Utilizza questa pagina per comprendere le differenze tra Vertex AI e BigQuery e scoprire come integrare Vertex AI con i workflow BigQuery esistenti. Vertex AI e BigQuery funzionano insieme per soddisfare i tuoi casi d'uso di machine learning e MLOps.
Per scoprire di più sulle differenze di addestramento dei modelli tra Vertex AI e BigQuery, consulta Scegliere un metodo di addestramento.
Differenze tra Vertex AI e BigQuery
Questa sezione illustra i servizi Vertex AI, BigQuery e BigQuery ML.
Vertex AI: una piattaforma AI/ML end-to-end
Vertex AI è una piattaforma AI/ML per lo sviluppo e la governance dei modelli. I casi d'uso comuni includono:
- Attività di machine learning, come previsione, raccomandazione e rilevamento di anomalie
Attività di AI generativa, come:
- Generazione, classificazione, riepilogo ed estrazione del testo
- Generazione e completamento del codice
- Generazione di immagini
- Generazione di incorporamenti
Puoi utilizzare BigQuery per preparare i dati di addestramento per i modelli Vertex AI, che puoi rendere disponibili come funzionalità in Vertex AI Feature Store.
Puoi addestrare i modelli in Vertex AI in tre modi:
- AutoML: addestra i modelli su set di dati di immagini, tabulari e video senza scrivere codice.
- Addestramento personalizzato: esegui codice di addestramento personalizzato adatto al tuo caso d'uso specifico.
- Ray su Vertex AI: utilizza Ray per scalare le applicazioni AI e Python come il machine learning.
Puoi anche importare un modello addestrato su un'altra piattaforma come BigQuery ML o XGBoost.
Puoi registrare i modelli addestrati personalizzati in Vertex AI Model Registry. Puoi anche importare i modelli addestrati al di fuori di Vertex AI e registrarli in Vertex AI Model Registry. Non è necessario registrare i modelli AutoML; vengono registrati automaticamente al momento della creazione.
Dal registro, puoi gestire le versioni dei modelli , eseguire il deployment negli endpoint per le previsioni online, eseguire valutazioni dei modelli , monitorare i deployment con Vertex AI Model Monitoring e utilizzare Vertex Explainable AI.
Lingue disponibili:
- L'SDK Vertex AI supporta Python, Java, Node.js e Go.
BigQuery: un data warehouse aziendale serverless e multi-cloud
BigQuery è un data warehouse aziendale completamente gestito che ti aiuta a gestire e analizzare i tuoi dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence. È possibile eseguire query sulle tabelle BigQuery tramite SQL e i data scientist che utilizzano principalmente SQL possono eseguire query di grandi dimensioni con poche righe di codice.
Puoi anche utilizzare BigQuery come datastore a cui fai riferimento quando crei modelli tabulari e personalizzati in Vertex AI. Per scoprire di più sull' utilizzo di BigQuery come datastore, consulta Panoramica dello spazio di archiviazione di BigQuery.
Lingue disponibili:
- SDK per BigQuery. Per scoprire di più, consulta le librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per scoprire di più, consulta Dialetti SQL di BigQuery.
BigQuery ML: machine learning direttamente in BigQuery
BigQuery ML consente di sviluppare e richiamare modelli in BigQuery. Con BigQuery ML, puoi utilizzare SQL per addestrare i modelli ML direttamente in BigQuery senza dover spostare i dati o preoccuparti dell'infrastruttura di addestramento sottostante. Puoi creare previsioni batch per i modelli BigQuery ML per ottenere insight dai dati BigQuery.
Puoi anche accedere ai modelli Vertex AI utilizzando BigQuery ML. Puoi creare un modello remoto BigQuery ML su un modello integrato di Vertex AI come Gemini, o su un modello personalizzato di Vertex AI. Interagisci con il modello remoto utilizzando SQL in BigQuery, proprio come qualsiasi altro modello BigQuery ML, ma tutto l'addestramento e l'inferenza per il modello remoto vengono elaborati in Vertex AI.
Lingua disponibile:
- GoogleSQL
- Librerie client di BigQuery
Per scoprire di più sui vantaggi dell'utilizzo di BigQuery ML, consulta Introduzione all'AI e al ML in BigQuery.
Vantaggi della gestione dei modelli BigQuery ML in Vertex AI
Puoi registrare i tuoi modelli BigQuery ML in Vertex AI Model Registry per gestirli in Vertex AI. La gestione dei modelli BigQuery ML in Vertex AI offre due vantaggi principali:
Erogazione del modello online: BigQuery ML supporta solo le previsioni in batch per i tuoi modelli. Per ottenere previsioni online, puoi addestrare i modelli in BigQuery ML ed eseguirne il deployment negli endpoint Vertex AI tramite Vertex AI Model Registry.
Funzionalità MLOps: i modelli sono più utili quando vengono aggiornati tramite l'addestramento continuo. Vertex AI offre strumenti MLOps che automatizzano il monitoraggio e il riaddestramento dei modelli per mantenere l'accuratezza delle previsioni nel tempo. Con le pipeline della piattaforma agent di Gemini Enterprise, puoi utilizzare gli operatori BigQuery per collegare qualsiasi job BigQuery (incluso BigQuery ML) a una pipeline ML. Con Vertex AI Model Monitoring, puoi monitorare le previsioni BigQuery ML nel tempo.
Per scoprire come registrare i modelli BigQuery ML in Vertex AI Model Registry, consulta Gestire i modelli BigQuery ML con Vertex AI.
Tutorial sui notebook correlati
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizzare BigQuery ML per analizzare immagini e testo utilizzando Gemini su Vertex AI | Analizzare i poster dei film in BigQuery con Gemini 2.0 Flash |
| Utilizzare BigQuery ML per generare testo su tabelle BigQuery o dati non strutturati con modelli di base su Vertex AI | Generare testo utilizzando BigQuery ML e modelli di base in Vertex AI |
| Generare incorporamenti vettoriali con BigQuery ML su testo e immagini | Chiamare un endpoint di incorporamento multimodale in Vertex AI da BigQuery ML per generare incorporamenti per la ricerca semantica |
| Utilizzare due pipeline di workflow tabulari di Vertex AI per addestrare un modello AutoML utilizzando configurazioni diverse. | Workflow tabulare: pipeline tabulare AutoML |
| Utilizzare l'SDK della piattaforma agent per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni batch dal modello. | SDK della piattaforma agent per Python: modello di regressione tabulare di addestramento AutoML per le previsioni in batch utilizzando BigQuery |
| Addestrare e valutare un modello di propensione in BigQuery ML per prevedere la fidelizzazione degli utenti su un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi utilizzando Google Analytics 4 e BigQuery ML |
| Utilizzare BigQuery ML per eseguire l'ottimizzazione dei prezzi sui dati dei prezzi CDM. | Analisi dell'ottimizzazione dei prezzi sui dati dei prezzi CDM |
Passaggi successivi
- Per iniziare a utilizzare Vertex AI, consulta: