Introduzione all'IA e al ML in BigQuery

BigQuery ML ti consente Creare ed eseguire modelli di machine learning (ML) utilizzando le query GoogleSQL. Ti permette inoltre di accedere Modelli Vertex AI e API Cloud AI per eseguire di machine learning (AI) come la generazione di testi una traduzione automatica. Gemini per Google Cloud offre inoltre soluzioni basate sull'AI assistenza per le attività di BigQuery. Per visualizzare un elenco AI in BigQuery, consulta Panoramica di Gemini in BigQuery.

Di solito, l'esecuzione di ML o AI su set di dati di grandi dimensioni richiede un'ampia programmazione e la conoscenza dei framework ML. Questi requisiti limitano lo sviluppo delle soluzioni a un gruppo molto ristretto di persone all'interno di ogni azienda ed escludendo i dati analisti che comprendono i dati ma hanno conoscenze e programmazione ML limitate competenza. Tuttavia, con BigQuery ML, i professionisti SQL possono usare le competenze e gli strumenti SQL esistenti per creare e valutare i modelli e generare da LLM e API di IA su Cloud.

Puoi lavorare con le funzionalità di BigQuery ML utilizzando seguenti:

  • Nella console Google Cloud
  • Lo strumento a riga di comando bq
  • L'API REST di BigQuery
  • Integrato Blocchi note Colab Enterprise in BigQuery
  • Strumenti esterni come un blocco note Jupyter o una piattaforma di business intelligence

Vantaggi di BigQuery ML

BigQuery ML offre diversi vantaggi rispetto ad altri approcci alla utilizzando il machine learning o AI con un data warehouse basato su cloud:

  • BigQuery ML democratizza l'uso di ML e AI potenziando i dati gli analisti, i principali utenti di data warehouse, per creare ed eseguire modelli utilizzando fogli di lavoro e strumenti di business intelligence esistenti. Analisi predittiva possono guidare il processo decisionale aziendale in tutta l'organizzazione.
  • Non è necessario programmare una soluzione ML o AI utilizzando Python o Java. Tu addestrare modelli e accedere alle risorse AI mediante SQL, familiari agli analisti di dati.

  • BigQuery ML aumenta la velocità di sviluppo dei modelli innovazione eliminando la necessità di spostare i dati dal data warehouse. BigQuery ML integra il machine learning nei dati, il che offre i seguenti vantaggi:

    • Complessità ridotta perché sono necessari meno strumenti.
    • Maggiore velocità di produzione a causa dello spostamento e della formattazione di grandi quantità di dati per framework ML basati su Python non sono necessari per addestrare un modello in BigQuery.

    Per ulteriori informazioni, guarda il video Come accelerare lo sviluppo del machine learning con BigQuery ML.

Risorse IA supportate

Puoi utilizzare modelli remoti per accedere a risorse AI come gli LLM da BigQuery ML. BigQuery ML supporta le seguenti risorse di AI:

Modelli supportati

Un modello in BigQuery ML rappresenta ciò che un sistema ML ha appreso dai dati di addestramento. Le seguenti sezioni descrivono i tipi di modelli supportate da BigQuery ML.

Modelli addestrati internamente

I seguenti modelli sono integrati in BigQuery ML:

  • Regressione lineare per le previsioni. Ad esempio, questo modello prevede le vendite di un articolo su un dato giorno. Le etichette sono a valore reale, nel senso che non possono essere all'infinito positivo infinito negativo o valore NaN (non un numero).
  • Regressione logistica riguarda la classificazione di due o più valori possibili, ad esempio se un l'input è low-value, medium-value o high-value. Le etichette possono avere fino a 50 valori univoci.
  • Cluster K-means riguarda la segmentazione dei dati. Ad esempio, questo modello identifica segmenti. K-means è una tecnica di apprendimento non supervisionato, quindi non richiede etichette né la suddivisione dei dati per l'addestramento o la valutazione.
  • Fattorizzazione matriciale è la creazione di sistemi di suggerimenti sui prodotti. Puoi creare prodotti suggerimenti sulla base di dati storici su comportamento dei clienti, transazioni e prodotti le tue valutazioni, poi usa questi consigli per creare ed esperienze variegate.
  • Analisi delle componenti principali (PCA) il processo di calcolo delle componenti principali e il loro utilizzo eseguire un cambio di base sui dati. È comunemente usato per la dimensionalità di riduzione del traffico proiettando ogni punto dati solo sulle prime entità per ottenere dati a bassa dimensionalità preservando la maggior parte dei la variazione dei dati.
  • Serie temporali consente di eseguire previsioni di serie temporali. Puoi usare questa funzionalità per creare milioni di modelli di serie temporali e utilizzarli per effettuare previsioni. Il modello gestisce automaticamente anomalie, stagionalità e festività.

Puoi eseguire una prova sulla Istruzioni CREATE MODEL per i modelli addestrati internamente per ottenere una stima e la quantità di dati che elaboreranno se li esegui.

Modelli addestrati esternamente

I seguenti modelli sono esterni a BigQuery ML e sono addestrati in Vertex AI -

  • DNN (Deep Neural Network) è la creazione di reti neurali profonde basate su TensorFlow di classificazione e regressione.
  • Grandangolare e Profondo è utile per problemi generici di regressione e classificazione su larga scala con input sparsi (caratteristiche categoriche con un gran numero di possibili valori per le caratteristiche), come il motore per suggerimenti sistemi, ricerca e ranking.
  • Codificatore automatico è la creazione di modelli basati su TensorFlow, con il supporto di rappresentazioni di dati sparsi. Puoi utilizzare i modelli in BigQuery ML per attività come il rilevamento non supervisionato di anomalie e la riduzione della dimensionalità non lineare.
  • Albero potenziato è quello di creare modelli di classificazione e regressione basati su XGBoost.
  • Foresta casuale è la creazione di più alberi decisionali dei metodi di apprendimento la classificazione, la regressione e altre attività durante l'addestramento.
  • AutoML è un servizio ML supervisionato che crea ed esegue il deployment di regressione lineare su dati tabulari ad alta velocità e scalabilità.

Non puoi eseguire una prova sulla Istruzioni CREATE MODEL per i modelli addestrati esternamente per ottenere una stima e la quantità di dati che elaboreranno se li esegui.

Modelli remoti

Puoi creare modelli remoti e BigQuery che utilizzano modelli di cui è stato eseguito il deployment in Vertex AI. Per fare riferimento al modello di cui hai eseguito il deployment, devi specificare Endpoint HTTPS nell'istruzione CREATE MODEL del modello remoto.

Le istruzioni CREATE MODEL per i modelli remoti non elaborano alcun byte, non comportano addebiti per BigQuery.

Modelli importati

BigQuery ML ti consente di importare modelli personalizzati addestrati all'esterno di BigQuery ed eseguire la previsione in BigQuery. Puoi importare i seguenti modelli in: BigQuery da Cloud Storage

  • ONNX (Open Neural Network Exchange) è un formato standard aperto per la rappresentazione dei modelli ML. Utilizzo ONNX, puoi creare modelli addestrati con i framework ML più diffusi come PyTorch e scikit-learn, disponibili in BigQuery ML.
  • TensorFlow è una libreria software open source gratuita per ML e intelligenza artificiale. Puoi utilizzare TensorFlow in una serie di attività, ma si concentra in particolare sulla formazione l'inferenza delle reti neurali profonde. Puoi caricare i dati addestrati in precedenza i modelli TensorFlow vengono trasferiti in BigQuery modelli BigQuery ML ed eseguire la previsione in BigQuery ML.
  • TensorFlow Lite è una versione leggera di TensorFlow per il deployment su dispositivi mobili microcontroller e altri dispositivi periferici. TensorFlow ottimizza i modelli TensorFlow esistenti per ridurre le dimensioni dei modelli un'inferenza più veloce.
  • XGBoost è una libreria di potenziamento del gradiente distribuito ottimizzata, progettata per essere efficienti, flessibili e portabili. Implementa gli algoritmi ML sotto l'incremento del gradiente il modello di machine learning.

Le istruzioni CREATE MODEL per i modelli importati non elaborano alcun byte e non comportano addebiti per BigQuery.

In BigQuery ML, puoi utilizzare un modello con dati provenienti da più Set di dati BigQuery per l'addestramento e la previsione.

Guida alla selezione del modello

Questo albero decisionale mappa i modelli ML alle azioni che vuoi realizzare. Scarica l'albero decisionale per la selezione del modello.

BigQuery ML e Vertex AI

BigQuery ML si integra con Vertex AI, che è una piattaforma end-to-end per AI e ML in Google Cloud. Quando registri i tuoi di modelli BigQuery ML in Model Registry, eseguire il deployment di questi modelli negli endpoint per fare previsioni online. Per ulteriori informazioni informazioni, consulta le seguenti risorse:

BigQuery ML e Colab Enterprise

Ora puoi usare i blocchi note Colab Enterprise per eseguire attività di ML flussi di lavoro in BigQuery. Notebooks consentono di usare SQL, Python e altri linguaggi e librerie popolari per svolgere le tue attività di ML. Per ulteriori informazioni, consulta la sezione Creare blocchi note.

Aree geografiche supportate

BigQuery ML è supportato nelle stesse regioni in in BigQuery. Per ulteriori informazioni, vedi Località di BigQuery ML.

Prezzi

I modelli BigQuery ML vengono archiviati in set di dati BigQuery come tabelle e viste. Per informazioni sui prezzi di BigQuery ML, vedi Prezzi di BigQuery ML.

Per i prezzi dell'archiviazione in BigQuery, vedi Prezzi dell'archiviazione.

Per i prezzi delle query in BigQuery ML, consulta Prezzi delle query.

Quote

Oltre a Limiti specifici di BigQuery ML, che usano le funzioni di BigQuery ML e CREATE MODEL sono soggette alle quote e ai limiti di BigQuery job di query.

Limitazioni

Passaggi successivi