Vorhersagen mit Remote-Modellen in Vertex AI treffen

In dieser Anleitung registrieren Sie einen Vertex AI-Endpunkt als Remote-Modell in BigQuery. Anschließend verwenden Sie die Funktion ML.PREDICT, um Vorhersagen mit dem Remote-Modell zu treffen.

Sie können Remote-Modelle verwenden, wenn ein Modell für den Import in BigQuery zu groß ist. Sie sind auch nützlich, wenn Sie eine einzelne Inferenz für Online-, Batch- und Mikro-Batch-Anwendungsfälle verwenden möchten.

Hinweis :Eine Version dieser Anleitung, in der Python in einem BigQuery-Notebook verwendet wird, finden Sie in der Anleitung zu BQML-Remotemodellen auf GitHub.

Ziele

• Importieren Sie ein vortrainiertes TensorFlow-Modell in die Vertex AI Model Registry.
• Stellen Sie das Modell in einem Vertex AI-Endpunkt bereit.
• Cloud-Ressourcenverbindung erstellen
• Verwenden Sie die CREATE MODEL-Anweisung, um ein Remote-Modell in BigQuery zu erstellen.
• Verwenden Sie die Funktion ML.PREDICT, um Vorhersagen mit dem Remote-Modell zu treffen.

Kosten

In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:

• BigQuery
• BigQuery ML
• Vertex AI

Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.

Neuen Nutzern von Google Cloud steht möglicherweise eine kostenlose Testversion zur Verfügung.

Nach Abschluss der in diesem Dokument beschriebenen Aufgaben können Sie weitere Kosten vermeiden, indem Sie die erstellten Ressourcen löschen. Weitere Informationen finden Sie unter Bereinigen.

Hinweis

Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

1. Prüfen Sie, ob für Ihr Google Cloud Projekt die Abrechnung aktiviert ist.

2. Aktivieren Sie die BigQuery-, Vertex AI-, Cloud Storage- und BigQuery Connection APIs.

   Rollen, die zum Aktivieren von APIs erforderlich sind

   Zum Aktivieren von APIs benötigen Sie die IAM-Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin), die die Berechtigung serviceusage.services.enable enthält. Weitere Informationen zum Zuweisen von Rollen

   APIs aktivieren

3. Prüfen Sie, ob Sie die erforderlichen Berechtigungen haben, um die Aufgaben in diesem Dokument ausführen zu können.

Erforderliche Rollen

Wenn Sie ein neues Projekt erstellen, sind Sie der Projektinhaber und erhalten alle erforderlichen IAM-Berechtigungen, die Sie für dieses Tutorial benötigen.

Wenn Sie ein vorhandenes Projekt verwenden, gehen Sie so vor.

Prüfen Sie, ob Sie die folgenden Rollen für das Projekt haben:

• BigQuery Studio Admin (roles/bigquery.studioAdmin)
• Vertex AI-Nutzer (roles/aiplatform.user)
• BigQuery Connection Admin (roles/bigquery.connectionAdmin)

Rollen prüfen

1. Rufen Sie in der Google Cloud Console die Seite IAM auf.

   IAM aufrufen
2. Wählen Sie das Projekt aus.

3. Suchen Sie in der Spalte Hauptkonto nach allen Zeilen, in denen Sie oder eine Gruppe, zu der Sie gehören, angegeben sind. Fragen Sie Ihren Administrator, zu welchen Gruppen Sie gehören.

4. Prüfen Sie in allen Zeilen, in denen Sie angegeben oder enthalten sind, die Spalte Rolle, um zu sehen, ob die Liste der Rollen die erforderlichen Rollen enthält.

Rollen zuweisen

1. Rufen Sie in der Google Cloud Console die Seite IAM auf.

   IAM aufrufen
2. Wählen Sie das Projekt aus.
3. Klicken Sie auf Zugriffsrechte erteilen.

4. Geben Sie im Feld Neue Hauptkonten Ihre Nutzer-ID ein. Das ist in der Regel die E‑Mail-Adresse eines Google-Kontos.

5. Klicken Sie auf Rolle auswählen und suchen Sie nach der Rolle.
6. Klicken Sie auf Weitere Rolle hinzufügen, wenn Sie weitere Rollen zuweisen möchten.
7. Klicken Sie auf Speichern.

Weitere Informationen zu IAM-Berechtigungen in BigQuery finden Sie unter BigQuery-Berechtigungen.

Modell in Vertex AI Model Registry importieren

In dieser Anleitung verwenden Sie ein vortrainiertes TensorFlow-Modell, das in Cloud Storage unter gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/ verfügbar ist. Der Cloud Storage-Bucket befindet sich am multiregionalen Standort US.

Das Modell ist ein TensorFlow-Modell mit dem Namen saved_model.pb. Es handelt sich um ein benutzerdefiniertes Modell zur Sentimentanalyse, das durch Feinabstimmung eines BERT-Modells mit IMDb-Filmrezensionen im Nur-Text-Format erstellt wurde. Das Modell verwendet Texteingaben aus den Filmrezensionen und gibt Sentimentwerte zwischen 0 und 1 zurück. Wenn Sie das Modell in die Modellregistrierung importieren, verwenden Sie einen vordefinierten TensorFlow-Container.

Hinweis :Ein Tutorial zum Erstellen des Beispielmodells finden Sie in der TensorFlow-Dokumentation unter Text mit BERT klassifizieren.

So importieren Sie das Modell:

1. Rufen Sie in der Google Cloud Console die Seite Vertex AI Model Registry auf.

   Zu Model Registry

2. Klicken Sie auf Importieren.

3. Gehen Sie für Schritt 1: Name und Region so vor:

   1. Wählen Sie Als neues Modell importieren aus.

   2. Geben Sie für Name bert_sentiment ein.

   3. Geben Sie unter Beschreibung BQML tutorial model ein.

   4. Wählen Sie bei Region die Option us-central1 aus. Sie müssen eine Region in den USA auswählen, da sich der Cloud Storage-Bucket am multiregionalen Standort US befindet.

   5. Klicken Sie auf Weiter.

4. Gehen Sie für Schritt 2: Modelleinstellungen so vor:

   1. Wählen Sie Modellartefakte in einen neuen vordefinierten Container importieren aus.

   2. Gehen Sie im Bereich Vordefinierte Containereinstellungen folgendermaßen vor:

      1. Wählen Sie für Modell-Framework die Option TensorFlow aus.

      2. Wählen Sie für Modell-Framework-Version die Option 2.15 aus.

      3. Wählen Sie für Beschleunigertyp die Option GPU aus.

      4. Geben Sie für Speicherort des Modellartefakts gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/ ein.

      5. Übernehmen Sie für alle verbleibenden Optionen die Standardwerte und klicken Sie auf Importieren.

Wenn der Import abgeschlossen ist, wird das Modell auf der Seite Model Registry angezeigt.

Modell in einem Vertex AI-Endpunkt bereitstellen

Führen Sie die folgenden Schritte aus, um das Modell an einem Endpunkt bereitzustellen.

1. Rufen Sie in der Google Cloud Console die Seite Vertex AI Model Registry auf.

   Zu Model Registry

2. Klicken Sie in der Spalte Name auf bert_sentiment.

3. Klicken Sie auf den Tab Bereitstellen und Testen.

4. Klicken Sie auf In Endpunkt bereitstellen.

5. Führen Sie für Schritt 1, Endpunkt definieren, die folgenden Schritte aus:

   1. Klicken Sie auf Neuen Endpunkt erstellen.

   2. Geben Sie unter Endpunktname bert sentiment endpoint ein.

   3. Übernehmen Sie die verbleibenden Standardwerte und klicken Sie auf Weiter.

6. Gehen Sie für Schritt 2, Modelleinstellungen, so vor:

   1. Geben Sie im Abschnitt Compute-Einstellungen für Mindestanzahl von Computing-Knoten den Wert 1 ein. Dies ist die Anzahl der Knoten, die für das Modell verfügbar sein müssen.

      Hinweis :In der Produktion sollten Sie die maximale Anzahl von Rechenknoten festlegen. Mit dieser Option wird die Autoscaling-Funktion in Vertex AI aktiviert. So kann der Endpunkt mehr Anfragen verarbeiten, wenn Ihre BigQuery-Tabelle eine große Anzahl von Zeilen enthält.

   2. Wählen Sie im Bereich Erweiterte Skalierungsoptionen für Maschinentyp die Option Standard (n1-standard-2) aus. Da Sie beim Importieren des Modells GPU als Beschleunigertyp ausgewählt haben, werden der Beschleunigertyp und die Anzahl der Beschleuniger automatisch festgelegt, nachdem Sie den Maschinentyp ausgewählt haben.

   3. Behalten Sie die verbleibenden Standardwerte bei und klicken Sie auf Bereitstellen.

      Wenn das Modell am Endpunkt bereitgestellt wird, ändert sich der Status in Active.

   4. Kopieren Sie die numerische Endpunkt-ID in der Spalte ID und den Wert in der Spalte Region. Sie benötigen sie später.

Dataset erstellen

Erstellen Sie ein BigQuery-Dataset zum Speichern Ihres ML-Modells.

Console

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   Zur Seite "BigQuery"

2. Klicken Sie im Bereich Explorer auf den Namen Ihres Projekts.

3. Klicken Sie auf  Aktionen ansehen > Dataset erstellen.

4. Führen Sie auf der Seite Dataset erstellen die folgenden Schritte aus:

   • Geben Sie unter Dataset-ID bqml_tutorial ein.

   • Wählen Sie als Standorttyp die Option Multiregional und dann USA aus.

   • Übernehmen Sie die verbleibenden Standardeinstellungen unverändert und klicken Sie auf Dataset erstellen.

bq

Wenn Sie ein neues Dataset erstellen möchten, verwenden Sie den Befehl bq mk --dataset.

1. Erstellen Sie ein Dataset mit dem Namen bqml_tutorial und legen Sie den Datenspeicherort auf US fest.

   bq mk --dataset \
     --location=US \
     --description "BigQuery ML tutorial dataset." \
     bqml_tutorial

2. Prüfen Sie, ob das Dataset erstellt wurde:

   bq ls

API

Rufen Sie die Methode datasets.insert mit einer definierten Dataset-Ressource auf.

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery-Cloud-Ressourcenverbindung erstellen

Sie benötigen eine Cloud-Ressourcenverbindung, um eine Verbindung zu einem Vertex AI-Endpunkt herzustellen.

Console

1. Rufen Sie die Seite BigQuery auf.

   BigQuery aufrufen

2. Klicken Sie im linken Bereich auf  Explorer:

   

   Wenn Sie den linken Bereich nicht sehen, klicken Sie auf  Linken Bereich maximieren, um ihn zu öffnen.

3. Klicken Sie im Bereich Explorer auf Daten hinzufügen.

   Das Dialogfeld Daten hinzufügen wird geöffnet.

4. Wählen Sie im Bereich Filtern nach im Abschnitt Datenquellentyp die Option Datenbanken aus.

   Alternativ können Sie im Feld Nach Datenquellen suchen Vertex AI eingeben.

5. Klicken Sie im Abschnitt Empfohlene Datenquellen auf Vertex AI.

6. Klicken Sie auf die Lösungsübersichtskarte Vertex AI-Modelle: BigQuery Federation.

7. Wählen Sie in der Liste Verbindungstyp die Option Vertex AI-Remote-Modelle, Remote-Funktionen und BigLake (Cloud Resource) aus.

8. Geben Sie im Feld Verbindungs-ID bqml_tutorial ein.

9. Prüfen Sie, ob Mehrere Regionen – USA ausgewählt ist.

10. Klicken Sie auf Verbindung erstellen.

11. Klicken Sie unten im Fenster auf Zur Verbindung. Alternativ können Sie im Bereich Explorer auf Verbindungen und dann auf us.bqml_tutorial klicken.

12. Kopieren Sie im Bereich Verbindungsinformationen die Dienstkonto-ID. Sie benötigen diese ID, wenn Sie Berechtigungen für die Verbindung konfigurieren. Wenn Sie eine Verbindungsressource erstellen, erstellt BigQuery ein eindeutiges Systemdienstkonto und ordnet es der Verbindung zu.

bq

1. Verbindung herstellen:

   bq mk --connection --location=US --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE bqml_tutorial

   Ersetzen Sie PROJECT_ID durch IhreGoogle Cloud Projekt-ID. Der Parameter --project_id überschreibt das Standardprojekt.

   Wenn Sie eine Verbindungsressource herstellen, erstellt BigQuery ein eindeutiges Systemdienstkonto und ordnet es der Verbindung zu.

   Fehlerbehebung:Wird der folgende Verbindungsfehler angezeigt, aktualisieren Sie das Google Cloud SDK:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Rufen Sie die Dienstkonto-ID ab und kopieren Sie sie zur Verwendung in einem späteren Schritt:

   bq show --connection PROJECT_ID.us.bqml_tutorial

   Die Ausgabe sieht etwa so aus:

   name                          properties
   1234.REGION.CONNECTION_ID {"serviceAccountId": "[e-mail]"}
   

Verbindungszugriff einrichten

Weisen Sie dem Dienstkonto der Cloud-Ressourcenverbindung die Rolle „Vertex AI User“ zu. Sie müssen diese Rolle in demselben Projekt gewähren, in dem Sie den Endpunkt des Remote-Modells erstellt haben.

Hinweis :Wenn sich die Verbindung in einem anderen Projekt befindet, wird dieser Fehler zurückgegeben: [e-mail] does not have the permission to access resource.

So weisen Sie die Rolle zu:

1. Zur Seite IAM & Verwaltung.

   IAM & Verwaltung aufrufen

2. Klicken Sie auf Zugriff gewähren.

3. Geben Sie im Feld Neue Hauptkonten die Dienstkonto-ID der Cloud-Ressourcenverbindung ein, die Sie zuvor kopiert haben.

4. Wählen Sie im Feld Rolle auswählen die Option Vertex AI und dann Vertex AI-Nutzer aus.

5. Klicken Sie auf Speichern.

BigQuery ML-Remote-Modell erstellen

Sie erstellen ein BigQuery ML-Remote-Modell mit der Anweisung CREATE MODEL und der Klausel REMOTE WITH CONNECTION. Weitere Informationen zur CREATE MODEL-Anweisung finden Sie unter CREATE MODEL-Anweisung für Remote-Modelle über benutzerdefinierte Modelle.

Sie erstellen Ihr Modell am multiregionalen Standort US. In einem multiregionalen BigQuery-Dataset (US, EU) können Sie nur ein Remote-Modell erstellen, das eine Verbindung zu einem Endpunkt herstellt, der in einer Region innerhalb desselben multiregionalen Standorts (US, EU) bereitgestellt wird.

Wenn Sie das Remote-Modell erstellen, benötigen Sie die Endpunkt-ID, die beim Bereitstellen des Modells in Vertex AI generiert wurde. Außerdem müssen die Namen und Typen der Ein- und Ausgabefelder genau mit der Ein- und Ausgabe des Vertex AI-Modells übereinstimmen. In diesem Beispiel ist die Eingabe ein Text STRING und die Ausgabe ein ARRAY vom Typ FLOAT64.

Console

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Klicken Sie unter Neu erstellen auf SQL-Abfrage.

3. Geben Sie im Abfrageeditor diese CREATE MODEL-Anweisung ein und klicken Sie dann auf Ausführen:

   CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY<FLOAT64>)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')

   Ersetzen Sie Folgendes:

   • PROJECT_ID ist der Name Ihres Projekts.
   • ENDPOINT_ID: Die Endpunkt-ID, die Sie zuvor kopiert haben.

   Wenn der Vorgang abgeschlossen ist, wird eine Meldung wie Successfully created model named bert_sentiment angezeigt.

   Ihr neues Modell wird im Bereich Ressourcen angezeigt. Modelle sind am Modellsymbol  zu erkennen.

   Wenn Sie das neue Modell im Feld Ressourcen auswählen, werden Informationen zum Modell unter dem Abfrageeditor angezeigt.

bq

1. Erstellen Sie das Remote-Modell mit der folgenden CREATE MODEL-Anweisung:

   bq query --use_legacy_sql=false \
   "CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY<FLOAT64>)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')"

   Ersetzen Sie Folgendes:

   • PROJECT_ID ist der Name Ihres Projekts.
   • ENDPOINT_ID: Die Endpunkt-ID, die Sie zuvor kopiert haben.

2. Nachdem Sie das Modell erstellt haben, prüfen Sie, ob es im Dataset angezeigt wird:

   bq ls -m bqml_tutorial

   Die Ausgabe sieht etwa so aus:

   Id               Model Type   Labels    Creation Time
   ---------------- ------------ -------- -----------------
   bert_sentiment                         28 Jan 17:39:43

Vorhersagen mit ML.PREDICT abrufen

Mit der Funktion ML.PREDICT können Sie Stimmungsanalysen aus dem Remote-Modell abrufen. Die Eingabe ist eine Textspalte (review) mit Rezensionen von Filmen aus der Tabelle bigquery-public-data.imdb.reviews.

In diesem Beispiel werden 10.000 Datensätze ausgewählt und für die Vorhersage gesendet. Das Remote-Modell verwendet für Anfragen standardmäßig eine Batchgröße von 128.

Console

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Klicken Sie im Bereich Neu erstellen auf SQL-Abfrage.

3. Geben Sie im Abfrageeditor diese Abfrage mit der Funktion ML.PREDICT ein und klicken Sie dann auf Ausführen.

   SELECT *
   FROM ML.PREDICT (
       MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
       (
           SELECT review as text
           FROM `bigquery-public-data.imdb.reviews`
           LIMIT 10000
       )
   )

   Die Abfrageergebnisse sollten in etwa so aussehen:

   

bq

Geben Sie den folgenden Befehl ein, um die Abfrage mit ML.PREDICT auszuführen.

bq query --use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT (
MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
  (
    SELECT review as text
    FROM `bigquery-public-data.imdb.reviews`
    LIMIT 10000
  )
)'

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Projekt löschen

Console

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, zum Beispiel eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, anstatt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

1. Wechseln Sie in der Google Cloud -Console zur Seite Ressourcen verwalten.

   Zur Seite „Ressourcen verwalten“

2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

gcloud

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, zum Beispiel eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, anstatt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

Google Cloud -Projekt löschen:

gcloud projects delete PROJECT_ID

Einzelne Ressourcen löschen

Alternativ können Sie die einzelnen Ressourcen entfernen, die in dieser Anleitung verwendet werden:

1. Löschen Sie das Modell.

2. Optional: Dataset löschen

3. Heben Sie die Bereitstellung des Modells auf und löschen Sie den Endpunkt.

4. Löschen Sie das Modell aus Model Registry.

5. Cloud-Ressourcenverbindung löschen

Nächste Schritte

• Eine Übersicht über BigQuery ML finden Sie unter Einführung in KI und ML in BigQuery ML.
• Weitere Informationen zur Verwendung der CREATE MODEL-Anweisung für Remote-Modelle finden Sie unter CREATE MODEL-Anweisung für Remote-Modelle über benutzerdefinierte Modelle.
• Weitere Informationen zur Verwendung eines BigQuery-Notebooks finden Sie unter Einführung in Notebooks.
• Weitere Informationen zu Regionen und Multiregionen finden Sie auf der Seite Unterstützte Standorte.
• Weitere Informationen zum Importieren von Modellen in Vertex AI Model Registry finden Sie unter Modelle in Vertex AI importieren.
• Weitere Informationen zur Modellversionsverwaltung in Vertex AI Model Registry finden Sie unter Modellversionsverwaltung mit Model Registry.
• Informationen zur Verwendung von Vertex AI VPC Service Controls finden Sie unter VPC Service Controls mit Vertex AI.