Introduzione all'AI e al machine learning in BigQuery

BigQuery ML consente di creare ed eseguire modelli di machine learning (ML) utilizzando query GoogleSQL. I modelli BigQuery ML vengono archiviati nei set di dati BigQuery, in modo simile a tabelle e viste. BigQuery ML ti consente inoltre di accedere ai modelli Vertex AI e alle API Cloud AI per eseguire attività di intelligenza artificiale (IA) come la generazione di testo o la traduzione automatica. Gemini per Google Cloud fornisce anche assistenza basata sull'AI per le attività di BigQuery. Per visualizzare un elenco di funzionalità basate sull'AI in BigQuery, consulta la panoramica di Gemini in BigQuery.

In genere, l'esecuzione di ML o AI su set di dati di grandi dimensioni richiede una vasta conoscenza della programmazione e dei framework ML. Questi requisiti limitano lo sviluppo della soluzione a un gruppo molto ristretto di persone all'interno di ogni azienda ed escludono gli analisti di dati che comprendono i dati, ma hanno conoscenze limitate di ML e programmazione. Tuttavia, con BigQuery ML, gli esperti di SQL possono utilizzare gli strumenti e le competenze SQL esistenti per creare e valutare i modelli e generare risultati da LLM e API Cloud AI.

Puoi utilizzare le funzionalità di BigQuery ML utilizzando quanto segue:

Vantaggi di BigQuery ML

BigQuery ML offre diversi vantaggi rispetto ad altri approcci all'utilizzo di ML o AI con un data warehouse basato su cloud:

  • BigQuery ML democratizza l'utilizzo del machine learning e dell'IA in quanto permette ai data analyst, gli utenti principali del data warehouse, di creare ed eseguire modelli utilizzando fogli di lavoro e strumenti di business intelligence esistenti. L'analisi predittiva può guidare il processo decisionale aziendale in tutta l'organizzazione.
  • Non è necessario programmare una soluzione di ML o AI utilizzando Python o Java. Puoi addestrare i modelli e accedere alle risorse di AI utilizzando SQL, un linguaggio familiare agli analisti di dati.

  • BigQuery ML aumenta la velocità di sviluppo e di innovazione dei modelli eliminando la necessità di spostare i dati dal data warehouse. BigQuery ML, invece, porta l'ML ai dati, offrendo i seguenti vantaggi:

    • Complessità ridotta perché sono necessari meno strumenti.
    • Aumento della velocità di produzione perché non è necessario spostare e formattare grandi quantità di dati per i framework ML basati su Python per addestrare un modello in BigQuery.

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

IA generativa e modelli preaddestrati

Puoi utilizzare modelli remoti per accedere ai modelli Vertex AI e alle API Cloud AI da BigQuery ML per eseguire le seguenti attività:

Modelli supportati

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

Modelli addestrati internamente

I seguenti modelli sono integrati in BigQuery ML:

  • L'analisi del contributo (Anteprima) serve a determinare l'effetto di una o più dimensioni sul valore di una determinata metrica. Ad esempio, puoi vedere l'effetto della posizione del negozio e della data di vendita sulle entrate del negozio. Per ulteriori informazioni, consulta la panoramica dell'analisi dei contributi.
  • La regressione lineare consente di prevedere il valore di una metrica numerica per i nuovi dati utilizzando un modello addestrato su dati remoti simili. Le etichette sono di tipo reale, il che significa che non possono essere infinito positivo, infinito negativo o NaN (Not a Number).
  • La regressione logistica è utilizzata per la classificazione di due o più valori possibili, ad esempio se un input è low-value, medium-value o high-value. Le etichette possono avere fino a 50 valori univoci.
  • Il clustering K-means è destinato alla segmentazione dei dati. Ad esempio, questo modello identifica i segmenti di clienti. K-means è una tecnica di apprendimento non supervisionato, pertanto l'addestramento del modello non richiede etichette o dati suddivisi per l'addestramento o la valutazione.
  • La fattorizzazzione matriciale è utilizzata per creare sistemi di consigli sui prodotti. Puoi creare consigli sui prodotti utilizzando il comportamento storico dei clienti, le transazioni e le valutazioni dei prodotti, per poi utilizzarli per esperienze personalizzate dei clienti.
  • L'analisi delle componenti principali (PCA) è il processo di calcolo delle componenti principali e del loro utilizzo per eseguire una variazione di base nei dati. Viene comunemente utilizzato per la riduzione della dimensionalità proiettando ogni punto dati solo sui primi componenti principali per ottenere dati di dimensioni inferiori, preservando al contempo il più possibile la variazione dei dati.
  • Serie temporali è per eseguire previsioni delle serie temporali. Puoi utilizzare questa funzionalità per creare milioni di modelli di serie temporali e utilizzarli per le previsioni. Il modello gestisce automaticamente anomalie, stagionalità e festività.

Puoi eseguire un simulacro sulle istruzioni CREATE MODEL per i modelli addestrati internamente per ottenere una stima della quantità di dati che verranno elaborati se li esegui.

Modelli addestrati esternamente

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

  • La rete neurale profonda (DNN) è utilizzata per creare reti neurali profonde basate su TensorFlow per i modelli di classificazione e regressione.
  • Wide & Deep è utile per problemi generici di regressione e classificazione su larga scala con input sparsi (caratteristiche categoriche con un elevato numero di possibili valori per caratteristica), come motori per suggerimenti, ricerca e problemi di classificazione.
  • Autoencoder è destinato alla 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 di anomalie non supervisionato e la riduzione della dimensionalità non lineare.
  • Boosted Tree serve per creare modelli di classificazione e regressione basati su XGBoost.
  • La foresta casuale consente di costruire alberi decisionali con più metodi di apprendimento per la classificazione, la regressione e altre attività durante l'addestramento.
  • AutoML è un servizio di ML supervisionato che crea ed esegue il deployment di modelli di classificazione e regressione su dati tabulari con elevata velocità e scalabilità.

Non puoi eseguire un esercizio guidato sulle istruzioni CREATE MODEL per i modelli addestrati esternamente per ottenere una stima della quantità di dati che verranno elaborati se li esegui.

Modelli remoti

Puoi creare modelli remoti in BigQuery che utilizzano modelli di cui è stato eseguito il deployment in Vertex AI. Fai riferimento al modello di cui è stato eseguito il deployment specificando il suo endpoint HTTPS nell'istruzione CREATE MODEL del modello remoto.

Le istruzioni CREATE MODEL per i modelli remoti non elaborano byte e non comportano addebiti di BigQuery.

Modelli importati

BigQuery ML ti consente di importare modelli personalizzati addestrati al di fuori di BigQuery ed eseguire previsioni al suo interno. Puoi importare i seguenti modelli in BigQuery da Cloud Storage:

  • Open Neural Network Exchange (ONNX) è un formato standard aperto per la rappresentazione dei modelli ML. Con ONNX, puoi rendere disponibili in BigQuery ML i modelli addestrati con framework di ML comuni come PyTorch e scikit-learn.
  • TensorFlow è una libreria software gratuita e open source per il ML e l'IA. Puoi utilizzare TensorFlow per una serie di attività, ma è incentrato in modo particolare sull'addestramento e sull'inferenza delle reti neurali profonde. Puoi caricare i modelli TensorFlow addestrati in precedenza in BigQuery come 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 edge. TensorFlow ottimizza i modelli TensorFlow esistenti per ridurre le dimensioni dei modelli e per l'inferenza più rapida.
  • XGBoost è una libreria di boosting del gradiente distribuito ottimizzata progettata per essere altamente efficiente, flessibile e portabile. Implementa algoritmi di ML nel framework di boosting del gradiente.

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

In BigQuery ML, puoi utilizzare un modello con i dati di 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 eseguire. Scarica l'albero decisionale per la selezione del modello.

BigQuery ML e Vertex AI

BigQuery ML si integra con Vertex AI, la piattaforma end-to-end per l'AI e il ML in Google Cloud. Puoi registrare i tuoi modelli BigQuery ML in Model Registry per eseguirne il deployment negli endpoint per le previsioni online. Per ulteriori informazioni, consulta quanto segue:

BigQuery ML e Colab Enterprise

Ora puoi utilizzare i notebook Colab Enterprise per eseguire flussi di lavoro di ML in BigQuery. Notebooks ti consentono di utilizzare SQL, Python e altri linguaggi e librerie di uso comune per svolgere le tue attività di ML. Per ulteriori informazioni, vedi Creare notebook.

Aree geografiche supportate

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

Prezzi

Ti vengono addebitate le risorse di calcolo che utilizzi per addestrare i modelli e per eseguire query sui modelli. Il tipo di modello che crei influisce sul luogo in cui viene addestrato e sui prezzi applicabili a questa operazione. Le query contro i modelli vengono sempre eseguite in BigQuery e utilizzano i prezzi di calcolo di BigQuery. Poiché i modelli remoti effettuano chiamate ai modelli Vertex AI, anche le query sui modelli remoti comportano addebiti da Vertex AI.

Ti vengono addebitati gli importi per lo spazio di archiviazione utilizzato dai modelli addestrati in base ai prezzi di archiviazione di BigQuery.

Per ulteriori informazioni, consulta Prezzi di BigQuery ML.

Quote

Oltre ai limiti specifici di BigQuery ML, le query che utilizzano le funzioni e le istruzioni CREATE MODEL di BigQuery ML sono soggette alle quote e ai limiti dei job di query di BigQuery.

Limitazioni

Passaggi successivi