Visão geral das soluções específicas para tarefas

Neste documento, descrevemos os recursos de inteligência artificial (IA) aceitos pelo BigQuery ML. Com esses recursos, é possível desenvolver soluções específicas para tarefas no BigQuery ML usando APIs do Cloud AI. Veja a seguir algumas das tarefas aceitas:

Acesse uma API Cloud AI para executar uma dessas funções criando um modelo remoto no BigQuery ML que representa o endpoint da API. Depois de criar um modelo remoto sobre o recurso de IA que você quer usar, acesse a funcionalidade desse recurso executando uma função do BigQuery ML no modelo remoto.

Essa abordagem permite que você use os recursos da API subjacente sem precisar conhecer Python ou desenvolver familiaridade com a API.

Fluxo de trabalho

É possível usar modelos remotos em vez de modelos da Vertex AI e modelos remotos pelos serviços do Cloud AI com as funções do BigQuery ML para realizar tarefas complexas de análise de dados e IA generativa.

O diagrama a seguir mostra alguns fluxos de trabalho típicos em que é possível usar esses recursos juntos:

Diagrama mostrando fluxos de trabalho comuns para modelos remotos que usam modelos da Vertex AI ou serviços do Cloud AI.

Processamento de linguagem natural

Use o processamento de linguagem natural para executar tarefas como classificação e análise de sentimento nos seus dados. Por exemplo, é possível analisar o feedback de um produto para estimar se os clientes gostam de um produto específico.

Para executar tarefas de linguagem natural, crie uma referência à API Cloud Natural Language criando um modelo remoto e especificando o valor CLOUD_AI_NATURAL_LANGUAGE_V1 para REMOTE_SERVICE_TYPE. Em seguida, use a função ML.UNDERSTAND_TEXT para interagir com esse serviço. ML.UNDERSTAND_TEXT trabalha com dados em tabelas padrão. Toda inferência ocorre na Vertex AI. Os resultados são armazenados no BigQuery.

Para saber mais, tente compreender texto com a função ML.UNDERSTAND_TEXT.

Tradução automática

Você pode usar a tradução automática para traduzir dados de texto para outros idiomas. Por exemplo, traduzir o feedback do cliente de um idioma desconhecido para um familiar.

Para executar tarefas de tradução automática, crie uma referência à API Cloud Translation criando um modelo remoto e especificando o valor CLOUD_AI_TRANSLATE_V3 para REMOTE_SERVICE_TYPE. Em seguida, use a função ML.TRANSLATE para interagir com esse serviço. ML.TRANSLATE trabalha com dados em tabelas padrão. Toda inferência ocorre na Vertex AI. Os resultados são armazenados no BigQuery.

Para saber mais, tente traduzir texto com a função ML.TRANSLATE.

Transcrição de áudio

Você pode usar a transcrição de áudio para transcrever arquivos de áudio em texto. Por exemplo, ao transcrever uma gravação do correio de voz em uma mensagem de texto.

Para executar tarefas de transcrição de áudio, crie uma referência à API Speech-to-Text criando um modelo remoto e especificando CLOUD_AI_SPEECH_TO_TEXT_V2 para o valor REMOTE_SERVICE_TYPE. Opcionalmente, é possível especificar um reconhecedor para usar e processar o conteúdo de áudio. Use a função ML.TRANSCRIBE para transcrever arquivos de áudio. ML.TRANSCRIBE funciona com arquivos de áudio em tabelas de objetos. Toda inferência ocorre na Vertex AI. Os resultados são armazenados no BigQuery.

Para saber mais, tente transcrever arquivos de áudio com a função ML.TRANSCRIBE.

Processamento de documentos

É possível usar o processamento de documentos para extrair insights de documentos não estruturados. Por exemplo, a extração de informações relevantes de arquivos de faturas para que elas possam ser inseridas em um software de contabilidade.

Para executar tarefas de processamento de documentos, crie uma referência ao API Document AI criando um modelo remoto, especificando o valor CLOUD_AI_DOCUMENT_V1 para REMOTE_SERVICE_TYPE, e especificar um processador a ser usado para processar o conteúdo do documento. Em seguida, use a função ML.PROCESS_DOCUMENT para processar documentos. ML.PROCESS_DOCUMENT funciona em documentos em tabelas de objetos. Toda inferência ocorre na Vertex AI. Os resultados são armazenados no BigQuery.

Para saber mais, tente processar documentos com a função ML.PROCESS_DOCUMENT.

Visão computacional

É possível usar a visão computacional para realizar tarefas de análise de imagens. Por exemplo, é possível analisar imagens para detectar se elas contêm rostos ou gerar rótulos que descrevam os objetos nelas.

Para executar tarefas de visão computacional, crie uma referência à API Cloud Vision criando um modelo remoto e especificando o valor CLOUD_AI_VISION_V1 para REMOTE_SERVICE_TYPE. Em seguida, use a função ML.ANNOTATE_IMAGE para fazer anotações em imagens usando esse serviço. ML.ANNOTATE_IMAGE trabalha com dados em tabelas de objetos. Toda inferência ocorre na Vertex AI. Os resultados são armazenados no BigQuery.

Para saber mais, tente anotar imagens da tabela de objetos com a função ML.ANNOTATE_IMAGE.

A seguir