Auf dieser Seite werden die Unterschiede zwischen der Gemini Enterprise Agent Platform und BigQuery erläutert. Außerdem erfahren Sie, wie Sie die Gemini Enterprise Agent Platform in Ihre vorhandenen BigQuery-Workflows einbinden können. Die Gemini Enterprise Agent Platform und BigQuery erfüllen gemeinsam Ihre Anwendungsfälle für maschinelles Lernen und MLOps.
Weitere Informationen zu Modelltrainingsunterschieden zwischen der Gemini Enterprise Agent Platform und BigQuery finden Sie unter Trainingsmethode auswählen.
Unterschiede zwischen der Gemini Enterprise Agent Platform und BigQuery
In diesem Abschnitt werden die Gemini Enterprise Agent Platform-, BigQuery- und BigQuery ML-Dienste beschrieben.
Gemini Enterprise Agent Platform: Eine End-to-End-KI-/ML-Plattform
Die Agent Platform ist eine KI/ML-Plattform für die Modellentwicklung und -Governance. Häufige Anwendungsfälle:
- Aufgaben im Bereich des maschinellen Lernens wie Prognosen, Vorhersagen, Empfehlungen und Anomalieerkennung
Aufgaben mit generativer KI, z. B.:
- Generierung, Klassifizierung, Zusammenfassung und Extraktion von Text
- Generierung und Vervollständigung von Code
- Bilderstellung
- Erstellung von Einbettungen
Sie können BigQuery verwenden, um Trainingsdaten für Agent Platform-Modelle vorzubereiten, die Sie als Features im Agent Platform Feature Store verfügbar machen können.
Sie können Modelle auf der Agent Platform auf drei Arten trainieren:
- AutoML: Modelle für Bild-, Tabellen- und Video-Datasets trainieren, ohne Code schreiben zu müssen.
- Benutzerdefiniertes Training: Hier können Sie benutzerdefinierten Trainingscode für Ihren spezifischen Anwendungsfall ausführen.
- Ray in der Agent Platform: Mit dieser Option können Sie Ray zum Skalieren von KI- und Python-Anwendungen wie maschinellem Lernen verwenden.
Sie können auch ein Modell importieren, das auf einer anderen Plattform wie BigQuery ML oder XGBoost trainiert wurde.
Sie können benutzerdefiniert trainierte Modelle in der Model Registry registrieren. Sie können auch Modelle importieren, die außerhalb der Gemini Enterprise Agent Platform trainiert wurden, und sie in der Modell-Registry registrieren. AutoML-Modelle müssen nicht registriert werden. Sie werden automatisch bei der Erstellung registriert.
In der Registry können Sie Modellversionen verwalten, Endpunkte für Onlinevorhersagen bereitstellen, Modellbewertungen durchführen, Bereitstellungen mit Gemini Enterprise Agent Platform Model Monitoring überwachen und Vertex Explainable AI nutzen.
Verfügbare Sprachen:
- Das Vertex AI SDK unterstützt Python, Java, Node.js und Go.
BigQuery: Ein serverloses Multi-Cloud-Data Warehouse für Unternehmen
BigQuery ist ein vollständig verwaltetes Data Warehouse für Unternehmen, mit dem Sie Ihre Daten mit integrierten Features wie maschinellem Lernen, raumbezogenen Analysen und Business Intelligence verwalten und analysieren können. BigQuery-Tabellen können von SQL abgefragt werden und Data Scientists, die hauptsächlich SQL verwenden, können große Abfragen mit nur wenigen Codezeilen ausführen.
Sie können BigQuery auch als Datenspeicher verwenden, auf den Sie beim Erstellen von tabellarischen und benutzerdefinierten Modellen in der Agent Platform verweisen. Weitere Informationen zur Verwendung von BigQuery als Datenspeicher finden Sie unter BigQuery-Speicher.
Verfügbare Sprachen:
- SDKs für BigQuery Weitere Informationen finden Sie unter BigQuery API-Clientbibliotheken.
- GoogleSQL
- Legacy-SQL
Weitere Informationen finden Sie unter BigQuery SQL-Dialekte.
BigQuery ML: Maschinelles Lernen direkt in BigQuery
Mit BigQuery ML können Sie Modelle in BigQuery entwickeln und aufrufen. Mit BigQuery ML können Sie ML-Modelle direkt in BigQuery mit SQL trainieren, ohne Daten verschieben oder sich um die zugrunde liegende Trainingsinfrastruktur kümmern zu müssen. Sie können Batchvorhersagen für BigQuery ML-Modelle erstellen, um aus Ihren BigQuery-Daten Informationen zu gewinnen.
Sie können auch mit BigQuery ML auf Agent Platform-Modelle zugreifen. Sie können ein BigQuery ML-Remote-Modell über ein integriertes Agent Platform-Modell wie Gemini oder über ein benutzerdefiniertes Agent Platform-Modell erstellen. Sie interagieren mit dem Remote-Modell über SQL in BigQuery, genau wie mit jedem anderen BigQuery ML-Modell. Das gesamte Training und die gesamte Inferenz für das Remote-Modell werden jedoch in der Agent Platform verarbeitet.
Verfügbare Sprache:
- GoogleSQL
- BigQuery-Clientbibliotheken
Weitere Informationen zu den Vorteilen von BigQuery ML finden Sie unter Einführung in KI und ML in BigQuery.
Vorteile der Verwaltung von BigQuery ML-Modellen in der Agent Platform
Sie können Ihre BigQuery ML-Modelle in der Model Registry registrieren, um sie in der Agent Platform zu verwalten. Die Verwaltung von BigQuery ML-Modellen in der Agent Platform bietet zwei Hauptvorteile:
Onlinemodellbereitstellung: BigQuery ML unterstützt nur Batchvorhersagen für Ihre Modelle. Wenn Sie Onlinevorhersagen erhalten möchten, können Sie Ihre Modelle in BigQuery ML trainieren und über Model Registry auf Agent Platform-Endpunkte bereitstellen.
MLOps-Funktionen: Modelle sind am besten geeignet, wenn sie durch kontinuierliches Training auf dem neuesten Stand gehalten werden. Die Agent Platform bietet MLOps-Tools, die das Monitoring und das erneute Trainieren von Modellen automatisieren können, um die Genauigkeit von Vorhersagen im Laufe der Zeit zu gewährleisten. Mit Agent Platform Pipelines können Sie BigQuery-Operatoren verwenden, um alle BigQuery-Jobs (einschließlich BigQuery ML) in eine ML-Pipeline einzubinden. Mit Gemini Enterprise Agent Platform Model Monitoring können Sie Ihre BigQuery ML-Vorhersagen im Zeitverlauf beobachten.
Informationen zum Registrieren Ihrer BigQuery ML-Modelle in der Model Registry finden Sie unter BigQuery ML-Modelle mit der Agent Platform verwalten.
Ähnliche Notebook-Anleitungen
| Was möchten Sie tun? | Ressource |
|---|---|
| Bilder und Text mit BigQuery ML und Gemini in der Agent Platform analysieren | Filmposter in BigQuery mit Gemini 2.0 Flash analysieren |
| Mit BigQuery ML Text aus BigQuery-Tabellen oder unstrukturierten Daten mit Foundation Models auf der Agent Platform generieren | Text mit BigQuery ML und Foundation Models in der Agent Platform generieren |
| Mit BigQuery ML Vektoreinbettungen für Text und Bilder generieren | Aus BigQuery ML einen multimodalen Einbettungsendpunkt in der Agent Platform aufrufen, um Einbettungen für die semantische Suche zu generieren |
| Zwei Agent Platform Tabular Workflows-Pipelines verwenden, um ein AutoML-Modell mit verschiedenen Konfigurationen zu trainieren. | Tabellarischer Workflow: AutoML Tabular Pipeline |
| Mit dem Agent Platform SDK für Python ein AutoML-Modell für die tabellarische Regression trainieren und dafür Batchvorhersagen vom Modell abrufen. | Agent Platform SDK für Python: AutoML-Training mit einem tabellarischen Regressionsmodell für Batch-Vorhersagen mit BigQuery |
| Trainieren und bewerten Sie ein Neigungsmodell in BigQuery ML, um die Nutzerbindung in einem Spiel für Mobilgeräte vorherzusagen. | Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML |
| Verwenden Sie BigQuery ML, um die Preisoptimierung für CDM-Preisdaten durchzuführen. | Analyse der Preisoptimierung für CDM-Preisdaten |
Nächste Schritte
- Erste Schritte mit der Gemini Enterprise Agent Platform: