您可以透過本頁面瞭解 Vertex AI 與 BigQuery 的差異，並瞭解如何將 Vertex AI 與現有的 BigQuery 工作流程整合。Vertex AI 和 BigQuery 可搭配使用，滿足您的機器學習和機器學習運作用途。
如要進一步瞭解 Vertex AI 和 BigQuery 之間的模型訓練差異，請參閱「選擇訓練方法」。
Vertex AI 與 BigQuery 之間的差異
本節將介紹 Vertex AI、BigQuery 和 BigQuery ML 服務。
Vertex AI：端對端 AI/機器學習平台
Vertex AI 是用於模型開發和管理的 AI/ML 平台。常見用途包括：
- 機器學習工作，例如預測、推薦和異常偵測
生成式 AI 工作，例如：
- 生成文字、分類、摘要和擷取
- 程式碼生成與補全
- 圖像生成
- 嵌入產生
您可以使用 BigQuery 為 Vertex AI 模型準備訓練資料，並將這些資料做為特徵提供在 Vertex AI 特徵儲存庫中。
您可以透過三種方式在 Vertex AI 中訓練模型：
- AutoML：不必編寫程式碼，即可在圖片、表格和影片資料集上訓練模型。
- 自訂訓練：執行專屬於特定用途的自訂訓練程式碼。
- Ray on Vertex AI：使用 Ray 擴充 AI 和 Python 應用程式 (例如機器學習)。
您也可以匯入在其他平台 (例如 BigQuery ML 或 XGBoost) 訓練的模型。
您可以將自訂訓練模型註冊至 Vertex AI Model Registry。您也可以匯入在 Vertex AI 外訓練的模型，並將這些模型註冊至 Vertex AI Model Registry。您不需要註冊 AutoML 模型，因為系統會在建立時自動註冊。
您可以在註冊中心管理模型版本、部署至端點以進行線上預測、執行模型評估、使用 Vertex AI Model Monitoring 監控部署作業，以及使用 Vertex Explainable AI。
支援的語言：
- Vertex AI SDK 支援 Python、Java、Node.js 和 Go。
BigQuery：無伺服器多雲端企業資料倉儲
BigQuery 是全代管的企業資料倉儲，內建機器學習、地理空間分析和商業智慧等功能，有助於管理及分析資料。BigQuery 資料表可透過 SQL 查詢，而主要使用 SQL 的資料科學家只需幾行程式碼，就能執行大型查詢。
您也可以在 Vertex AI 中建構表格和自訂模型時，將 BigQuery 用作參照資料儲存庫。如要進一步瞭解如何將 BigQuery 用作資料儲存庫，請參閱「BigQuery 儲存空間總覽」。
支援的語言：
- BigQuery 專用 SDK。如需更多資訊，請參閱 BigQuery API 用戶端程式庫。
- GoogleSQL
- 舊版 SQL
如需瞭解詳情，請參閱「BigQuery SQL 方言」。
BigQuery ML：直接在 BigQuery 中進行機器學習
BigQuery ML 可讓您在 BigQuery 中開發及叫用模型。有了 BigQuery ML，您就能使用 SQL 直接在 BigQuery 中訓練機器學習模型，不必移動資料，也不必擔心底層訓練基礎架構。您可以為 BigQuery ML 模型建立批次預測，從 BigQuery 資料中取得洞察。
您也可以使用 BigQuery ML 存取 Vertex AI 模型。您可以使用 Vertex AI 內建模型 (例如 Gemini) 或 Vertex AI 自訂模型建立 BigQuery ML 遠端模型。您可以使用 BigQuery 中的 SQL 與遠端模型互動，就像其他 BigQuery ML 模型一樣，但遠端模型的所有訓練和推論作業都會在 Vertex AI 中處理。
支援的語言：
- GoogleSQL
- BigQuery 用戶端程式庫
如要進一步瞭解使用 BigQuery ML 的優點，請參閱 BigQuery 中的 AI 和機器學習簡介。
在 Vertex AI 中管理 BigQuery ML 模型的好處
您可以將 BigQuery ML 模型註冊至 Model Registry，以便在 Vertex AI 中管理模型。在 Vertex AI 中管理 BigQuery ML 模型有兩大優點：
線上模型服務：BigQuery ML 僅支援模型的批次預測。如要取得線上預測結果，您可以在 BigQuery ML 中訓練模型，然後透過 Vertex AI Model Registry 將模型部署至 Vertex AI 端點。
MLOps 功能：透過持續訓練，可確保模型保持最新狀態，發揮最大效益。Vertex AI 提供 MLOps 工具，可自動監控及重新訓練模型，確保預測結果隨時間推移而保持準確。使用 Vertex AI Pipelines 時，您可以使用 BigQuery 運算子將任何 BigQuery 工作 (包括 BigQuery ML) 插入機器學習管道。您可以透過 Vertex AI 模型監控功能，監控 BigQuery ML 預測結果隨時間變化。
如要瞭解如何將 BigQuery ML 模型註冊至 Model Registry，請參閱「透過 Vertex AI 管理 BigQuery ML 模型」。
相關筆記本教學課程
| 您要執行什麼操作？ | 資源 |
|---|---|
| 使用 BigQuery ML 搭配 Vertex AI 中的 Gemini 分析圖片和文字 | 使用 Gemini 2.0 Flash 在 BigQuery 中分析電影海報 |
| 使用 BigQuery ML 搭配 Vertex AI 基礎模型，針對 BigQuery 資料表或非結構化資料產生文字 | 在 Vertex AI 中使用 BigQuery ML 和基礎模型產生文字 |
| 使用 BigQuery ML 針對文字和圖片產生向量嵌入 | 透過 BigQuery ML 呼叫 Vertex AI 中的多模態嵌入端點，為語義搜尋產生嵌入資料 |
| 使用兩個 Vertex AI 表格式工作流程管道，以不同的設定訓練 AutoML 模型。 | Tabular 工作流程：AutoML Tabular Pipeline |
| 使用 Python 適用的 Vertex AI SDK 訓練表格型迴歸 AutoML 模型，並從模型取得批次預測結果。 | 適用於 Python 的 Vertex AI SDK：使用 BigQuery 訓練 AutoML 資料欄迴歸模型，以便進行批次預測 |
| 在 BigQuery ML 中訓練及評估購買傾向模型，預測行動遊戲的使用者留存率。 | 遊戲開發人員使用 Google Analytics 4 和 BigQuery ML 預測流失情形 |
| 使用 BigQuery ML 對 CDM 定價資料進行定價最佳化。 | 分析 CDM 定價資料的定價最佳化 |
後續步驟
- 如要開始使用 Vertex AI，請參閱：