Use esta página para entender as diferenças entre a Gemini Enterprise Agent Platform e BigQuery e saiba como integrar a Gemini Enterprise Agent Platform aos fluxos de trabalho atuais do BigQuery. A Gemini Enterprise Agent Platform 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 Gemini Enterprise Agent Platform e o BigQuery, consulte Escolher um método de treinamento.
Diferenças entre a Gemini Enterprise Agent Platform e o BigQuery
Nesta seção, abordamos os serviços da Gemini Enterprise Agent Platform, do BigQuery e do BigQuery ML.
Gemini Enterprise Agent Platform: uma plataforma completa de IA/ML
A 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 da Agent Platform, que podem ser disponibilizados como recursos no Feature Store da 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 Agent Platform: 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 da Gemini Enterprise Agent Platform e usar a Vertex Explainable AI.
Idiomas disponíveis:
- O SDK da Vertex AI oferece suporte a Python, Java, Node.js e Go.
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:
- SDKs para o BigQuery. Para saber mais, consulte as bibliotecas de cliente da API BigQuery
- GoogleSQL
- SQL legado
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 da Agent Platform usando o BigQuery ML. É possível criar um modelo remoto do BigQuery ML em um modelo integrado da Agent Platform, como o Gemini, ou em um modelo personalizado da Agent Platform. 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 Agent Platform.
Idioma disponível:
- GoogleSQL
- Bibliotecas de cliente do BigQuery
Para saber mais sobre as vantagens de usar o BigQuery ML, consulte Introdução à IA e ao ML no BigQuery.
Benefícios do gerenciamento de 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 da 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 o Agent Platform Pipelines, 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.
Para saber como registrar seus modelos do BigQuery ML no Model Registry, consulte Gerenciar modelos do BigQuery ML com a Agent Platform.
Tutoriais de notebook relacionados
| O que você quer fazer? | Recurso |
|---|---|
| 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 base 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 da 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 previsões em lote do modelo. | SDK da Agent Platform para Python: modelo de regressão tabular do treinamento de AutoML para previsão 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
- Para começar a usar a Gemini Enterprise Agent Platform, consulte: