בדף הזה מוסבר על ההבדלים בין Vertex AI לבין BigQuery, ואיך אפשר לשלב את Vertex AI בתהליכי העבודה הקיימים שלכם ב-BigQuery. Vertex AI ו-BigQuery פועלים יחד כדי לתת מענה לתרחישי השימוש שלכם בלמידת מכונה וב-MLOps.
מידע נוסף על ההבדלים בין אימון מודלים ב-Vertex AI לבין אימון מודלים ב-BigQuery זמין במאמר בחירת שיטת אימון.
ההבדלים בין Vertex AI לבין BigQuery
בקטע הזה מוסבר על השירותים Vertex AI, BigQuery ו-BigQuery ML.
Vertex AI: פלטפורמה מקצה לקצה ל-AI ול-ML
Vertex AI היא פלטפורמה של AI/ML לפיתוח מודלים ולניהול שלהם. תרחישים נפוצים לדוגמה:
- משימות של למידת מכונה, כמו חיזוי, המלצה וזיהוי חריגות
משימות של AI גנרטיבי, כמו:
- יצירה, סיווג, סיכום וחילוץ של טקסט
- יצירה והשלמה של קוד
- יצירת תמונות
- הטמעת יצירה
אתם יכולים להשתמש ב-BigQuery כדי להכין נתוני אימון למודלים של Vertex AI, ואז להפוך אותם לתכונות ב-Vertex AI Feature Store.
יש שלוש דרכים לאמן מודלים ב-Vertex AI:
- 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 ב-Vertex AI: שימוש ב-Ray להרחבת אפליקציות AI ו-Python כמו למידת מכונה.
אפשר גם לייבא מודל שאומן בפלטפורמה אחרת, כמו BigQuery ML או XGBoost.
אפשר לרשום מודלים שעברו אימון בהתאמה אישית במרשם המודלים של Vertex AI. אפשר גם לייבא מודלים שאומנו מחוץ ל-Vertex AI ולרשום אותם במרשם המודלים של Vertex AI. אין צורך לרשום מודלים של AutoML. הם נרשמים אוטומטית בזמן היצירה.
מתוך המרשם, אפשר לנהל גרסאות של מודלים, לפרוס אותם לנקודות קצה לצורך חיזויים אונליין, לבצע הערכות של מודלים, לעקוב אחרי פריסות באמצעות Vertex AI Model Monitoring ולהשתמש ב-Vertex AI ניתן להסברה.
השפות הזמינות:
- Vertex AI SDK תומך בשפות Python, Java, Node.js ו-Go.
BigQuery: מחסן נתונים ארגוני ללא שרת, שפועל בכמה עננים
BigQuery הוא מחסן נתונים ארגוני מנוהל באופן מלא, 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 שאתם מפנים אליו כשאתם יוצרים מודלים טבלאיים ומודלים בהתאמה אישית ב-Vertex AI. מידע נוסף על שימוש ב-BigQuery כמאגר נתונים זמין במאמר סקירה כללית של האחסון 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 Vertex AI באמצעות BigQuery ML. אפשר ליצור מודל מרוחק של BigQuery ML על מודל מובנה של Vertex AI כמו Gemini, או על מודל מותאם אישית של Vertex AI. האינטראקציה עם המודל המרוחק מתבצעת באמצעות SQL ב-BigQuery, בדיוק כמו כל מודל אחר של BigQuery ML, אבל כל האימון וההיקש של המודל המרוחק מעובדים ב-Vertex AI.
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-Vertex AI
אתם יכולים לרשום את המודלים של BigQuery ML במרשם המודלים כדי לנהל את המודלים ב-Vertex AI. ניהול מודלים של BigQuery ML ב-Vertex AI מספק שני יתרונות עיקריים:
הצגת מודלים אונליין: BigQuery ML תומך רק בחיזויים באצווה עבור המודלים שלכם. כדי לקבל תחזיות אונליין, אתם יכולים לאמן את המודלים שלכם ב-BigQuery ML ולפרוס אותם לנקודות קצה של Vertex AI דרך מרשם המודלים של Vertex AI.
יכולות MLOps: כדי להפיק את המרב מהמודלים, חשוב לעדכן אותם באופן שוטף באמצעות אימון מתמשך. Vertex AI מציע כלים של MLOps שמבצעים אוטומציה של מעקב אחרי מודלים ואימון מחדש שלהם, כדי לשמור על דיוק התחזיות לאורך זמן. באמצעות Vertex AI Pipelines, אפשר להשתמש באופרטורים של BigQuery כדי להוסיף משימות של BigQuery (כולל BigQuery ML) לצינור ML. באמצעות Vertex AI Model Monitoring, אתם יכולים לעקוב אחרי התחזיות של BigQuery ML לאורך זמן.
כאן מוסבר איך לרשום את המודלים של BigQuery ML במרכז המודלים.
מדריכים קשורים ל-Notebook
| מה ברצונך לעשות? | משאב |
|---|---|
| שימוש ב-BigQuery ML לניתוח תמונות וטקסט באמצעות Gemini ב-Vertex AI | ניתוח פוסטרים של סרטים ב-BigQuery באמצעות Gemini 2.0 Flash |
| שימוש ב-BigQuery ML כדי ליצור טקסט בטבלאות BigQuery או בנתונים לא מובנים באמצעות מודלים בסיסיים ב-Vertex AI | יצירת טקסט באמצעות BigQuery ML ומודלים בסיסיים ב-Vertex AI |
| יצירת הטמעות וקטוריות באמצעות BigQuery ML על טקסט ותמונות | קריאה לנקודת קצה של הטמעה מולטי-מודאלית ב-Vertex AI מ-BigQuery ML כדי ליצור הטמעות לחיפוש סמנטי |
| שימוש בשני צינורות עיבוד נתונים של Vertex AI Tabular Workflows כדי לאמן מודל AutoML באמצעות תצורות שונות. | תהליך עבודה של טבלאות: צינור AutoML Tabular |
| משתמשים ב-Vertex AI SDK ל-Python כדי לאמן מודל AutoML לרגרסיה טבלאית ולקבל מהמודל תחזיות באצווה. | Vertex AI SDK ל-Python: אימון מודל רגרסיה טבלאי של AutoML לחיזוי אצווה באמצעות 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-Vertex AI, אפשר לעיין במאמרים הבאים: