סקירה כללית של הסקת מסקנות על ידי מודל

במסמך הזה מתוארים סוגי ההסקה באצווה ש-BigQuery ML תומך בהם, כולל:

• חיזויים רבים בבת אחת
• חיזוי אונליין

הסקת מסקנות בלמידת מכונה היא תהליך של הפעלת נקודות נתונים במודל למידת מכונה כדי לחשב פלט, כמו ציון מספרי יחיד. התהליך הזה נקרא גם 'הפעלת מודל של למידת מכונה' או 'העברת מודל של למידת מכונה לייצור'.

תחזית באצווה

בקטעים הבאים מפורטות הדרכים הזמינות לביצוע חיזוי ב-BigQuery ML.

הסקת מסקנות באמצעות מודלים שאומנו ב-BigQuery ML

חיזוי ב-BigQuery ML משמש לא רק למודלים של למידה מפוקחת, אלא גם למודלים של למידה לא מפוקחת.

‫BigQuery ML תומך בפונקציות חיזוי באמצעות הפונקציה ML.PREDICT, עם המודלים הבאים:

קטגוריית מודל	סוגי מודלים	מה ML.PREDICT עושה
למידה מפוקחת	רגרסיה לינארית ולוגיסטית עצים מחוזקים יער אקראי רשתות נוירונים עמוקות רשתות רחבות ועמוקות AutoML Tables	חיזוי התווית, ערך מספרי למשימות רגרסיה או ערך קטגורי למשימות סיווג.
למידה לא מפוקחת	K-means	מקצים את האשכול לישות.
	PCA	מבצעים הפחתת ממדים לישות על ידי המרה שלה למרחב שנפרש על ידי הווקטורים העצמיים.
	Autoencoder	להפוך את הישות למרחב המוטמע.

הסקת מסקנות באמצעות מודלים מיובאים

בגישה הזו, יוצרים ומאמנים מודל מחוץ ל-BigQuery, מייבאים אותו באמצעות ההצהרה CREATE MODEL, ואז מריצים עליו הסקה באמצעות הפונקציה ML.PREDICT. כל העיבוד של ההסקה מתבצע ב-BigQuery, באמצעות נתונים מ-BigQuery. מודלים מיובאים יכולים לבצע למידה מפוקחת או למידה לא מפוקחת.

‫BigQuery ML תומך בסוגים הבאים של מודלים מיובאים:

• ‫Open Neural Network Exchange (ONNX) למודלים שאומנו ב-PyTorch, ב-scikit-learn ובמסגרות פופולריות אחרות של ML.
• TensorFlow
• ‫TensorFlow Lite
• XGBoost

אפשר להשתמש בגישה הזו כדי להפיק תועלת ממודלים מותאמים אישית שפותחו באמצעות מגוון מסגרות של למידת מכונה, תוך ניצול מהירות ההסקה של BigQuery ML והמיקום המשותף עם הנתונים.

כדי לקבל מידע נוסף, אפשר לנסות את אחד מהמדריכים הבאים:

• איך יוצרים תחזיות באמצעות מודלים מיובאים של TensorFlow
• איך יוצרים תחזיות עם מודלים של scikit-learn בפורמט ONNX
• ביצוע חיזויים באמצעות מודלים של PyTorch בפורמט ONNX

הסקת מסקנות באמצעות מודלים מרוחקים

בגישה הזו, אפשר ליצור הפניה למודל שמתארח ב-Vertex AI Inference באמצעות ההצהרה CREATE MODEL, ואז להפעיל עליו הסקה באמצעות הפונקציה ML.PREDICT. כל העיבוד של ההסקה מתבצע ב-Vertex AI, באמצעות נתונים מ-BigQuery. מודלים מרוחקים יכולים לבצע למידה מפוקחת או למידה לא מפוקחת.

אפשר להשתמש בגישה הזו כדי להריץ הסקה על מודלים גדולים שנדרשת להם תמיכה בחומרת GPU ש-Vertex AI מספקת. אם רוב המודלים שלכם מתארחים ב-Vertex AI, תוכלו גם להריץ הסקה על המודלים האלה באמצעות SQL, בלי שתצטרכו ליצור ידנית צינורות נתונים כדי להעביר נתונים ל-Vertex AI ולהחזיר את תוצאות החיזוי ל-BigQuery.

להוראות מפורטות, ראו חיזוי באמצעות מודלים מרוחקים ב-Vertex AI.

הסקת מסקנות (Inference) באצווה באמצעות מודלים של BigQuery ב-Vertex AI

ל-BigQuery ML יש תמיכה מובנית בחיזוי אצווה, בלי הצורך להשתמש ב-Vertex AI. אפשר גם לרשום מודל BigQuery ML במרשם המודלים כדי לבצע חיזוי אצווה ב-Vertex AI באמצעות טבלה ב-BigQuery כקלט. עם זאת, אפשר לעשות זאת רק באמצעות Vertex AI API ולהגדיר את InstanceConfig.instanceType לערך object.

חיזוי אונליין

יכולת ההיסק המובנית של BigQuery ML מותאמת לתרחישי שימוש בקנה מידה גדול, כמו חיזוי באצווה. כשמטפלים בנתוני קלט קטנים, BigQuery ML מספק תוצאות הסקה עם השהיה נמוכה, אבל אפשר לקבל חיזויים מהירים יותר אונליין באמצעות שילוב חלק עם Vertex AI.

אתם יכולים לנהל מודלים של BigQuery ML בסביבת Vertex AI, כך שלא תצטרכו לייצא מודלים מ-BigQuery ML לפני שתפרסו אותם כנקודות קצה של Vertex AI. ניהול מודלים ב-Vertex AI מאפשר לכם לגשת לכל היכולות של Vertex AI MLOps, וגם לתכונות כמו Vertex AI Feature Store.

בנוסף, יש לכם אפשרות לייצא מודלים של BigQuery ML אל Cloud Storage כדי שהם יהיו זמינים בפלטפורמות אחרות לאירוח מודלים.

המאמרים הבאים

• למידע נוסף על שימוש במודלים של Vertex AI כדי ליצור טקסט והטבעות, אפשר לעיין בסקירה הכללית על AI גנרטיבי.
• מידע נוסף על שימוש בממשקי Cloud AI API לביצוע משימות AI זמין במאמר סקירה כללית על אפליקציות AI.

• מידע נוסף על פונקציות והצהרות SQL נתמכות לסוגים שונים של מודלים זמין במאמרים הבאים:

  • תהליכי שימוש מקצה לקצה במודלים של AI גנרטיבי
  • תהליכים מלאים שעוברים משתמשים במודלים של חיזוי סדרות זמן
  • תהליכים שהמשתמשים עוברים מתחילת האינטראקציה ועד סופה במודלים של ML
  • תהליכי משתמשים מקצה לקצה עבור מודלים מיובאים