Introduzione a BigQuery ML

BigQuery ML ti consente di creare ed eseguire modelli di machine learning (ML) utilizzando query GoogleSQL. Ti consente inoltre di accedere agli LLM e alle API Cloud AI per eseguire attività di intelligenza artificiale (IA), come la generazione di testi o la traduzione automatica.

Di solito, l'esecuzione di ML o AI su grandi set di dati richiede programmazione e conoscenza approfondita dei framework ML. Questi requisiti limitano lo sviluppo delle soluzioni a un gruppo molto ristretto di persone all'interno di ogni azienda, ed escludono gli analisti di dati che comprendono i dati, ma hanno una conoscenza ed esperienza limitate di ML. Tuttavia, con BigQuery ML, i professionisti SQL possono utilizzare gli strumenti e le competenze SQL esistenti per creare e valutare modelli e per generare risultati dagli LLM e dalle API Cloud AI.

Puoi lavorare con la funzionalità di BigQuery ML utilizzando quanto segue:

  • Nella console Google Cloud
  • Lo strumento a riga di comando bq
  • L'API REST di BigQuery
  • Blocchi note Colab Enterprise in BigQuery integrati
  • Strumenti esterni come un blocco note Jupyter o una piattaforma di business intelligence

Vantaggi di BigQuery ML

BigQuery ML offre diversi vantaggi rispetto ad altri approcci all'uso di ML o AI con un data warehouse basato su cloud:

  • BigQuery ML democratizza l'utilizzo di ML e AI consentendo agli analisti di dati, i principali utenti del data warehouse, di creare ed eseguire modelli utilizzando fogli di lavoro e strumenti di business intelligence esistenti. L'analisi predittiva può guidare il processo decisionale aziendale in tutta l'organizzazione.
  • Non è necessario programmare una soluzione ML o AI utilizzando Python o Java. Puoi addestrare modelli e accedere alle risorse AI utilizzando SQL, un linguaggio familiare agli analisti di dati.
  • BigQuery ML aumenta la velocità di sviluppo e innovazione dei modelli eliminando la necessità di spostare i dati dal data warehouse. BigQuery ML applica invece il machine learning ai dati, offrendo i seguenti vantaggi:

    • Complessità ridotta perché sono necessari meno strumenti.
    • Aumento della velocità di produzione perché non è necessario spostare e formattare grandi quantità di dati per framework di ML basati su Python per addestrare un modello in BigQuery.

    Per ulteriori informazioni, guarda il video How to accelera machine learning development with BigQuery ML.

Modelli supportati

Un model in BigQuery ML rappresenta ciò che un sistema ML ha imparato dai dati di addestramento. Le seguenti sezioni descrivono i tipi di modelli supportati da BigQuery ML.

Modelli addestrati internamente

I seguenti modelli sono integrati in BigQuery ML:

  • La regressione lineare è utile per le previsioni. Ad esempio, questo modello prevede le vendite di un articolo in un determinato giorno. Le etichette hanno un valore reale, ovvero non possono essere infinito positivo o infinito negativo o NaN (non un numero).
  • La regressione logistica è per la classificazione di due o più valori possibili, ad esempio se un input è low-value, medium-value o high-value. Le etichette possono avere fino a 50 valori univoci.
  • Il clustering K-means è per la segmentazione dei dati. Ad esempio, questo modello identifica i segmenti di clienti. K-means è una tecnica di apprendimento non supervisionato, quindi l'addestramento del modello non richiede etichette o dati suddivisi per l'addestramento o la valutazione.
  • La fatazione matriciale consente di creare sistemi di suggerimenti per i prodotti. Puoi creare suggerimenti sui prodotti utilizzando il comportamento storico dei clienti, le transazioni e le valutazioni dei prodotti, quindi utilizzare questi suggerimenti per esperienze cliente personalizzate.
  • L'analisi delle componenti principali (PCA) è il processo di calcolo dei componenti principali e di utilizzo per eseguire un cambiamento di base sui dati. È comunemente utilizzato per la riduzione della dimensionalità mediante la proiezione di ciascun punto dati solo sui primi componenti principali per ottenere dati di dimensioni inferiori mantenendo la maggior quantità possibile di variazioni dei dati.
  • Serie temporali consente di eseguire previsioni di serie temporali. Puoi usare questa funzionalità per creare milioni di modelli di serie temporali e usarli per le previsioni. Il modello gestisce automaticamente anomalie, stagionalità e festività.

Puoi eseguire una prova sulle istruzioni CREATE MODEL per i modelli addestrati internamente al fine di ottenere una stima della quantità di dati che elaboreranno se le eseguirai.

Modelli addestrati esternamente

I seguenti modelli sono esterni a BigQuery ML e addestrati in Vertex AI:

  • DNN (Deep Neural Network) è per la creazione di reti neurali profonde basate su TensorFlow per i modelli di classificazione e regressione.
  • Wide & Deep è utile per problemi generici di regressione e classificazione su larga scala con input sparsi (caratteristiche categoriche con un gran numero di valori possibili delle caratteristiche), ad esempio problemi di sistemi di suggerimenti e problemi di ricerca e ranking.
  • Autoencoder consente di creare modelli basati su TensorFlow con il supporto di rappresentazioni di dati sparsi. Puoi utilizzare i modelli in BigQuery ML per attività come il rilevamento di anomalie non supervisionato e la riduzione della dimensionalità non lineare.
  • Boosted Tree consente di creare modelli di classificazione e regressione basati su XGBoost.
  • La foresta casuale consente di creare più alberi decisionali dei metodi di apprendimento per la classificazione, la regressione e altre attività durante l'addestramento.
  • AutoML è un servizio ML supervisionato che crea ed esegue il deployment di modelli di classificazione e regressione su dati tabulari ad alta velocità e scalabilità.

Non puoi eseguire una prova sulle istruzioni CREATE MODEL per i modelli addestrati esternamente al fine di ottenere una stima della quantità di dati che elaboreranno se le eseguirai.

Modelli remoti

Puoi creare modelli remoti in BigQuery che utilizzano modelli di cui è stato eseguito il deployment in Vertex AI. Puoi fare riferimento al modello di cui è stato eseguito il deployment specificando l'endpoint HTTPS del modello nell'istruzione CREATE MODEL del modello remoto.

Le istruzioni CREATE MODEL per i modelli remoti non elaborano byte e non comportano addebiti di BigQuery.

Modelli importati

BigQuery ML consente di importare modelli personalizzati addestrati al di fuori di BigQuery e quindi eseguire previsioni in BigQuery. Puoi importare i seguenti modelli in BigQuery da Cloud Storage:

  • Open Neural Network Exchange (ONNX) è un formato standard aperto per la rappresentazione di modelli ML. Con ONNX, puoi rendere disponibili in BigQuery ML modelli addestrati con i framework ML più diffusi, come PyTorch e scikit-learn.
  • TensorFlow è una libreria software open source gratuita per ML e intelligenza artificiale. Puoi usare TensorFlow per vari scopi, ma il corso si concentra in particolare sull'addestramento e sull'inferenza delle reti neurali profonde. Puoi caricare i modelli TensorFlow addestrati in precedenza in BigQuery come modelli BigQuery ML ed eseguire previsioni in BigQuery ML.
  • TensorFlow Lite è una versione leggera di TensorFlow per il deployment su dispositivi mobili, microcontroller e altri dispositivi periferici. TensorFlow ottimizza i modelli TensorFlow esistenti per ridurre le dimensioni dei modelli e velocizzare l'inferenza.
  • XGBoost è una libreria di boosting del gradiente distribuita ottimizzata progettata per essere estremamente efficiente, flessibile e portabile. Implementa gli algoritmi ML all'interno del framework di gradient Boosting.

Le istruzioni CREATE MODEL per i modelli importati non elaborano byte e non comportano addebiti di BigQuery.

In BigQuery ML, puoi utilizzare un modello con dati provenienti da più set di dati BigQuery per l'addestramento e la previsione.

Guida alla selezione dei modelli

Questo albero decisionale mappa i modelli ML alle azioni che vuoi portare a termine. Scarica l'albero decisionale per la selezione dei modelli.

Risorse AI supportate

Puoi utilizzare modelli remoti per accedere a risorse AI come gli LLM da BigQuery ML. BigQuery ML supporta le seguenti risorse AI:

BigQuery ML e Vertex AI

BigQuery ML si integra con Vertex AI, la piattaforma end-to-end per l'IA e il ML in Google Cloud. Quando registri i tuoi modelli BigQuery ML in Model Registry, puoi eseguirne il deployment negli endpoint per le previsioni online. Per scoprire di più, consulta le seguenti risorse:

BigQuery ML e Colab Enterprise

Ora puoi usare i blocchi note Colab Enterprise per eseguire flussi di lavoro ML in BigQuery. Notebooks consentono di usare SQL, Python e altre librerie e linguaggi ML. Per ulteriori informazioni, vedi Creare blocchi note.

Aree geografiche supportate

BigQuery ML è supportato nelle stesse regioni di BigQuery. Per ulteriori informazioni, consulta Località di BigQuery ML.

Prezzi

I modelli BigQuery ML sono archiviati in set di dati BigQuery, come tabelle e viste. Per informazioni sui prezzi di BigQuery ML, consulta Prezzi di BigQuery ML.

Per i prezzi di archiviazione di BigQuery, vedi Prezzi dell'archiviazione.

Per i prezzi delle query BigQuery ML, consulta Prezzi delle query.

Quote

Oltre ai limiti specifici di BigQuery ML, le query che utilizzano le funzioni di BigQuery ML e le istruzioni CREATE MODEL sono soggette alle quote e ai limiti per i job di query BigQuery.

Limitazioni

Passaggi successivi