Descripción general de la inferencia de modelos

En este documento, se describen los tipos de inferencia por lotes que admite BigQuery ML, incluidos los siguientes:

La inferencia de aprendizaje automático es el proceso de ejecutar datos en un modelo de aprendizaje automático para calcular un resultado, como una sola puntuación numérica. Este proceso también se conoce como “poner en funcionamiento un modelo de aprendizaje automático” o “poner en producción un modelo de aprendizaje automático”.

Prediction

En las siguientes secciones, se describen las formas disponibles de realizar predicciones en BigQuery ML.

Inferencia con modelos entrenados de BigQuery ML

La predicción en BigQuery ML se usa no solo para los modelos de aprendizaje supervisado, sino también para los modelos de aprendizaje no supervisado. Se usa solo para modelos entrenados con datos independientes e idénticamente distribuidos (IID). Para los datos de series temporales que no son ID, se usa el término previsión. Consulta la sección Previsión a continuación.

BigQuery ML admite las funcionalidades de predicción a través de la función ML.PREDICT con los siguientes modelos:

Categoría del modelo Tipos de modelos Qué hace ML.PREDICT
Aprendizaje supervisado Regresión lineal y logística

Árboles con boosting

Bosque aleatorio

Redes neuronales profundas

Algoritmo de amplitud y profundidad

AutoML Tables 		Predice la etiqueta, ya sea un valor numérico para las tareas de regresión o un valor categórico para las tareas de clasificación.
Aprendizaje no supervisado k-means Asigna el clúster a la entidad.
PCA Aplica la reducción de la dimensionalidad a la entidad mediante la transformación en el espacio que abarcan los eigenvectores.
Codificador automático Transforma la entidad en el espacio incorporado.

Para la inferencia de modelos de factorización de matrices, consulta Recomendación.

Inferencia con modelos importados

Con este enfoque, creas y entrenas un modelo fuera de BigQuery, lo importas con la sentencia CREATE MODEL y, luego, ejecutas la inferencia mediante la función ML.PREDICT. Todo el procesamiento de inferencia se produce en BigQuery mediante los datos de BigQuery. Los modelos importados pueden realizar un aprendizaje supervisado o no supervisado.

BigQuery ML es compatible con los siguientes tipos de modelos importados:

Usa este enfoque para usar modelos personalizados desarrollados con una variedad de frameworks de AA y, al mismo tiempo, aprovechar la velocidad de inferencia y la ubicación conjunta de BigQuery ML con los datos.

Para obtener más información, prueba uno de los siguientes instructivos:

Inferencia con modelos remotos

Con este enfoque, puedes crear una referencia para un modelo alojado en una predicción de Vertex AI mediante la sentencia CREATE MODEL y, luego, ejecutas la inferencia con la función ML.PREDICT. Todo el procesamiento de inferencia se produce en Vertex AI mediante los datos de BigQuery. Los modelos remotos pueden realizar un aprendizaje supervisado o no supervisado.

Usa este enfoque para ejecutar inferencias en modelos grandes que requieren la compatibilidad con hardware de GPU que proporciona Vertex AI. Si la mayoría de los modelos están alojados en Vertex AI, esto también te permite ejecutar inferencias en estos modelos mediante SQL, sin tener que compilar canalizaciones de datos de forma manual para tomar datos en Vertex AI y devolver los resultados de la predicción a BigQuery.

Para obtener instrucciones paso a paso, consulta Realiza predicciones con modelos remotos en Vertex AI.

Previsión

La previsión es una técnica que usa datos históricos como entradas para realizar estimaciones informadas en el futuro. En BigQuery ML, la previsión se aplica a los datos de series temporales. Para los datos IID, consulta Predicción.

BigQuery ML admite funcionalidades de previsión a través de la función ML.FORECAST con los modelos ARIMA_PLUS y ARIMA_PLUS_XREG. El modelo de serie temporal no es un modelo único, sino una canalización de modelado de series temporales que incluye varios modelos y algoritmos. Consulta la Canalización de modelado de series temporales para obtener más detalles.

Recomendación

Los sistemas de recomendador son una de las aplicaciones más exitosas y generalizadas de tecnología de aprendizaje automático para empresas. Un sistema de recomendación ayuda a los usuarios a encontrar contenido atractivo en un gran cuerpo de trabajo. Por ejemplo, Google Play Store ofrece millones de apps, mientras que YouTube proporciona miles de millones de videos, y cada día se agregan más apps y videos. Para encontrar nuevo contenido atractivo, los usuarios pueden usar la búsqueda, pero un motor de recomendaciones puede mostrar contenido que los usuarios podrían no haber considerado buscar por su cuenta. Para obtener más información, consulta la Descripción general de los sistemas de recomendación.

Los algoritmos de aprendizaje automático en los sistemas de recomendador, por lo general, se clasifican en dos categorías: métodos de filtrado colaborativo y basado en el contenido.

TipoDefiniciónEjemplo
filtrado basado en el contenido Usa la similitud entre elementos para recomendar elementos similares a lo que le gusta al usuario. Si el usuario A mira dos videos tiernos de gatos, el sistema puede recomendar videos tiernos de animales a ese usuario.
filtrado colaborativo Usa las similitudes entre consultas y elementos de forma simultánea para proporcionar recomendaciones. Si el usuario A es similar al usuario B y al usuario B le gusta el video 1, el sistema puede recomendar el video 1 al usuario A (incluso si el usuario A no vio ningún video similar al video 1).

El modelo de factorización de matrices se usa ampliamente como un método de filtrado colaborativo para los sistemas de recomendación. BigQuery ML admite la función ML.RECOMMEND para facilitar el uso de la factorización de matrices con fines de recomendación. Para obtener más información sobre la aplicación de la factorización de matrices a la recomendación, consulta Factorización de matrices.

En los motores de recomendaciones modernos, se usan mucho los modelos de red neuronal profunda (DNN), incluidos los modelos profundos y amplios. Se puede ver como una extensión del filtrado colaborativo basado en la factorización de matrices. Puede incorporar atributos de consulta y de elementos para mejorar la relevancia de las recomendaciones. Para obtener más información, lee Recomendación mediante modelos de redes neuronales profundas, Redes neuronales profundas para las recomendaciones de YouTube o Aprendizaje profundo y amplio para sistemas de recomendador. También vale la pena mencionar que se pueden usar modelos de aprendizaje supervisado para las tareas de recomendación.

Detección de anomalías

La detección de anomalías es un paso en la extracción de datos que identifica datos, eventos y observaciones que se desvían del comportamiento normal de un conjunto de datos. Los datos anómalos pueden indicar incidentes críticos, como problemas técnicos, u oportunidades, como cambios en el comportamiento de los consumidores.

Un desafío con la detección de anomalías es identificar y definir la anomalía. Los datos etiquetados con anomalías conocidas te permiten elegir entre tipos de modelos de aprendizaje automático supervisado que ya son compatibles con BigQuery ML. Sin un tipo de anomalía conocido o datos etiquetados, aún puedes usar el aprendizaje automático no supervisado para detectar anomalías. Según si tus datos de entrenamiento son series temporales o no, puedes detectar anomalías en los datos de entrenamiento o en los datos de entrada nuevos mediante la función ML.DETECT_ANOMALIES con los siguientes modelos:

Tipo de datos Tipos de modelos Qué hace ML.DETECT_ANOMALIES
Series temporales ARIMA_PLUS Detecta las anomalías en las series temporales.
ARIMA_PLUS_XREG Detecta las anomalías en las series temporales con regresores externos.
Variables aleatorias independientes e idénticamente distribuidas (IID) k-means Detecta anomalías según la distancia más corta entre las distancias normalizadas de los datos de entrada a cada centroide del clúster. Para obtener una definición de distancias normalizadas, consulta ML.DETECT_ANOMALIES.
Codificador automático Detecta anomalías según la pérdida de reconstrucción en términos de error cuadrático medio. Para obtener más información, consulta ML.RECONSTRUCTION_LOSS. ML.RECONSTRUCTION_LOSS puede recuperar todos los tipos de pérdidas de reconstrucción.
PCA Detecta anomalías según la pérdida de reconstrucción en términos de error cuadrático medio.

Predicción en línea

La capacidad de inferencia integrada de BigQuery ML está optimizada para casos de uso a gran escala, como la predicción por lotes. Si bien BigQuery ML ofrece resultados de inferencia de baja latencia cuando se manejan datos de entrada pequeños, puedes lograr una predicción en línea más rápida mediante una integración continua con Vertex AI.

Puedes administrar modelos de BigQuery ML dentro del entorno de Vertex AI, lo que elimina la necesidad de exportar modelos desde BigQuery ML antes de implementarlos como extremos de Vertex AI. Cuando administras modelos dentro de Vertex AI, obtienes acceso a todas las funciones de Vertex AI MLOps y a funciones como Vertex AI Feature Store.

Además, tienes la flexibilidad de exportar modelos de BigQuery ML a Cloud Storage para que estén disponibles en otras plataformas de hosting de modelos.

¿Qué sigue?