בדף הזה מוסבר מה ההבדלים בין Gemini Enterprise Agent Platform לבין BigQuery, ואיך אפשר לשלב את Gemini Enterprise Agent Platform עם תהליכי העבודה הקיימים שלכם ב-BigQuery. פלטפורמת הסוכנים של Gemini Enterprise ו-BigQuery פועלות יחד כדי לתת מענה לתרחישי השימוש שלכם בלמידת מכונה וב-MLOps.
מידע נוסף על ההבדלים בין אימון מודלים ב-Gemini Enterprise Agent Platform לבין אימון מודלים ב-BigQuery זמין במאמר בחירת שיטת אימון.
ההבדלים בין Gemini Enterprise Agent Platform לבין BigQuery
בקטע הזה נסביר על פלטפורמת הסוכנים של Gemini Enterprise, על BigQuery ועל שירותי BigQuery ML.
Gemini Enterprise Agent Platform: פלטפורמת AI/ML מקצה לקצה
Agent Platform היא פלטפורמת AI/ML לפיתוח ולניהול מודלים. תרחישי שימוש נפוצים:
- משימות של למידת מכונה, כמו תחזית, חיזוי, המלצה וזיהוי חריגות
משימות של AI גנרטיבי, כמו:
- יצירת טקסט, סיווג, סיכום וחילוץ
- יצירה והשלמה של קוד
- יצירת תמונות
- יצירת הטמעה
אפשר להשתמש ב-BigQuery כדי להכין נתוני אימון למודלים של Agent Platform, שאפשר להפוך אותם לזמינים כתכונות ב-Agent Platform Feature Store.
יש שלוש דרכים לאמן מודלים ב-Agent Platform:
- AutoML: אימון מודלים במערכי נתונים של תמונות, טבלאות וסרטונים בלי לכתוב קוד.
- אימון בהתאמה אישית: הפעלת קוד אימון בהתאמה אישית שמותאם לתרחיש השימוש הספציפי שלכם.
- Ray on Agent Platform: שימוש ב-Ray כדי להרחיב אפליקציות AI ו-Python כמו למידת מכונה.
אפשר גם לייבא מודל שאומן בפלטפורמה אחרת, כמו BigQuery ML או XGBoost.
אפשר לרשום מודלים עם אימון בהתאמה אישית במאגר המודלים. אפשר גם לייבא מודלים שאומנו מחוץ ל-Gemini Enterprise Agent Platform ולרשום אותם ב-מרשם המודלים. אין צורך לרשום מודלים של AutoML, הם נרשמים אוטומטית בזמן היצירה.
מתוך המרשם, אפשר לנהל גרסאות של מודלים, לפרוס אותם לנקודות קצה לחיזויים אונליין, לבצע הערכות של מודלים, לעקוב אחרי פריסות באמצעות Gemini Enterprise Agent Platform Model Monitoring ולהשתמש ב-Vertex AI ניתן להסברה.
השפות הזמינות:
- Vertex AI SDK תומך בשפות Python, Java, Node.js ו-Go.
BigQuery: מחסן נתונים (data warehouse) ארגוני ללא שרת, שפועל בכמה עננים
BigQuery הוא מחסן נתונים ארגוני מנוהל לחלוטין, שעוזר לכם לנהל ולנתח את הנתונים באמצעות תכונות מובנות כמו למידת מכונה, ניתוח גיאו-מרחבי ובינה עסקית. אפשר להריץ שאילתות SQL בטבלאות של BigQuery, ומדעני נתונים שמשתמשים בעיקר ב-SQL יכולים להריץ שאילתות גדולות עם כמה שורות קוד בלבד.
אתם יכולים גם להשתמש ב-BigQuery כמאגר נתונים שאליו מתייחסים כשיוצרים מודלים טבלאיים ומותאמים אישית ב-Agent Platform. מידע נוסף על שימוש ב-BigQuery כמאגר נתונים זמין במאמר סקירה כללית של אחסון ב-BigQuery.
השפות הזמינות:
- SDK ל-BigQuery. מידע נוסף זמין במאמר בנושא ספריות לקוח של BigQuery API.
- GoogleSQL
- SQL מדור קודם
מידע נוסף זמין במאמר בנושא דיאלקטים של SQL ב-BigQuery.
BigQuery ML: למידת מכונה ישירות ב-BigQuery
בעזרת BigQuery ML אפשר לפתח מודלים ולהפעיל אותם ב-BigQuery. בעזרת BigQuery ML, אתם יכולים להשתמש ב-SQL כדי לאמן מודלים של למידת מכונה ישירות ב-BigQuery, בלי שתצטרכו להעביר נתונים או לדאוג לתשתית האימון הבסיסית. אתם יכולים ליצור חיזויים (Prediction) של קבוצות נתונים עבור מודלים של BigQuery ML כדי לקבל תובנות מהנתונים שלכם ב-BigQuery.
אפשר גם לגשת למודלים של Agent Platform באמצעות BigQuery ML. אפשר ליצור מודל מרוחק של BigQuery ML על בסיס מודל מובנה של Agent Platform כמו Gemini, או על בסיס מודל מותאם אישית של Agent Platform. האינטראקציה עם המודל המרוחק מתבצעת באמצעות SQL ב-BigQuery, בדיוק כמו כל מודל אחר של BigQuery ML, אבל כל האימון וההסקה של המודל המרוחק מעובדים ב-Agent Platform.
השפה הזמינה:
- GoogleSQL
- ספריות לקוח של BigQuery
מידע נוסף על היתרונות של שימוש ב-BigQuery ML זמין במאמר מבוא ל-AI ול-ML ב-BigQuery.
היתרונות של ניהול מודלים של BigQuery ML ב-Agent Platform
אתם יכולים לרשום את המודלים של BigQuery ML ב-מרשם המודלים כדי לנהל את המודלים ב-Agent Platform. ניהול מודלים של BigQuery ML ב-Agent Platform מספק שני יתרונות עיקריים:
הצגת מודלים אונליין: BigQuery ML תומך רק בחיזויים באצווה עבור המודלים שלכם. כדי לקבל חיזוי מיידי, אתם יכולים לאמן את המודלים ב-BigQuery ML ולפרוס אותם לנקודות קצה של Agent Platform דרך מרשם המודלים.
יכולות MLOps: כדי להפיק את המרב מהמודלים, חשוב לעדכן אותם באמצעות אימון מתמשך. Agent Platform מציעה כלים של MLOps שמבצעים אוטומציה של המעקב אחר המודלים וההדרכה שלהם מחדש, כדי לשמור על הדיוק של התחזיות לאורך זמן. באמצעות Agent Platform Pipelines, אפשר להשתמש באופרטורים של BigQuery כדי להוסיף משימות של BigQuery (כולל BigQuery ML) לצינור ML. באמצעות Gemini Enterprise Agent Platform Model Monitoring, אתם יכולים לעקוב אחרי התחזיות של BigQuery ML לאורך זמן.
כדי ללמוד איך לרשום את המודלים של BigQuery ML במאגר המודלים, אפשר לעיין במאמר ניהול מודלים של BigQuery ML באמצעות Agent Platform.
מדריכים קשורים ל-Notebook
| מה ברצונך לעשות? | משאב |
|---|---|
| שימוש ב-BigQuery ML ליצירת טקסט בטבלאות BigQuery או בנתונים לא מובְנים באמצעות מודלים בסיסיים בפלטפורמת הסוכנים | יצירת טקסט באמצעות BigQuery ML ומודלים בסיסיים ב-Agent Platform |
| יצירת הטמעות וקטוריות באמצעות BigQuery ML על טקסט ותמונות | קריאה לנקודת קצה של הטמעה מולטימודאלית ב-Agent Platform מ-BigQuery ML כדי ליצור הטמעות לחיפוש סמנטי |
| שימוש בשני צינורות עיבוד נתונים של Agent Platform Tabular Workflows כדי לאמן מודל AutoML באמצעות הגדרות שונות. | תהליך עבודה של טבלאות: צינור AutoML Tabular |
| משתמשים ב-Agent Platform SDK for Python כדי לאמן מודל AutoML לרגרסיה טבלאית ולקבל חיזויים מהמודל. | Agent Platform SDK for Python: AutoML training tabular regression model for batch prediction using BigQuery |
| אימון והערכה של מודל נטייה ב-BigQuery ML כדי לחזות את שיעור שימור המשתמשים במשחק לנייד. | חיזוי נטישה למפתחי משחקים באמצעות Google Analytics 4 ו-BigQuery ML |
| שימוש ב-BigQuery ML כדי לבצע אופטימיזציה של התמחור על נתוני התמחור של CDM. | ניתוח של אופטימיזציית מחירים בנתוני תמחור של CDM |
המאמרים הבאים
- כדי להתחיל להשתמש ב-Gemini Enterprise Agent Platform, אפשר לעיין במאמרים הבאים: