En esta página se explican las diferencias entre Vertex AI y BigQuery, y se muestra cómo puedes integrar Vertex AI en tus flujos de trabajo de BigQuery. Vertex AI y BigQuery trabajan conjuntamente para satisfacer tus casos prácticos de aprendizaje automático y MLOps.
Para obtener más información sobre las diferencias entre el entrenamiento de modelos en Vertex AI y en BigQuery, consulta Elegir un método de entrenamiento.
Diferencias entre Vertex AI y BigQuery
En esta sección se tratan los servicios Vertex AI, BigQuery y BigQuery ML.
Vertex AI: una plataforma de IA y aprendizaje automático integral
Vertex AI es una plataforma de IA y aprendizaje automático para el desarrollo y la gobernanza de modelos. Estos son algunos de los usos habituales:
- Tareas de aprendizaje automático, como previsiones, predicciones, recomendaciones y detección de anomalías
Tareas de IA generativa, como las siguientes:
- Generación, clasificación, resumen y extracción de texto
- Generación y finalización de código
- Generación de imágenes
- Generación de inserciones
Puedes usar BigQuery para preparar datos de entrenamiento para modelos de Vertex AI, que puedes poner a disposición como características en Vertex AI Feature Store.
Puedes entrenar modelos en Vertex AI de tres formas:
- AutoML entrena modelos con conjuntos de datos de imágenes, tabulares y de vídeo sin escribir código.
- Entrenamiento personalizado: ejecuta código de entrenamiento personalizado adaptado a tu caso práctico específico.
- Ray en Vertex AI: usa Ray para escalar aplicaciones de IA y Python, como el aprendizaje automático.
También puedes importar un modelo entrenado en otra plataforma, como BigQuery ML o XGBoost.
Puede registrar modelos con entrenamiento personalizado en el registro de modelos de Vertex AI. También puedes importar modelos entrenados fuera de Vertex AI y registrarlos en el registro de modelos de Vertex AI. No es necesario registrar los modelos de AutoML, ya que se registran automáticamente en el momento de la creación.
En el registro, puedes gestionar versiones de modelos, desplegarlos en puntos finales para obtener predicciones online, evaluar modelos, monitorizar los despliegues con Vertex AI Model Monitoring y usar Vertex Explainable AI.
Idiomas disponibles:
- El SDK de Vertex AI es compatible con Python, Java, Node.js y Go.
BigQuery: un almacén de datos empresariales multinube y sin servidor
BigQuery es un almacén de datos empresariales totalmente gestionado que te ayuda a gestionar y analizar tus datos con funciones integradas como el aprendizaje automático, el análisis geoespacial y la inteligencia empresarial. Las tablas de BigQuery se pueden consultar con SQL y los científicos de datos que usan principalmente SQL pueden ejecutar consultas grandes con solo unas pocas líneas de código.
También puedes usar BigQuery como almacén de datos al que hacer referencia cuando crees modelos tabulares y personalizados en Vertex AI. Para obtener más información sobre cómo usar BigQuery como almacén de datos, consulta la descripción general del almacenamiento de BigQuery.
Idiomas disponibles:
- SDKs para BigQuery. Para obtener más información, consulta las bibliotecas de cliente de la API de BigQuery.
- GoogleSQL
- SQL antiguo
Para obtener más información, consulta Dialectos de SQL de BigQuery.
BigQuery ML: aprendizaje automático directamente en BigQuery
BigQuery ML te permite desarrollar e invocar modelos en BigQuery. Con BigQuery ML, puedes usar SQL para entrenar modelos de aprendizaje automático directamente en BigQuery sin tener que mover datos ni preocuparte por la infraestructura de entrenamiento subyacente. Puedes crear predicciones por lotes para modelos de BigQuery ML y obtener información valiosa de tus datos de BigQuery.
También puedes acceder a los modelos de Vertex AI mediante BigQuery ML. Puedes crear un modelo remoto de BigQuery ML a partir de un modelo integrado de Vertex AI, como Gemini, o de un modelo personalizado de Vertex AI. Interactúas con el modelo remoto mediante SQL en BigQuery, como con cualquier otro modelo de BigQuery ML, pero todo el entrenamiento y la inferencia del modelo remoto se procesan en Vertex AI.
Idioma disponible:
- GoogleSQL
- Bibliotecas de cliente de BigQuery
Para obtener más información sobre las ventajas de usar BigQuery ML, consulta la introducción a la IA y el aprendizaje automático en BigQuery.
Ventajas de gestionar modelos de BigQuery ML en Vertex AI
Puedes registrar tus modelos de BigQuery ML en Model Registry para gestionarlos en Vertex AI. Gestionar modelos de BigQuery ML en Vertex AI ofrece dos ventajas principales:
Servicio de modelos online: BigQuery ML solo admite predicciones por lotes para tus modelos. Para obtener predicciones online, puedes entrenar tus modelos en BigQuery ML y desplegarlos en puntos finales de Vertex AI a través de Vertex AI Model Registry.
Funciones de MLOps: los modelos son más útiles cuando se mantienen actualizados mediante un entrenamiento continuo. Vertex AI ofrece herramientas de MLOps que automatizan la monitorización y el reentrenamiento de modelos para mantener la precisión de las predicciones a lo largo del tiempo. Con Vertex AI Pipelines, puedes usar operadores de BigQuery para conectar cualquier tarea de BigQuery (incluida BigQuery ML) a una canalización de aprendizaje automático. Con Vertex AI Model Monitoring, puedes monitorizar tus predicciones de BigQuery ML a lo largo del tiempo.
Para saber cómo registrar tus modelos de BigQuery ML en Model Registry, consulta el artículo Gestionar modelos de BigQuery ML con Vertex AI.
Tutoriales relacionados con cuadernos
| ¿Qué quieres hacer? | Recurso |
|---|---|
| Usar BigQuery ML para analizar imágenes y texto con Gemini en Vertex AI | Analizar carteles de películas en BigQuery con Gemini 2.0 Flash |
| Usar BigQuery ML para generar texto en tablas de BigQuery o datos sin estructurar con modelos fundacionales en Vertex AI | Generar texto con BigQuery ML y modelos fundacionales en Vertex AI |
| Generar incrustaciones de vectores con BigQuery ML a partir de texto e imágenes | Llamar a un endpoint de embeddings multimodales en Vertex AI desde BigQuery ML para generar embeddings para la búsqueda semántica |
| Usa dos flujos de trabajo tabulares de Vertex AI para entrenar un modelo de AutoML con configuraciones diferentes. | Flujo de trabajo tabular: canalización de AutoML Tabular |
| Usa el SDK de Vertex AI para Python para entrenar un modelo de AutoML para la regresión tabular y obtener predicciones por lotes del modelo. | SDK de Vertex AI para Python: entrenar un modelo de regresión tabular de AutoML para obtener predicciones por lotes con BigQuery |
| Entrena y evalúa un modelo de predisposición en BigQuery ML para predecir la retención de usuarios en un juego para móviles. | Predicción de abandono para desarrolladores de videojuegos con Google Analytics 4 y BigQuery ML |
| Usa BigQuery ML para optimizar los precios de los datos de precios de CDM. | Análisis de la optimización de precios en datos de precios de CDM |
Siguientes pasos
- Para empezar a usar Vertex AI, consulta los siguientes recursos: