Ubicaciones

En esta página, se explica el concepto de ubicación de datos y las diferentes ubicaciones en las que puedes crear conjuntos de datos de BigQuery y modelos de BigQuery ML.

Para obtener información sobre los precios regionales de BigQuery ML, consulta la página Precios.

Conceptos clave

Tipos de regiones o ubicaciones

Hay dos tipos de ubicaciones:

  • Una región es un lugar geográfico específico, como Londres.

  • Una multirregión es un área geográfica grande, como Estados Unidos, que contiene dos o más lugares geográficos.

Ubicación del conjunto de datos

Especifica una ubicación para almacenar los datos de BigQuery cuando crees un conjunto de datos a fin de almacenar los datos de entrenamiento y los modelos de BigQuery ML. Una vez que se crea el conjunto de datos, la ubicación no se puede cambiar, pero puedes copiar el conjunto en una ubicación diferente o mover (volver a crear) el conjunto de datos a una ubicación diferente de forma manual.

BigQuery ML procesa y almacena en etapa intermedia los datos en la misma ubicación que el conjunto de datos de destino.

BigQuery ML almacena los datos en la ubicación seleccionada de acuerdo con las Condiciones específicas del servicio.

Regiones admitidas

Al igual que BigQuery, BigQuery ML es un recurso regional y multirregional.

La predicción de modelos de BigQuery ML y otras funciones del AA son compatibles con las mismas regiones que BigQuery.

No todos los tipos de entrenamiento de modelos son compatibles con todas las regiones.

Entrena modelos

  • El entrenamiento para modelos integrados (regresión lineal, regresión logística, kmeans, factorización de matrices y series temporales) es compatible con las mismas regiones que la predicción de modelos y otras funciones del AA.

  • Los modelos importados son compatibles con las mismas regiones que la predicción de modelos y otras funciones del AA.

  • El entrenamiento para DNN y árboles mejorados mediante modelos XGBoost está disponible en las multirregiones US y EU, y en la mayoría de las regiones únicas: Consulta la tabla de ubicaciones regionales para obtener más información.

  • El entrenamiento para tablas de AutoML es compatible con las multirregiones US y EU, así como us-central1.

Predicción de modelos y otras funciones del AA

BigQuery ML admite las siguientes ubicaciones.

Ubicaciones regionales

Descripción de la región Nombre de la región Modelos
importados		 Entrenamiento
de modelos
integrados		 Entrenamiento de modelos
de DNN/de codificación automática/
de árbol mejorado/
profundos y amplios		 Entrenamiento
de modelos
de AutoML		 Ajuste de
hiperparámetros
América
Iowa us-central1 ● ● ● ● ●
Las Vegas us-west4 ● ●
Los Ángeles us-west2 ● ● ●
Montreal northamerica-northeast1 ● ● ● ●
Virginia del Norte us-east4 ● ● ● ●
Oregón us-west1 ● ● ● ●
Salt Lake City us-west3 ● ● ●
São Paulo southamerica-east1 ● ● ●
Santiago southamerica-west1 ● ●
Carolina del Sur us-east1 ● ● ● ●
Toronto northamerica-northeast2 ● ●
Europa
Bélgica europe-west1 ● ● ● ●
Finlandia europe-north1 ● ● ●
Fráncfort europe-west3 ● ● ● ●
Londres europe-west2 ● ● ● ●
Países Bajos europe-west4 ● ● ● ●
Varsovia europe-central2 ● ●
Zúrich europe-west6 ● ● ● ●
Asia-Pacífico
Delhi asia-south2 ● ●
Hong Kong asia-east2 ● ● ● ●
Yakarta asia-southeast2 ● ●
Melbourne australia-southeast2 ● ●
Bombay asia-south1 ● ● ●
Osaka asia-northeast2 ● ● ●
Seúl asia-northeast3 ● ● ● ●
Singapur asia-southeast1 ● ● ● ●
Sídney australia-southeast1 ● ● ● ●
Taiwán asia-east1 ● ● ● ●
Tokio asia-northeast1 ● ● ● ●

Ubicaciones multirregionales

Descripción de la región Nombre de la región Modelos
importados		 Entrenamiento
de modelos
integrados		 Entrenamiento de modelos de DNN/de codificación automática/
de árbol mejorado/
profundos y amplios		 Entrenamiento
de modelos
de AutoML		 Ajuste de
hiperparámetros
Centros de datos dentro de los estados miembros de la Unión Europea1 EU ● ● ● ● ●
Centros de datos en Estados Unidos US ● ● ● ● ●

1 Los datos ubicados en la multirregión EU no se almacenan en los centros de datos de europe-west2 (Londres) ni deeurope-west6 (Zúrich).

¿Qué sigue?