Présentation des solutions spécifiques à une tâche

Ce document décrit les fonctionnalités d'intelligence artificielle (IA) compatibles avec BigQuery ML. Ces fonctionnalités vous permettent de développer des solutions spécifiques à une tâche dans BigQuery ML à l'aide des API d'IA Cloud. Les tâches suivantes sont acceptées :

Pour exécuter l'une de ces fonctions, accédez à une API d'IA dans le cloud en créant un modèle distant dans BigQuery ML qui représente le point de terminaison de l'API. Une fois que vous avez créé un modèle distant sur la ressource d'IA que vous souhaitez utiliser, vous accédez aux fonctionnalités de cette ressource en exécutant une fonction BigQuery ML sur le modèle distant.

Cette approche vous permet d'utiliser les fonctionnalités de l'API sous-jacente sans avoir à connaître Python ni à vous familiariser avec l'API.

Workflow

Vous pouvez utiliser des modèles distants basés sur des modèles Vertex AI et des modèles distants basés sur des services Cloud AI conjointement avec des fonctions BigQuery ML afin d'effectuer des tâches d'analyse de données et d'IA générative complexes.

Le schéma suivant illustre certains workflows types dans lesquels vous pouvez utiliser ces fonctionnalités conjointement :

Schéma illustrant les workflows courants pour les modèles distants qui utilisent des modèles Vertex AI ou des services Cloud AI.

Traitement du langage naturel

Vous pouvez utiliser le traitement du langage naturel pour effectuer des tâches telles que la classification et l'analyse des sentiments sur vos données. Par exemple, vous pouvez analyser les commentaires sur les produits pour déterminer si les clients apprécient un produit particulier.

Pour effectuer des tâches de langage naturel, vous pouvez créer une référence à l'API Cloud Natural Language en créant un modèle distant et en spécifiant CLOUD_AI_NATURAL_LANGUAGE_V1 pour la valeur REMOTE_SERVICE_TYPE. Vous pouvez ensuite utiliser la fonction ML.UNDERSTAND_TEXT pour interagir avec ce service. ML.UNDERSTAND_TEXT fonctionne avec les données des tables standards. Toutes les inférences s'effectuent dans Vertex AI. Les résultats sont stockés dans BigQuery.

Pour en savoir plus, essayez de comprendre du texte avec la fonction ML.UNDERSTAND_TEXT.

Traduction automatique

La traduction automatique vous permet de traduire des données textuelles dans d'autres langues (par exemple, traduire les commentaires de clients d'une langue inconnue dans une langue familière).

Pour effectuer des tâches de traduction automatique, vous pouvez créer une référence à l'API Cloud Translation en créant un modèle distant et en spécifiant CLOUD_AI_TRANSLATE_V3 pour la valeur REMOTE_SERVICE_TYPE. Vous pouvez ensuite utiliser la fonction ML.TRANSLATE pour interagir avec ce service. ML.TRANSLATE fonctionne avec les données des tables standards. Toutes les inférences s'effectuent dans Vertex AI. Les résultats sont stockés dans BigQuery.

Pour en savoir plus, essayez de traduire du texte avec la fonction ML.TRANSLATE.

Transcription audio

Vous pouvez utiliser la transcription audio pour transcrire des fichiers audio en texte écrit. Par exemple, la transcription d'un message vocal en SMS.

Pour effectuer des tâches de transcription audio, vous pouvez créer une référence à l'API Speech-to-Text en créant un modèle distant et en spécifiant CLOUD_AI_SPEECH_TO_TEXT_V2 pour la valeur REMOTE_SERVICE_TYPE. Vous pouvez éventuellement spécifier un outil de reconnaissance à utiliser pour traiter le contenu audio. Vous pouvez ensuite utiliser la fonction ML.TRANSCRIBE pour transcrire des fichiers audio. ML.TRANSCRIBE fonctionne avec les fichiers audio des tables d'objets. Toutes les inférences s'effectuent dans Vertex AI. Les résultats sont stockés dans BigQuery.

Pour en savoir plus, essayez de transcrire des fichiers audio avec la fonction ML.TRANSCRIBE.

Traitement de documents

Vous pouvez utiliser le traitement de documents pour extraire des insights à partir de documents non structurés. Par exemple, extraire des informations pertinentes de fichiers de facture afin de pouvoir les saisir dans un logiciel de comptabilité.

Pour effectuer des tâches de traitement de documents, vous pouvez créer une référence à l'API Document AI en créant un modèle distant, en spécifiant CLOUD_AI_DOCUMENT_V1 pour la valeur REMOTE_SERVICE_TYPE, et en spécifiant un processeur à utiliser pour traiter le contenu du document. Vous pouvez ensuite utiliser la fonction ML.PROCESS_DOCUMENT pour traiter les documents. ML.PROCESS_DOCUMENT fonctionne sur les documents des tables d'objets. Toutes les inférences s'effectuent dans Vertex AI. Les résultats sont stockés dans BigQuery.

Pour en savoir plus, essayez de traiter des documents avec la fonction ML.PROCESS_DOCUMENT.

Vision par ordinateur

La vision par ordinateur vous permet d'effectuer des tâches d'analyse d'images. Par exemple, vous pouvez analyser des images pour détecter si elles contiennent des visages ou générer des étiquettes décrivant les objets de l'image.

Pour effectuer des tâches de vision par ordinateur, vous pouvez créer une référence à l'API Cloud Vision en créant un modèle distant et en spécifiant CLOUD_AI_VISION_V1 pour la valeur REMOTE_SERVICE_TYPE. Vous pouvez ensuite utiliser la fonction ML.ANNOTATE_IMAGE pour annoter des images à l'aide de ce service. ML.ANNOTATE_IMAGE fonctionne avec les données des tables d'objets. Toutes les inférences s'effectuent dans Vertex AI. Les résultats sont stockés dans BigQuery.

Pour en savoir plus, essayez d'annoter des images de table d'objets avec la fonction ML.ANNOTATE_IMAGE.

Étapes suivantes