ייצוא מאפיינים

אתם יכולים להשתמש בכמה אפשרויות הצגה כדי להפוך מאפיינים לזמינים לאימון ולהסקת מסקנות של מודל BigQuery ML. בכל האפשרויות, קודם כל צריך לשמור את המאפיינים בטבלאות ב-BigQuery.

דיוק בנקודת זמן

הנתונים שמשמשים לאימון מודל כוללים לעיתים קרובות תלויות זמן מובנות. כשיוצרים טבלת מאפיינים למאפיינים שרגישים לזמן, צריך לכלול עמודה של חותמת זמן כדי לייצג את ערכי המאפיינים כפי שהיו בזמן נתון בכל שורה. לאחר מכן, תוכלו להשתמש בפונקציות חיפוש בנקודת זמן כשאתם שולחים שאילתות לנתונים מטבלאות המאפיינים האלה, כדי לוודא שאין זליגת נתונים בין האימון לבין הצגת המודעות. התהליך הזה מאפשר דיוק בנקודת זמן מסוימת.

אפשר להשתמש בפונקציות הבאות כדי לציין נקודות זמן ספציפיות כשמאחזרים מאפיינים שרגישים לזמן:

• ML.FEATURES_AT_TIME
• ML.ENTITY_FEATURES_AT_TIME

הצגת מאפיינים ב-BigQuery ML

כדי לאמן מודלים ולבצע הסקת אצווה ב-BigQuery ML, אתם יכולים לאחזר מאפיינים באמצעות אחת מהפונקציות של חיפוש נקודתי בזמן שמתוארות בקטע תקינות נקודתית בזמן. אפשר לכלול את הפונקציות האלה בסעיף query_statement של הצהרת CREATE MODEL לאימון, או בסעיף query_statement של הפונקציה המתאימה עם ערך טבלה, כמו ML.PREDICT, להצגה.

הצגת מאפיינים באמצעות Vertex AI Feature Store

כדי להציג פיצ'רים למודלים של BigQuery ML שרשומים ב-Gemini Enterprise Agent Platform, אתם יכולים להשתמש ב-Vertex AI Feature Store. ‫Vertex AI Feature Store פועל על גבי טבלאות של מאפיינים ב-BigQuery כדי לנהל ולהציג מאפיינים עם זמן אחזור קצר. אתם יכולים להשתמש במילוי בקשה באופן מיידי כדי לאחזר מאפיינים בזמן אמת לחיזוי אונליין, ובמילוי בקשה אופליין כדי לאחזר מאפיינים לאימון המודל.

במאמר הכנת מקור הנתונים מוסבר איך להכין את נתוני המאפיינים ב-BigQuery לשימוש ב-Vertex AI Feature Store.