Penyajian fitur
Anda dapat menyediakan fitur untuk pelatihan dan inferensi model BigQuery ML menggunakan beberapa opsi penyaluran. Untuk semua opsi, Anda harus menyimpan fitur di tabel BigQuery sebagai langkah pertama prasyarat.
Kebenaran point-in-time
Data yang digunakan untuk melatih model sering kali memiliki dependensi waktu yang disertakan di dalamnya. Saat membuat tabel fitur untuk fitur yang sensitif terhadap waktu, sertakan kolom stempel waktu untuk merepresentasikan nilai fitur seperti yang ada pada waktu tertentu untuk setiap baris. Anda kemudian dapat menggunakan fungsi pencarian point-in-time saat membuat kueri data dari tabel fitur ini untuk memastikan tidak ada kebocoran data antara pelatihan dan inferensi. Proses ini memungkinkan ketepatan point-in-time.
Gunakan fungsi berikut untuk menentukan batas waktu tertentu saat mengambil fitur yang sensitif terhadap waktu:
Menyajikan fitur di BigQuery ML
Untuk melatih model dan melakukan inferensi batch di BigQuery ML, Anda dapat mengambil fitur menggunakan salah satu fungsi pencarian point-in-time yang dijelaskan di bagian Kebenaran point-in-time. Anda dapat
menyertakan fungsi ini dalam
klausa query_statement dari pernyataan CREATE MODEL untuk
pelatihan, atau dalam klausa query_statement dari fungsi bernilai tabel
yang sesuai, seperti
ML.PREDICT,
untuk inferensi.
Menyajikan fitur dengan Vertex AI Feature Store
Untuk menyajikan fitur ke model BigQuery ML yang terdaftar di Gemini Enterprise Agent Platform, Anda dapat menggunakan Vertex AI Feature Store. Vertex AI Feature Store bekerja di atas tabel fitur di BigQuery untuk mengelola dan menyajikan fitur dengan latensi rendah. Anda dapat menggunakan penyaluran online untuk mengambil fitur secara real time untuk prediksi online, dan Anda dapat menggunakan penyaluran offline untuk mengambil fitur untuk pelatihan model.
Untuk mengetahui informasi selengkapnya tentang cara menyiapkan data fitur BigQuery untuk digunakan di Vertex AI Feature Store, lihat Menyiapkan sumber data.