Aufgabenspezifische Lösungen – Übersicht
In diesem Dokument werden die von BigQuery ML unterstützten Anwendungs-Features für künstliche Intelligenz (KI) erläutert. Mit diesen Features können Sie mithilfe von Cloud AI APIs aufgabenspezifische Lösungen in BigQuery ML entwickeln. Zu den unterstützten Aufgaben gehören folgende:
- Natural Language Processing
- Maschinelle Übersetzung
- Audiotranskript
- Dokumentverarbeitung
- Maschinelles Sehen
Sie greifen auf eine Cloud AI API zu, um eine dieser Funktionen auszuführen. Dazu erstellen Sie ein Remote-Modell in BigQuery ML, das den API-Endpunkt darstellt. Nachdem Sie ein Remote-Modell für die KI-Ressource erstellt haben, die Sie verwenden möchten, können Sie die Funktionalität dieser Ressource nutzen. Dazu führen Sie eine BigQuery ML-Funktion für das Remote-Modell aus.
Auf diese Weise können Sie die Funktionen der zugrunde liegenden API verwenden, ohne Python kennen oder sich mit der API vertraut machen zu müssen.
Workflow
Sie können Remote-Modelle über Vertex AI-Modelle und Remote-Modelle über Cloud AI-Dienste zusammen mit BigQuery ML-Funktionen zum Ausführen komplexer Datenanalyse- und generativer KI-Aufgaben verwenden.
Das folgende Diagramm zeigt einige typische Workflows, in denen Sie diese Funktionen zusammen verwenden können:
Natural Language Processing
Sie können mit Natural Language Processing Aufgaben wie Klassifizierung und Sentimentanalyse für Ihre Daten ausführen. Beispielsweise lässt sich so Produktfeedback analysieren, um festzustellen, ob Kunden ein bestimmtes Produkt mögen.
Für Aufgaben mit natürlicher Sprache können Sie einen Verweis auf die Cloud Natural Language API erstellen. Dazu legen Sie ein Remote-Modell an und geben CLOUD_AI_NATURAL_LANGUAGE_V1
für den Wert REMOTE_SERVICE_TYPE
an. Sie können dann mit der Funktion ML.UNDERSTAND_TEXT
diesen Dienst interaktiv nutzen. ML.UNDERSTAND_TEXT
funktioniert mit Daten in Standardtabellen. Alle Inferenzen treten in Vertex AI auf. Die Ergebnisse werden in BigQuery gespeichert.
Weitere Informationen finden Sie unter Text mit der Funktion ML.UNDERSTAND_TEXT
verstehen.
Maschinelle Übersetzung
Sie können mithilfe der maschinellen Übersetzung Textdaten in andere Sprachen übersetzen. Beispielsweise lässt sich damit Kundenfeedback aus einer unbekannten Sprache in eine vertraute Sprache übersetzen.
Für Aufgaben der maschinellen Übersetzung können Sie einen Verweis auf die Cloud Translation API erstellen. Dazu legen Sie ein Remote-Modell an und geben CLOUD_AI_TRANSLATE_V3
für den Wert REMOTE_SERVICE_TYPE
an. Sie können dann mit der Funktion ML.TRANSLATE
diesen Dienst interaktiv nutzen. ML.TRANSLATE
funktioniert mit Daten in Standardtabellen. Alle Inferenzen treten in Vertex AI auf. Die Ergebnisse werden in BigQuery gespeichert.
Weitere Informationen finden Sie unter Text mit der Funktion ML.TRANSLATE
übersetzen.
Audiotranskript
Sie können Audiotranskriptionen verwenden, um Audiodateien in geschriebenen Text zu transkribieren. Beispielsweise können Sie eine Aufzeichnung einer Mailboxnachricht in eine SMS transkribieren.
Für Aufgaben mit Audiotranskriptionen können Sie einen Verweis auf die Speech-to-Text API erstellen. Dazu legen Sie ein Remote-Modell an und geben CLOUD_AI_SPEECH_TO_TEXT_V2
für den Wert REMOTE_SERVICE_TYPE
an. Sie können optional eine Erkennung angeben, mit der die Audioinhalte verarbeitet werden. Sie können dann Audiodateien mit der Funktion ML.TRANSCRIBE
transkribieren. ML.TRANSCRIBE
funktioniert mit Audiodateien in Objekttabellen. Alle Inferenzen treten in Vertex AI auf. Die Ergebnisse werden in BigQuery gespeichert.
Weitere Informationen finden Sie unter Audiodateien mit der Funktion ML.TRANSCRIBE
transkribieren.
Dokumentverarbeitung
Mit der Dokumentverarbeitung können Sie Erkenntnisse aus unstrukturierten Dokumenten beziehen. Zum Beispiel das Extrahieren relevanter Informationen aus Rechnungsdateien, damit sie in Buchhaltungssoftware eingegeben werden können.
Für Aufgaben mit Dokumentverarbeitung können Sie einen Verweis auf die Document AI API erstellen. Dazu legen Sie ein Remote-Modell an, geben CLOUD_AI_DOCUMENT_V1
für den REMOTE_SERVICE_TYPE
-Wert an und geben einen Prozessor an, mit dem der Dokumentinhalt verarbeitet wird. Anschließend können Sie mit der Funktion ML.PROCESS_DOCUMENT
Dokumente verarbeiten. ML.PROCESS_DOCUMENT
funktioniert mit Dokumenten in Objekttabellen. Alle Inferenzen treten in Vertex AI auf. Die Ergebnisse werden in BigQuery gespeichert.
Weitere Informationen finden Sie unter Dokumente mit der Funktion ML.PROCESS_DOCUMENT
verarbeiten.
Maschinelles Sehen
Mithilfe von maschinellem Sehen können Sie Bildanalysen ausführen. Beispielsweise lässt sich damit ermitteln, ob Bilder Gesichter enthalten, oder es lassen sich Labels generieren, die die Objekte im Bild beschreiben.
Für Aufgaben mit maschinellem Sehen können Sie einen Verweis auf die Cloud Vision API erstellen. Dazu legen Sie ein Remote-Modell an und geben CLOUD_AI_VISION_V1
für den Wert REMOTE_SERVICE_TYPE
an. Sie können dann mithilfe der Funktion ML.ANNOTATE_IMAGE
Bilder mit diesem Dienst annotieren. ML.ANNOTATE_IMAGE
funktioniert mit Daten in Objekttabellen. Alle Inferenzen treten in Vertex AI auf. Die Ergebnisse werden in BigQuery gespeichert.
Weitere Informationen finden Sie unter Objekttabellenbilder mit der Funktion ML.ANNOTATE_IMAGE
annotieren.
Nächste Schritte
- Weitere Informationen zum Ausführen von Inferenzen für Modelle von maschinellem Lernen finden Sie unter Modellinferenz – Übersicht.