이 페이지에서 Vertex AI와 BigQuery의 차이점을 이해하고 Vertex AI를 기존 BigQuery 워크플로와 통합하는 방법을 알아보세요. Vertex AI와 BigQuery는 함께 작동하여 머신러닝 및 MLOps 사용 사례를 충족합니다.
Vertex AI와 BigQuery 간의 모델 학습 차이에 대한 자세한 내용은 학습 방법 선택을 참조하세요.
Vertex AI와 BigQuery의 차이점
이 섹션에서는 Vertex AI, BigQuery, BigQuery ML 서비스를 다룹니다.
Vertex AI: 엔드 투 엔드 AI/ML 플랫폼
Vertex AI는 모델 개발 및 거버넌스를 위한 AI/ML 플랫폼입니다. 일반적인 사용 사례는 다음과 같습니다.
- 예측, 예측, 추천, 이상 감지와 같은 머신러닝 작업
다음과 같은 생성형 AI 작업:
- 텍스트 생성, 분류, 요약, 추출
- 코드 생성 및 완성
- 이미지 생성
- 임베딩 생성
BigQuery를 사용하여 Vertex AI 모델의 학습 데이터를 준비할 수 있으며, 이 데이터는 Vertex AI Feature Store에서 특성으로 제공할 수 있습니다.
Vertex AI에서 모델을 학습하는 방법에는 세 가지가 있습니다.
- AutoML: 코드를 작성하지 않고도 이미지, 테이블 형식, 동영상 데이터 세트에서 모델을 학습시킵니다.
- 커스텀 학습: 특정 사용 사례에 맞는 커스텀 학습 코드를 실행합니다.
- Vertex AI의 Ray: Ray를 사용하여 머신러닝과 같은 AI 및 Python 애플리케이션을 확장합니다.
BigQuery ML 또는 XGBoost와 같은 다른 플랫폼에서 학습된 모델을 가져올 수도 있습니다.
커스텀 학습 모델을 Vertex AI Model Registry에 등록할 수 있습니다. Vertex AI 외부에서 학습된 모델을 가져와 Vertex AI Model Registry에 등록할 수도 있습니다. AutoML 모델은 등록할 필요가 없습니다. 생성 시 자동으로 등록됩니다.
레지스트리에서 모델 버전을 관리하고, 온라인 예측을 위해 엔드포인트에 배포하고, 모델 평가를 수행하고, Vertex AI Model Monitoring으로 배포를 모니터링하고, Vertex Explainable AI를 사용할 수 있습니다.
사용 가능한 언어:
- Vertex AI SDK는 Python, Java, Node.js, Go를 지원합니다.
BigQuery: 서버리스 멀티 클라우드 엔터프라이즈 데이터 웨어하우스
BigQuery는 머신러닝, 지리정보 분석, 비즈니스 인텔리전스와 같은 기본 제공 기능으로 데이터를 관리하고 분석할 수 있게 해주는 완전 관리형 엔터프라이즈 데이터 웨어하우스입니다. BigQuery 테이블은 SQL로 쿼리할 수 있으며, 주로 SQL을 사용하는 데이터 과학자는 코드 몇 줄만으로 대규모 쿼리를 실행할 수 있습니다.
BigQuery를 Vertex AI에서 테이블 형식 및 커스텀 모델을 빌드할 때 참조하는 데이터 스토어로 사용할 수도 있습니다. BigQuery를 데이터 스토어로 사용하는 방법에 대한 자세한 내용은 BigQuery 스토리지 개요를 참조하세요.
사용 가능한 언어:
- BigQuery용 SDK. 자세한 내용은 BigQuery API 클라이언트 라이브러리를 참조하세요.
- GoogleSQL
- Legacy SQL
자세한 내용은 BigQuery SQL 언어를 참조하세요.
BigQuery ML: BigQuery에서 직접 머신러닝
BigQuery ML을 사용하면 BigQuery에서 모델을 개발하고 호출할 수 있습니다. BigQuery ML을 사용하면 데이터를 이동하거나 기본 학습 인프라에 관해 걱정할 필요 없이 SQL을 사용하여 BigQuery에서 직접 ML 모델을 학습시킬 수 있습니다. BigQuery ML 모델에 대한 일괄 예측을 만들어 BigQuery 데이터에서 유용한 정보를 얻을 수 있습니다.
BigQuery ML을 사용하여 Vertex AI 모델에 액세스할 수도 있습니다. Gemini와 같은 Vertex AI 내장 모델 또는 Vertex AI 맞춤 모델을 통해 BigQuery ML 원격 모델을 만들 수 있습니다. 다른 BigQuery ML 모델과 마찬가지로 BigQuery에서 SQL을 사용하여 원격 모델과 상호작용하지만 원격 모델의 모든 학습과 추론은 Vertex AI에서 처리됩니다.
사용 가능한 언어:
- GoogleSQL
- BigQuery 클라이언트 라이브러리
BigQuery ML 사용의 이점에 대한 자세한 내용은 BigQuery의 AI 및 ML 소개를 참고하세요.
Vertex AI에서 BigQuery ML 모델을 관리하는 이점
Vertex AI에서 모델을 관리하려면 BigQuery ML 모델을 Model Registry에 등록하면 됩니다. Vertex AI에서 BigQuery ML 모델을 관리하면 다음과 같은 두 가지 주요 이점이 있습니다.
온라인 모델 제공: BigQuery ML은 모델에 대한 일괄 예측만 지원합니다. 온라인 예측을 수행하려면 BigQuery ML에서 모델을 학습시키고 Vertex AI Model Registry를 통해 Vertex AI 엔드포인트에 배포하면 됩니다.
MLOps 기능: 모델은 지속적인 학습을 통해 최신 상태로 유지될 때 가장 유용합니다. Vertex AI는 시간 경과에 따른 예측 정확성을 유지하기 위해 모델의 모니터링 및 재학습을 자동화하는 MLOps 도구를 제공합니다. Vertex AI Pipelines를 사용하면 BigQuery 연산자를 사용하여 모든 BigQuery 작업(BigQuery ML 포함)을 ML 파이프라인에 연결할 수 있습니다. Vertex AI 모델 모니터링을 사용하면 시간 경과에 따른 BigQuery ML 예측을 모니터링할 수 있습니다.
BigQuery ML 모델을 Model Registry에 등록하는 방법을 알아보려면 Vertex AI로 BigQuery ML 모델 관리를 참고하세요.
관련 노트북 튜토리얼
| 수행할 작업은 무엇인가? | 리소스 |
|---|---|
| BigQuery ML을 사용하여 Vertex AI에서 Gemini를 통해 이미지 및 텍스트 분석 | Gemini 1.5 Flash로 BigQuery에서 영화 포스터 분석하기 |
| BigQuery ML을 사용하여 Vertex AI의 기반 모델로 BigQuery 테이블 또는 비정형 데이터에서 텍스트 생성 | Vertex AI에서 BigQuery ML 및 기반 모델을 사용하여 텍스트 생성 |
| BigQuery ML을 사용하여 텍스트 및 이미지에서 벡터 임베딩 생성 | BigQuery ML에서 Vertex AI의 멀티모달 임베딩 엔드포인트를 호출하여 시맨틱 검색을 위한 임베딩 생성 |
| 두 개의 Vertex AI 테이블 형식 워크플로 파이프라인을 사용하여 서로 다른 구성을 통해 AutoML 모델을 학습시킵니다. | 테이블 형식 워크플로: AutoML 테이블 형식 파이프라인 |
| Python용 Vertex AI SDK를 사용하여 테이블 형식 회귀를 위해 AutoML 모델을 학습시키고 모델에서 일괄 예측을 가져옵니다. | Vertex AI SDK for Python: BigQuery를 사용한 일괄 예측을 위한 AutoML 학습 테이블 형식 회귀 모델 |
| BigQuery ML에서 경향 모델을 학습시키고 평가하여 모바일 게임의 사용자 유지율을 예측합니다. | Google 애널리틱스 4 및 BigQuery ML을 사용한 게임 개발자용 앱 제거 예측 |
| BigQuery ML을 사용하여 CDM 가격 책정 데이터에 대한 가격 책정 최적화를 수행합니다. | CDM 가격 책정 데이터에 대한 가격 책정 최적화 분석 |
다음 단계
- Vertex AI를 시작하려면 다음을 참고하세요.