en caractéristiques.

¹¹ Non compatible avec tous les LLM de Vertex AI. Pour en savoir plus, consultez ml.evaluate.