Gemini Enterprise Agent Platform pour les utilisateurs de BigQuery

Utilisez cette page pour comprendre les différences entre Gemini Enterprise Agent Platform et BigQuery, et pour découvrir comment intégrer Gemini Enterprise Agent Platform à vos workflows BigQuery existants. Gemini Enterprise Agent Platform et BigQuery fonctionnent de concert pour répondre à vos cas d'utilisation de machine learning et de MLOps.

Pour en savoir plus sur les différences d'entraînement de modèle entre Gemini Enterprise Agent Platform et BigQuery, consultez la section Choisir une méthode d'entraînement.

Différences entre Gemini Enterprise Agent Platform et BigQuery

Cette section couvre les services Gemini Enterprise Agent Platform, BigQuery et BigQuery ML.

Gemini Enterprise Agent Platform : une plate-forme d'IA/de ML de bout en bout

Agent Platform est une plate-forme d'IA/de ML pour le développement et la gouvernance de modèles. Voici quelques cas d'utilisation courants :

  • Tâches de machine learning, telles que la prévision, la prédiction, la recommandation et la détection d'anomalies

  • Tâches d'IA générative, telles que :

    • Génération, classification, synthèse et extraction de texte
    • Génération et complétion de code
    • Génération d'images
    • Génération d'embeddings

Vous pouvez utiliser BigQuery pour préparer des données d'entraînement pour les modèles Agent Platform, que vous pouvez mettre à disposition en tant que fonctionnalités dans Agent Platform Feature Store.

Vous pouvez entraîner des modèles dans Agent Platform de trois manières :

  • AutoML : entraînez des modèles sur des ensembles de données d'images, tabulaires et vidéo sans écrire de code.
  • Entraînement personnalisé : exécutez un code d'entraînement personnalisé adapté à votre cas d'utilisation spécifique.
  • Ray sur Agent Platform : utilisez Ray pour faire évoluer des applications d'IA et Python, comme le machine learning.

Vous pouvez également importer un modèle entraîné sur une autre plate-forme, comme BigQuery ML ou XGBoost.

Vous pouvez enregistrer des modèles entraînés sur mesure dans Model Registry. Vous pouvez également importer des modèles entraînés en dehors de Gemini Enterprise Agent Platform et les enregistrer dans Model Registry. Vous n'avez pas besoin d'enregistrer les modèles AutoML. Ils sont enregistrés automatiquement lors de leur création.

Depuis le registre, vous pouvez gérer les versions de modèles, les déployer sur des points de terminaison pour obtenir des prédictions en ligne, évaluer les modèles, surveiller les déploiements avec Gemini Enterprise Agent Platform Model Monitoring, et utiliser Vertex Explainable AI.

Langues disponibles

BigQuery : un entrepôt de données d'entreprise multicloud sans serveur

BigQuery est un entrepôt de données d'entreprise entièrement géré, qui vous aide à gérer et analyser vos données grâce à des fonctionnalités intégrées telles que le machine learning, l'analyse géospatiale et l'informatique décisionnelle. Les tables BigQuery peuvent être interrogées par SQL, et les data scientists qui utilisent principalement SQL peuvent exécuter des requêtes volumineuses avec seulement quelques lignes de code.

Vous pouvez également utiliser BigQuery comme data store que vous référencez lors de la création de modèles tabulaires et personnalisés dans Agent Platform. Pour en savoir plus sur l'utilisation de BigQuery en tant que datastore, consultez la page Présentation du stockage BigQuery.

Langues disponibles

Pour en savoir plus, consultez la page Dialectes BigQuery SQL.

BigQuery ML : machine learning directement dans BigQuery

BigQuery ML vous permet de développer et d'appeler des modèles dans BigQuery. Avec BigQuery ML, vous pouvez utiliser SQL pour entraîner des modèles de ML directement dans BigQuery sans avoir à déplacer les données ni à vous soucier de l'infrastructure d'entraînement sous-jacente. Vous pouvez créer des prédictions par lot pour les modèles BigQuery ML afin de mieux comprendre vos données BigQuery.

Vous pouvez également accéder aux modèles Agent Platform à l'aide de BigQuery ML. Vous pouvez créer un modèle distant BigQuery ML sur un modèle intégré Agent Platform comme Gemini ou sur un modèle personnalisé Agent Platform. Vous interagissez avec le modèle distant à l'aide de SQL dans BigQuery, comme avec n'importe quel autre modèle BigQuery ML. Toutefois, l'ensemble de l'entraînement et de l'inférence du modèle distant est traité dans Agent Platform.

Langages disponibles :

Pour en savoir plus sur les avantages offerts par BigQuery ML, consultez la page Présentation de l'IA et du ML dans BigQuery.

Avantages de la gestion des modèles BigQuery ML dans Agent Platform

Vous pouvez enregistrer vos modèles BigQuery ML dans Model Registry afin de les gérer dans Agent Platform. La gestion des modèles BigQuery ML dans Agent Platform offre deux avantages principaux :

  • Diffusion de modèles en ligne : BigQuery ML n'accepte que les prédictions par lot pour vos modèles. Pour obtenir des prédictions en ligne, vous pouvez entraîner vos modèles dans BigQuery ML et les déployer sur des points de terminaison Agent Platform via Model Registry.

  • Capacités MLOps : les modèles sont particulièrement utiles lorsqu'ils sont mis à jour via l'entraînement continu. Agent Platform propose des outils MLOps qui automatisent la surveillance et le réentraînement des modèles afin de maintenir la justesse des prédictions au fil du temps. Avec Agent Platform Pipelines, vous pouvez utiliser des opérateurs BigQuery pour connecter des jobs BigQuery (y compris BigQuery ML) à un pipeline de ML. Avec Gemini Enterprise Agent Platform Model Monitoring, vous pouvez surveiller vos prédictions BigQuery ML au fil du temps.

Image des produits Google Cloud et de leur emplacement dans un workflow MLOps

Pour savoir comment enregistrer vos modèles BigQuery ML dans Model Registry, consultez Gérer les modèles BigQuery ML avec Agent Platform.

Que souhaitez-vous faire ? Ressource
Utiliser BigQuery ML pour analyser des images et du texte à l'aide de Gemini sur Agent Platform Analyser des affiches de films dans BigQuery avec Gemini 2.0 Flash
Utiliser BigQuery ML pour générer du texte sur des tables BigQuery ou des données non structurées avec des modèles de fondation sur Agent Platform Générer du texte à l'aide de BigQuery ML et des modèles de fondation dans Agent Platform
Générer des embeddings vectoriels avec BigQuery ML sur du texte et des images Appeler un point de terminaison d'embedding multimodal dans Agent Platform à partir de BigQuery ML pour générer des embeddings pour la recherche sémantique
Utilisez deux pipelines de workflows tabulaires Agent Platform pour entraîner un modèle AutoML avec différentes configurations. Workflow tabulaire : pipeline tabulaire AutoML
Utilisez le SDK Agent Platform pour Python afin d'entraîner un modèle AutoML pour la régression tabulaire et obtenir des prédictions par lot à partir du modèle. SDK Agent Platform pour Python : modèle de régression tabulaire d'entraînement AutoML pour la prédiction par lot utilisant BigQuery
Entraînez et évaluez un modèle de tendances dans BigQuery ML pour prédire la fidélisation des utilisateurs sur un jeu mobile. Prédiction du taux de perte d'utilisateurs pour les développeurs de jeux vidéo à l'aide de Google Analytics 4 et de BigQuery ML
Utilisez BigQuery ML pour optimiser les prix sur les données de tarification CDM. Analyse de l'optimisation des prix sur les données de tarification CDM.

Étapes suivantes