Usa esta página para comprender las diferencias entre Vertex AI y BigQuery, y aprender cómo integrar Vertex AI en tus flujos de trabajo existentes de BigQuery. Vertex AI y BigQuery trabajan en conjunto para satisfacer tus casos de uso de aprendizaje automático y de MLOps.
Para obtener más información sobre las diferencias de entrenamiento de modelos entre Vertex AI y BigQuery, consulta Elige un método de entrenamiento.
Diferencias entre Vertex AI y BigQuery
En esta sección, se abarcan los servicios de Vertex AI, BigQuery y BigQuery ML.
Vertex AI: Una plataforma de IA/AA de extremo a extremo
Vertex AI es una plataforma de IA/AA para el desarrollo y la administración de modelos. Los siguientes son algunos de los casos de uso comunes:
- Tareas de aprendizaje automático, como la previsión, la predicción, la recomendación y la detección de anomalías
Tareas de IA generativa, como las siguientes:
- Generación, clasificación, resumen y extracción de textos
- Generación y finalización de código
- Generación de imágenes
- Generación de embeddings
Puedes usar BigQuery para preparar datos de entrenamiento para los modelos de Vertex AI, que puedes hacer disponibles como atributos en Vertex AI Feature Store.
Puedes entrenar modelos en Vertex AI de tres maneras:
- AutoML: Entrena modelos en conjuntos de datos de imágenes, tabulares y de video sin escribir código.
- Entrenamiento personalizado: Ejecuta un código de entrenamiento personalizado adaptado a tu caso de uso 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.
Puedes registrar modelos entrenados personalizados en Vertex AI Model Registry. También puedes importar modelos entrenados fuera de Vertex AI y registrarlos en Vertex AI Model Registry. No es necesario que registres los modelos de AutoML, ya que se registran automáticamente en el momento de su creación.
Desde el registro, puedes administrar las versiones de los modelos, implementar en extremos de predicción en línea y por lotes, realizar evaluaciones de modelos, supervisar las implementaciones 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 empresarial sin servidores y en múltiples nubes
BigQuery es un almacén de datos empresarial completamente administrado que te ayuda a administrar y analizar tus datos con funciones integradas como el aprendizaje automático, el análisis geoespacial y la inteligencia empresarial. SQL puede consultar las tablas de BigQuery, y los científicos de datos que usan SQL pueden ejecutar consultas grandes con solo unas pocas líneas de código.
También puedes usar BigQuery como un almacén de datos al que hagas referencia cuando compiles modelos tabulares y personalizados en Vertex AI. Para obtener más información sobre cómo usar BigQuery como un almacén de datos, consulta Descripción general del almacenamiento de BigQuery.
Idiomas disponibles:
- SDK para BigQuery. Para obtener más información, consulta las bibliotecas cliente de la API de BigQuery.
- GoogleSQL
- SQL heredado
Para obtener más información, consulta Dialectos de BigQuery SQL.
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 AA directamente en BigQuery sin necesidad de mover datos ni preocuparte por la infraestructura de entrenamiento subyacente. Puedes crear predicciones por lotes para modelos de BigQuery ML para obtener estadísticas a partir de tus datos de BigQuery.
También puedes acceder a los modelos de Vertex AI con BigQuery ML. Puedes crear un modelo remoto de BigQuery ML en un modelo integrado de Vertex AI, como Gemini, o en un modelo personalizado de Vertex AI. Interactúas con el modelo remoto con SQL en BigQuery, al igual que con cualquier otro modelo de BigQuery ML, pero todo el entrenamiento y la inferencia del modelo remoto se procesan en Vertex AI.
Lenguaje disponible:
- GoogleSQL
- Bibliotecas cliente de BigQuery
Para obtener más información sobre las ventajas de usar BigQuery ML, consulta Introducción a la IA y el aprendizaje automático en BigQuery.
Beneficios de administrar modelos de BigQuery ML en Vertex AI
Puedes registrar tus modelos de BigQuery ML en el Model Registry para administrarlos en Vertex AI. La administración de modelos de BigQuery ML en Vertex AI proporciona dos beneficios principales:
Entrega de modelos en línea: BigQuery ML solo admite predicciones por lotes para tus modelos. Para obtener predicciones en línea, puedes entrenar tus modelos en BigQuery ML y, luego, implementarlos en los extremos de Vertex AI a través de Vertex AI Model Registry.
Funciones de MLOps: los modelos son más beneficiosos cuando se mantienen actualizados mediante el entrenamiento continuo. Vertex AI ofrece herramientas de MLOps que automatizan la supervisión y el reentrenamiento de modelos para mantener la exactitud de las predicciones a lo largo del tiempo. Con Vertex AI Pipelines, puedes usar operadores de BigQuery para conectar cualquier trabajo de BigQuery (incluido BigQuery ML) a una canalización de AA. Con Vertex AI Model Monitoring, puedes supervisar tus predicciones de BigQuery ML a lo largo del tiempo.
Para obtener información sobre cómo registrar tus modelos de BigQuery ML en Model Registry, consulta Administra modelos de BigQuery ML con Vertex AI.
Instructivos de notebooks relacionados
| ¿Qué desea hacer? | Recurso |
|---|---|
| Usa BigQuery ML para analizar imágenes y texto con Gemini en Vertex AI | Analiza pósteres de películas en BigQuery con Gemini 1.5 Flash |
| Usa BigQuery ML para generar texto en tablas de BigQuery o datos no estructurados con modelos de base en Vertex AI | Genera texto con BigQuery ML y modelos de base en Vertex AI |
| Genera incorporaciones vectoriales con BigQuery ML en texto e imágenes | Llama a un extremo de incorporación multimodal en Vertex AI desde BigQuery ML para generar incorporaciones para la búsqueda semántica |
| Usa dos canalizaciones de los flujos de trabajo tabulares de Vertex AI para entrenar un modelo de AutoML con diferentes configuraciones. | Flujo de trabajo tabular: canalización tabular de AutoML |
| Usa el SDK de Vertex AI para Python a fin de entrenar un modelo de AutoML para la regresión tabular y obtener predicciones por lotes del modelo | SDK de Vertex AI para Python: modelo de regresión tabular de entrenamiento de AutoML para la predicción por lotes con BigQuery |
| Entrena y evalúa un modelo de propensión en BigQuery ML para predecir la retención de usuarios en un juego para dispositivos móviles. | Predicción de deserción para desarrolladores de videojuegos mediante Google Analytics 4 y BigQuery ML |
| Usa BigQuery ML para optimizar los precios de los datos de precios de CDM. | Análisis de optimización de precios en datos de precios de CDM |
¿Qué sigue?
- Para comenzar a usar Vertex AI, consulta lo siguiente: