Use esta página para compreender as diferenças entre o Vertex AI e o BigQuery e saiba como pode integrar o Vertex AI com os seus fluxos de trabalho do BigQuery existentes. O Vertex AI e o BigQuery funcionam em conjunto para satisfazer os seus exemplos de utilização de aprendizagem automática e MLOps.
Para saber mais sobre as diferenças na preparação de modelos entre o Vertex AI e o BigQuery, consulte o artigo Escolha um método de preparação.
Diferenças entre o Vertex AI e o BigQuery
Esta secção aborda os serviços Vertex AI, BigQuery e BigQuery ML.
Vertex AI: uma plataforma de IA/ML ponto a ponto
O Vertex AI é uma plataforma de IA/ML para a governação e o desenvolvimento de modelos. Seguem-se alguns exemplos de utilização comuns:
- Tarefas de aprendizagem automática, como previsão, previsão, recomendação e deteção de anomalias
Tarefas de IA generativa, como:
- Geração, classificação, resumo e extração de texto
- Geração e conclusão de código
- Geração de imagens
- Geração de incorporações
Pode usar o BigQuery para preparar dados de preparação para modelos do Vertex AI, que pode disponibilizar como funcionalidades no Vertex AI Feature Store.
Pode preparar modelos no Vertex AI de três formas:
- AutoML: prepare modelos em conjuntos de dados de imagens, tabulares e de vídeo sem escrever código.
- Formação personalizada: execute código de formação personalizado adequado ao seu exemplo de utilização específico.
- Ray on Vertex AI: use o Ray para dimensionar aplicações de IA e Python, como a aprendizagem automática.
Também pode importar um modelo preparado noutra plataforma, como o BigQuery ML ou o XGBoost.
Pode registar modelos preparados de forma personalizada no Registo de modelos Vertex AI. Também pode importar modelos preparados fora do Vertex AI e registá-los no Registo de modelos do Vertex AI. Não precisa de registar os modelos do AutoML. Estes são registados automaticamente no momento da criação.
A partir do registo, pode gerir versões de modelos, implementar em pontos finais para previsões online, fazer avaliações de modelos, monitorizar implementações com o Vertex AI Model Monitoring e usar a Vertex Explainable AI.
Idiomas disponíveis:
- O SDK do Vertex AI suporta Python, Java, Node.js e Go.
BigQuery: um armazém de dados empresarial de várias nuvens sem servidor
O BigQuery é um armazém de dados empresariais totalmente gerido que lhe permite gerir e analisar os seus dados com funcionalidades integradas, como aprendizagem automática, análise geoespacial e Business Intelligence. As tabelas do BigQuery podem ser consultadas por SQL, e os cientistas de dados que usam principalmente SQL podem executar consultas grandes com apenas algumas linhas de código.
Também pode usar o BigQuery como um repositório de dados que referencia quando cria modelos tabulares e personalizados no Vertex AI. Para saber mais sobre a utilização do BigQuery como um repositório de dados, consulte a vista geral do armazenamento do BigQuery.
Idiomas disponíveis:
- SDKs para o BigQuery. Para saber mais, consulte as bibliotecas de cliente da API BigQuery.
- GoogleSQL
- SQL antigo
Para saber mais, consulte os dialetos de SQL do BigQuery.
BigQuery ML: aprendizagem automática diretamente no BigQuery
O BigQuery ML permite-lhe desenvolver e invocar modelos no BigQuery. Com o BigQuery ML, pode usar o SQL para formar modelos de ML diretamente no BigQuery sem ter de mover dados nem preocupar-se com a infraestrutura de formação subjacente. Pode criar previsões em lote para modelos do BigQuery ML para obter estatísticas a partir dos seus dados do BigQuery.
Também pode aceder aos modelos do Vertex AI através do BigQuery ML. Pode criar um modelo remoto do BigQuery ML sobre um modelo incorporado do Vertex AI, como o Gemini, ou sobre um modelo personalizado do Vertex AI. Interage com o modelo remoto através de SQL no BigQuery, tal como qualquer outro modelo do BigQuery ML, mas todo o treino e inferência do modelo remoto são processados no Vertex AI.
Idioma disponível:
- GoogleSQL
- Bibliotecas de cliente do BigQuery
Para saber mais sobre as vantagens de usar o BigQuery ML, consulte o artigo Introdução à IA e ao ML no BigQuery.
Vantagens da gestão de modelos do BigQuery ML no Vertex AI
Pode registar os seus modelos do BigQuery ML no Registo de modelos para gerir os modelos na Vertex AI. A gestão de modelos do BigQuery ML no Vertex AI oferece 2 vantagens principais:
Serviço de modelos online: o BigQuery ML só suporta previsões em lote para os seus modelos. Para obter previsões online, pode preparar os seus modelos no BigQuery ML e implementá-los em pontos finais do Vertex AI através do Registo de modelos do Vertex AI.
Capacidades de MLOps: os modelos são mais vantajosos quando são mantidos atualizados através da preparação contínua. O Vertex AI oferece ferramentas MLOps que automatizam a monitorização e a reciclagem de modelos para manter a precisão das previsões ao longo do tempo. Com os Vertex AI Pipelines, pode usar operadores do BigQuery para integrar quaisquer tarefas do BigQuery (incluindo o BigQuery ML) num pipeline de ML. Com o Vertex AI Model Monitoring, pode monitorizar as suas previsões do BigQuery ML ao longo do tempo.
Para saber como registar os seus modelos do BigQuery ML no Model Registry, consulte o artigo Faça a gestão de modelos do BigQuery ML com a Vertex AI.
Tutoriais de blocos de notas relacionados
| O que pretende fazer? | Recurso |
|---|---|
| Use o BigQuery ML para analisar imagens e texto com o Gemini no Vertex AI | Analisar cartazes de filmes no BigQuery com o Gemini 2.0 Flash |
| Use o BigQuery ML para gerar texto em tabelas do BigQuery ou dados não estruturados com modelos de base na Vertex AI | Gere texto com o BigQuery ML e os modelos de base no Vertex AI |
| Gere incorporações vetoriais com o BigQuery ML sobre texto e imagens | Chame um ponto final de incorporação multimodal na Vertex AI a partir do BigQuery ML para gerar incorporações para a pesquisa semântica |
| Use dois pipelines de fluxos de trabalho tabulares do Vertex AI para preparar um modelo do AutoML com configurações diferentes. | Fluxo de trabalho tabular: pipeline tabular do AutoML |
| Use o SDK Vertex AI para Python para preparar um modelo AutoML para regressão tabular e receber previsões em lote do modelo. | SDK Vertex AI para Python: modelo de regressão tabular de preparação do AutoML para previsão em lote com o BigQuery |
| Forme e avalie um modelo de propensão no BigQuery ML para prever a retenção de utilizadores num jogo para dispositivos móveis. | Previsão do abandono para programadores de jogos com o Google Analytics 4 e o BigQuery ML |
| Use o BigQuery ML para realizar a otimização de preços nos dados de preços do CDM. | Análise da otimização de preços nos dados de preços do CDM |
O que se segue?
- Para começar a usar o Vertex AI, consulte: