Utilizza questa pagina per comprendere le differenze tra Gemini Enterprise Agent Platform e BigQuery e scoprire come integrare Gemini Enterprise Agent Platform con i tuoi workflow BigQuery esistenti. Gemini Enterprise Agent Platform e BigQuery collaborano per soddisfare i tuoi casi d'uso di machine learning e MLOps.
Per scoprire di più sulle differenze di addestramento dei modelli tra Gemini Enterprise Agent Platform e BigQuery, vedi Scegliere un metodo di addestramento.
Differenze tra Gemini Enterprise Agent Platform e BigQuery
Questa sezione riguarda i servizi Gemini Enterprise Agent Platform, BigQuery e BigQuery ML.
Gemini Enterprise Agent Platform: una piattaforma AI/ML end-to-end
Agent Platform è una piattaforma AI/ML per lo sviluppo e la governance dei modelli. I casi d'uso comuni includono:
- Attività di machine learning, come previsioni, raccomandazioni e rilevamento di anomalie
Attività di AI generativa, ad esempio:
- Generazione, classificazione, riepilogo ed estrazione del testo
- Generazione e completamento del codice
- Generazione di immagini
- Generazione di embedding
Puoi utilizzare BigQuery per preparare i dati di addestramento per i modelli della piattaforma per agenti, che puoi rendere disponibili come funzionalità in Agent Platform Feature Store.
Puoi addestrare i modelli in Agent Platform in tre modi:
- AutoML: addestra modelli su set di dati di immagini, tabulari e video senza scrivere codice.
- Addestramento personalizzato: esegui il codice di addestramento personalizzato in base al tuo caso d'uso specifico.
- Ray on Agent Platform: utilizza Ray per scalare 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 con addestramento personalizzato nel Model Registry. Puoi anche importare modelli addestrati al di fuori di Gemini Enterprise Agent Platform e registrarli in Model Registry. Non devi registrare i modelli AutoML, che vengono registrati automaticamente al momento della creazione.
Dal registro, puoi gestire le versioni del modello, eseguire il deployment negli endpoint per le previsioni online, eseguire valutazioni del modello, monitorare i deployment con Gemini Enterprise Agent Platform 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 multi-cloud serverless
BigQuery è un data warehouse aziendale completamente gestito che ti aiuta a gestire e analizzare i 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 fare riferimento quando crei modelli tabulari e personalizzati in Agent Platform. Per scoprire di più sull'utilizzo di BigQuery come datastore, consulta la panoramica dello spazio di archiviazione di BigQuery.
Lingue disponibili:
- SDK per BigQuery. Per saperne di più, consulta le librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per saperne di più, consulta Dialetti SQL di BigQuery.
BigQuery ML: machine learning direttamente in BigQuery
BigQuery ML ti consente di sviluppare e richiamare modelli in BigQuery. Con BigQuery ML, puoi utilizzare SQL per addestrare modelli di 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 tuoi dati BigQuery.
Puoi anche accedere ai modelli di Agent Platform utilizzando BigQuery ML. Puoi creare un modello remoto BigQuery ML su un modello integrato della piattaforma Agent come Gemini o su un modello personalizzato della piattaforma Agent. 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 Agent Platform.
Lingua disponibile:
- GoogleSQL
- Librerie client di BigQuery
Per saperne 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 Agent Platform
Puoi registrare i tuoi modelli BigQuery ML in Model Registry per gestirli in Agent Platform. La gestione dei modelli BigQuery ML in Agent Platform offre due vantaggi principali:
Servizio di modelli online: BigQuery ML supporta solo le previsioni batch per i tuoi modelli. Per ottenere previsioni online, puoi addestrare i modelli in BigQuery ML ed eseguirne il deployment negli endpoint di Agent Platform tramite Model Registry.
Funzionalità MLOps: i modelli sono più utili quando vengono aggiornati tramite l'addestramento continuo. Agent Platform offre strumenti MLOps che automatizzano il monitoraggio e il riaddestramento dei modelli per mantenere l'accuratezza delle previsioni nel tempo. Con Agent Platform Pipelines, puoi utilizzare gli operatori BigQuery per inserire qualsiasi job BigQuery (incluso BigQuery ML) in una pipeline ML. Con il monitoraggio dei modelli di Gemini Enterprise Agent Platform, puoi monitorare le previsioni di BigQuery ML nel tempo.
Per scoprire come registrare i modelli BigQuery ML in Model Registry, consulta Gestire i modelli BigQuery ML con Agent Platform.
Tutorial correlati su Notebook
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizzare BigQuery ML per analizzare immagini e testo utilizzando Gemini su Agent Platform | Analisi delle locandine di film in BigQuery con Gemini 2.0 Flash |
| Utilizza BigQuery ML per generare testo su tabelle BigQuery o dati non strutturati con modelli di base sulla Agent Platform | Generare testo utilizzando BigQuery ML e modelli di base in Agent Platform |
| Genera vector embedding con BigQuery ML su testo e immagini | Chiamare un endpoint di incorporamento multimodale in Agent Platform da BigQuery ML per generare incorporamenti per la ricerca semantica |
| Utilizza due pipeline dei workflow tabulari di Agent Platform per addestrare un modello AutoML utilizzando configurazioni diverse. | Workflow tabulare: pipeline tabulare AutoML |
| Utilizza l'SDK Agent Platform per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni batch dal modello. | Agent Platform SDK per Python: addestramento AutoML del modello di regressione tabellare per le previsioni in batch utilizzando BigQuery |
| Addestra e valuta un modello di propensione in BigQuery ML per prevedere la fidelizzazione degli utenti in un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per eseguire l'ottimizzazione dei prezzi sui dati dei prezzi CDM. | Analisi dell'ottimizzazione dei prezzi sui dati di prezzo CDM |
Passaggi successivi
- Per iniziare a utilizzare Gemini Enterprise Agent Platform, consulta: