Plataforma de agentes do Gemini Enterprise para usuários do BigQuery

Use esta página para entender as diferenças entre o Gemini Enterprise Agent Platform e BigQuery e saiba como integrar o Gemini Enterprise Agent Platform aos fluxos de trabalho atuais do BigQuery. A plataforma de agentes do Gemini Enterprise e o BigQuery trabalham juntos para atender aos casos de uso de machine learning e MLOps.

Para saber mais sobre as diferenças treinamento de modelo entre a plataforma de agentes do Gemini Enterprise e o BigQuery, consulte Escolher um método de treinamento.

Diferenças entre a plataforma de agentes do Gemini Enterprise e o BigQuery

Nesta seção, abordamos os serviços da plataforma de agentes do Gemini Enterprise, do BigQuery e do BigQuery ML.

Plataforma de agentes do Gemini Enterprise: uma plataforma de IA/ML completa

Agent Platform é uma plataforma de IA/ML para desenvolvimento e governança de modelos. Os casos de uso comuns são:

  • Tarefas de machine learning, como previsão, recomendação e detecção de anomalias

  • Tarefas de IA generativa, como:

    • Geração, classificação, resumo e extração de texto
    • Geração e preenchimento de código
    • Geração de imagens
    • Geração de embedding

É possível usar o BigQuery para preparar dados de treinamento para modelos do Agent Platform, que podem ser disponibilizados como recursos no Feature Store do Agent Platform.

Há três maneiras de treinar modelos na Agent Platform:

  • AutoML: treine modelos em conjuntos de dados de imagem, tabulares e de vídeo sem escrever código.
  • Treinamento personalizado: execute códigos de treinamento personalizados atendendo ao seu caso de uso específico.
  • Ray na plataforma de agentes: use o Ray para escalonar aplicativos de IA e Python, como machine learning.

Também é possível importar um modelo treinado em outra plataforma, como o BigQuery ML ou o XGBoost.

É possível registrar modelos personalizados no Model Registry. Também é possível importar modelos treinados fora da Gemini Enterprise Agent Platform e registrá-los no Model Registry. Você não precisa registrar modelos do AutoML. Eles são registrados automaticamente no momento da criação.

No registro, é possível gerenciar versões de modelos, fazer implantações em endpoints para previsões on-line, realizar avaliações de modelos, monitorar implantações com o monitoramento de modelos do Gemini Enterprise Agent Platform e usar Vertex Explainable AI.

Idiomas disponíveis :

BigQuery: um data warehouse corporativo sem servidor e com várias nuvens

BigQuery é um data warehouse corporativo totalmente gerenciado que ajuda a gerenciar e analisar dados com recursos integrados como aprendizado de máquina, análise geoespacial e business intelligence. As tabelas do BigQuery podem ser consultadas pelo SQL, e os cientistas de dados que usam principalmente SQL podem executar consultas grandes com apenas algumas linhas de código.

Também é possível usar o BigQuery como um repositório de dados referenciado ao criar modelos tabulares e personalizados na Agent Platform. Para saber mais sobre como usar o BigQuery como um repositório de dados, consulte Visão geral do armazenamento do BigQuery.

Idiomas disponíveis:

Para saber mais, consulte Dialetos SQL do BigQuery.

BigQuery ML: machine learning diretamente no BigQuery

O BigQuery ML permite desenvolver e invocar modelos no BigQuery. Com o BigQuery ML, é possível usar SQL para treinar modelos de ML diretamente no BigQuery sem precisar mover dados ou se preocupar com a infraestrutura de treinamento subjacente. É possível criar previsões em lote para modelos do BigQuery ML para receber insights dos seus dados do BigQuery.

Também é possível acessar modelos do Agent Platform usando o BigQuery ML. É possível criar um modelo remoto do BigQuery ML em um modelo integrado da plataforma de agentes, como o Gemini, ou em um modelo personalizado da plataforma de agentes. Você interage com o modelo remoto usando SQL no BigQuery, assim como qualquer outro modelo do BigQuery ML, mas todo o treinamento e a inferência do modelo remoto são processados na plataforma de agentes.

Idioma disponível :

Para saber mais sobre as vantagens de usar o BigQuery ML, consulte Introdução à IA e ao ML no BigQuery.

Benefícios de gerenciar modelos do BigQuery ML na Agent Platform

É possível registrar seus modelos do BigQuery ML no Model Registry para gerenciar os modelos na Agent Platform. O gerenciamento de modelos do BigQuery ML na Agent Platform oferece dois benefícios principais:

  • Exibição de modelo on-line: o BigQuery ML é compatível apenas com previsões em lote para seus modelos. Para receber previsões on-line, é possível treinar seus modelos no BigQuery ML e implantá-los em endpoints do Agent Platform usando o Model Registry.

  • Recursos de MLOps: os modelos são mais benéficos quando são mantidos atualizados por meio de treinamento contínuo. A Agent Platform oferece ferramentas de MLOps que automatizam o monitoramento e o retreinamento de modelos para manter a acurácia das previsões ao longo do tempo. Com os pipelines da Agent Platform, é possível usar operadores do BigQuery para conectar qualquer job do BigQuery (incluindo o BigQuery ML) a um pipeline de ML. Com o monitoramento de modelos da Gemini Enterprise Agent Platform, é possível monitorar suas previsões do BigQuery ML ao longo do tempo.

Uma imagem dos produtos do Google Cloud e onde eles se encaixam em um fluxo de trabalho de MLOps

Para saber como registrar seus modelos do BigQuery ML no Model Registry, consulte Gerenciar modelos do BigQuery ML com a Agent Platform.

O que você quer fazer? Recurso
Usar o BigQuery ML para analisar imagens e texto usando o Gemini na Agent Platform Como analisar pôsteres de filmes no BigQuery com o Gemini 2.0 Flash
Usar o BigQuery ML para gerar texto em tabelas do BigQuery ou dados não estruturados com modelos de base na Agent Platform Gerar texto usando o BigQuery ML e modelos de fundação na Agent Platform
Gerar embeddings de vetores com o BigQuery ML em texto e imagens Chamar um endpoint de embedding multimodal na Agent Platform do BigQuery ML para gerar embeddings para pesquisa semântica
Usar dois pipelines de fluxos de trabalho tabulares do Agent Platform para treinar um modelo do AutoML usando configurações diferentes. Fluxo de trabalho tabular: pipeline tabular do AutoML
Usar o SDK da Agent Platform para Python no treinamento de um modelo de AutoML para regressão tabular e receber predições em lote do modelo. SDK da Agent Platform para Python: treinamento de AutoML de modelo de regressão tabular para predição em lote usando o BigQuery
Treinar e avaliar um modelo de propensão no BigQuery ML para prever a retenção de usuários em um jogo para dispositivos móveis. Previsão de desligamento de usuários para desenvolvedores de jogos que usam o Google Analytics 4 e o BigQuery ML.
Usar o BigQuery ML para otimizar os preços dos dados de CDM Análise de otimização de preços nos dados de preços de CDM

A seguir