Utilizza questa pagina per comprendere le differenze tra Vertex AI e BigQuery e scoprire come integrare Vertex AI con i tuoi flussi di lavoro BigQuery esistenti. Vertex AI e BigQuery collaborano per soddisfare i tuoi casi d'uso di machine learning e MLOps.
Per scoprire di più sulle differenze di addestramento dei modelli tra Vertex AI e BigQuery, consulta Scegliere un metodo di addestramento.
Differenze tra Vertex AI e BigQuery
Questa sezione illustra i servizi Vertex AI, BigQuery e BigQuery ML.
Vertex AI: una piattaforma AI/ML end-to-end
Vertex AI è una piattaforma IA/ML per lo sviluppo e la governance dei modelli. I casi d'uso comuni includono:
- Attività di machine learning, come previsioni, predizioni, consigli e rilevamento di anomalie
Attività di IA generativa, ad esempio:
- Generazione, classificazione, riepilogo ed estrazione di testo
- Generazione e completamento del codice
- Generazione di immagini
- Generazione di embedding
Puoi utilizzare BigQuery per preparare i dati di addestramento per i modelli Vertex AI, che puoi rendere disponibili come funzionalità in Vertex AI Feature Store.
Puoi addestrare i modelli in Vertex AI in tre modi:
- AutoML: addestra i modelli su set di dati immagine, tabulari e video senza scrivere codice.
- Addestramento personalizzato: esegui il codice di addestramento personalizzato in base al tuo caso d'uso specifico.
- Ray su Vertex AI: utilizza Ray per scalare le applicazioni di IA e Python, come il machine learning.
Puoi anche importare un modello addestrato su un'altra piattaforma come BigQuery ML o XGBoost.
Puoi registrare i modelli con addestramento personalizzato in Vertex AI Model Registry. Puoi anche importare i modelli addestrati al di fuori di Vertex AI e registrarli in Vertex AI Model Registry. Non è necessario registrare i modelli AutoML, poiché vengono registrati automaticamente al momento della creazione.
Dal registry, puoi gestire le versioni dei modelli, eseguire il deployment negli endpoint per le previsioni online, eseguire valutazioni dei modelli, monitorare i deployment con il monitoraggio dei modelli di Vertex AI e utilizzare Vertex Explainable AI.
Lingue disponibili:
- L'SDK Vertex AI supporta Python, Java, Node.js e Go.
BigQuery: un data warehouse aziendale multi-cloud serverless
BigQuery è un data warehouse aziendale completamente gestito che ti aiuta a gestire e analizzare i dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence. È possibile eseguire query sulle tabelle BigQuery tramite SQL e i data scientist che utilizzano principalmente SQL possono eseguire query di grandi dimensioni con poche righe di codice.
Puoi anche utilizzare BigQuery come datastore a cui fai riferimento quando crei modelli tabulari e personalizzati in Vertex AI. Per scoprire di più sull'utilizzo di BigQuery come datastore, consulta la Panoramica dello archiviazione BigQuery.
Lingue disponibili:
- SDK per BigQuery. Per saperne di più, consulta le librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per scoprire di più, consulta Dialetti SQL BigQuery.
BigQuery ML: machine learning direttamente in BigQuery
BigQuery ML ti consente di sviluppare e richiamare modelli in BigQuery. Con BigQuery ML, puoi utilizzare SQL per addestrare i modelli di ML direttamente in BigQuery senza dover spostare i dati o preoccuparti dell'infrastruttura di addestramento sottostante. Puoi creare previsioni collettive per i modelli BigQuery ML per ottenere approfondimenti dai tuoi dati BigQuery.
Puoi anche accedere ai modelli Vertex AI utilizzando BigQuery ML. Puoi creare un modello remoto BigQuery ML su un modello integrato di Vertex AI come Gemini o su un modello personalizzato di Vertex AI. Interagisci con il modello remoto utilizzando SQL in BigQuery, come con qualsiasi altro modello BigQuery ML, ma tutto l'addestramento e l'inferenza per il modello remoto vengono elaborati in Vertex AI.
Lingua disponibile:
- GoogleSQL
- Librerie client di BigQuery
Per scoprire di più sui vantaggi dell'utilizzo di BigQuery ML, consulta Introduzione all'AI e all'ML in BigQuery.
Vantaggi della gestione dei modelli BigQuery ML in Vertex AI
Puoi registrare i tuoi modelli BigQuery ML in Model Registry per gestirli in Vertex AI. La gestione dei modelli BigQuery ML in Vertex AI offre due vantaggi principali:
Pubblicazione di modelli online: BigQuery ML supporta solo le previsioni batch per i tuoi modelli. Per ottenere previsioni online, puoi addestrare i tuoi modelli in BigQuery ML ed eseguirne il deployment negli endpoint Vertex AI tramite Vertex AI Model Registry.
Funzionalità MLOps: i modelli sono più utili se vengono aggiornati tramite l'addestramento continuo. Vertex AI offre strumenti MLOps che automatizzano il monitoraggio e il ricoinvolgimento dei modelli per mantenere l'accuratezza delle previsioni nel tempo. Con Vertex AI Pipelines, puoi utilizzare gli operatori BigQuery per collegare qualsiasi job BigQuery (incluso BigQuery ML) a una pipeline di ML. Con il monitoraggio dei modelli di Vertex AI, puoi monitorare le tue previsioni di BigQuery ML nel tempo.
Per scoprire come registrare i modelli BigQuery ML in Model Registry, consulta Gestire i modelli BigQuery ML con Vertex AI.
Tutorial sui notebook correlati
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizzare BigQuery ML per analizzare immagini e testo utilizzando Gemini su Vertex AI | Analisi dei poster dei film in BigQuery con Gemini 1.5 Flash |
| Utilizza BigQuery ML per generare testo nelle tabelle BigQuery o nei dati non strutturati con i modelli di base su Vertex AI | Generare testo utilizzando BigQuery ML e modelli di base in Vertex AI |
| Genera embedding vettoriali con BigQuery ML su testo e immagini | Chiama un endpoint di embedding multimodale in Vertex AI da BigQuery ML per generare embedding per la ricerca semantica |
| Utilizza due pipeline di flussi di lavoro tabulari Vertex AI per addestrare un modello AutoML utilizzando configurazioni diverse. | Flusso di lavoro tabulare: pipeline tabulare AutoML |
| Utilizza l'SDK Vertex AI per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni batch dal modello. | SDK Vertex AI per Python: addestramento del modello di regressione tabulare AutoML per la previsione batch utilizzando BigQuery |
| Addestra e valuta un modello di propensione in BigQuery ML per prevedere la fidelizzazione degli utenti in un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per eseguire l'ottimizzazione dei prezzi sui dati dei prezzi del CDM. | Analisi dell'ottimizzazione dei prezzi sui dati sui prezzi del CDM |
Passaggi successivi
- Per iniziare a utilizzare Vertex AI, consulta: