Percorso dell'utente end-to-end per ogni modello

BigQuery ML supporta una serie di modelli di machine learning e un flusso completo di machine learning per ogni modello, ad esempio preelaborazione delle funzionalità, creazione del modello, ottimizzazione degli iperparametri, inferenza, valutazione ed esportazione del modello. Il flusso di apprendimento automatico per i modelli è suddiviso nelle seguenti due tabelle:

• Fase di creazione del modello
• Fase di utilizzo del modello

Fase di creazione del modello

Categoria del modello	Tipi di modelli	Creazione del modello	Pre-elaborazione delle funzionalità	Ottimizzazione degli iperparametri	Pesi del modello	Informazioni su funzionalità e formazione	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	regressione classificazione
	Reti neurali profonde (DNN)	create model			N/D^5		N/D
	Reti Wide and Deep	create model			N/D^5		N/D
	Modelli boosted tree	create model			N/D^5		N/D
	Foresta casuale	create model			N/D^5		N/D
	Classificazione e regressione AutoML	create model	N/D^3	N/D^3	N/D^5		N/D
Apprendimento non supervisionato	K-means	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	raggruppare le stazioni di ricarica delle biciclette
	fattorizzazione matriciale	create model	N/D	Ottimizzazione HP^2 ml.trial_info	ml.weights		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	N/D	ml.principal_ components, ml.principal_ component_info		N/D
	Autoencoder	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	N/D^5		N/D
Modelli di serie temporali	ARIMA_PLUS	create model	Pre-elaborazione automatica	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	serie singola multi-serie Milioni di serie festività personalizzate limita i valori previsti Previsione di serie temporali gerarchiche
	ARIMA_PLUS_XREG	create model	Pre-elaborazione automatica	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	Previsione di una singola serie temporale
Modelli di IA generativa remoti	Modello remoto su un modello di generazione di testo di Vertex AI^6	create model	N/D	N/A	N/A	N/D	genera testo con il modello remoto Utilizzare l'ottimizzazione e la valutazione per migliorare il rendimento degli LLM
	Modello remoto su un modello di generazione di embedding di Vertex AI^6	create model	N/D	N/A	N/A	N/D	generare incorporamenti di testo con un modello remoto Genera incorporamenti di immagini con un modello remoto generare ed eseguire ricerche di embedding multimodali
Modelli di AI remote	Modello remoto tramite l'API Cloud Vision	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Translation	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Document AI	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	create model	N/D	N/A	N/A	N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	create model	N/D	N/A	N/A	N/D	predici con il modello remoto
Modelli importati	TensorFlow	create model	N/D	N/A	N/A	N/D	prendi_previsione con il modello TensorFlow importato
	TensorFlow Lite	create model	N/D	N/A	N/A	N/A	N/D
	Open Neural Network Exchange (ONNX)	create model	N/D	N/A	N/A	N/D	Eseguire previsioni con i modelli scikit-learn in formato ONNX Eseguire previsioni con modelli PyTorch in formato ONNX
	XGBoost	create model	N/D	N/A	N/A	N/A	N/D
Modelli solo di trasformazione^7	Solo trasformazione	create model	Preelaborazione manuale^1	N/D	N/D	ml.feature_info	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	create model	Pre-elaborazione manuale	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ Consulta il tutorial sulla clausola TRANSFORM per il feature engineering. Per ulteriori informazioni sulle funzioni di preelaborazione, consulta il tutorial BQML - Funzioni di feature engineering.

² Consulta il tutorial sull'utilizzo dell'ottimizzazione degli iperparametri per migliorare le prestazioni del modello.

³La feature engineering automatica e l'ottimizzazione degli iperparametri sono integrate per impostazione predefinita nell'addestramento del modello AutoML.

⁴L'algoritmo auto.ARIMA esegue l'ottimizzazione degli iperparametri per il modulo di tendenza. L'ottimizzazione degli iperparametri non è supportata per l'intera pipeline di modellazione. Per ulteriori dettagli, consulta la pipeline di modellazione.

⁵BigQuery ML non supporta le funzioni che recuperano i pesi per gli alberi con boosting, le foreste casuali, le DNN, i modelli Wide and Deep, gli autoencoder o gli AutoML. Per visualizzare i pesi di questi modelli, puoi esportare un modello esistente da BigQuery ML in Cloud Storage e utilizzare la libreria XGBoost o la libreria TensorFlow per visualizzare la struttura ad albero per i modelli ad albero o la struttura del grafico per le reti neurali. Per ulteriori informazioni, consulta la documentazione di EXPORT MODEL e il tutorial di EXPORT MODEL.

⁶Utilizza un modello di base Vertex AI o lo personalizza utilizzando l'ottimizzazione supervisionata.

⁷Non si tratta di un modello ML tipico, ma piuttosto di un artefatto che trasforma i dati non elaborati in funzionalità.

Fase di utilizzo del modello

Categoria del modello	Tipi di modelli	Valutazione	Inferenza	Spiegazione dell'IA	Monitoraggio del modello	Esportazione del modello	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	ml.evaluate ml.confusion_matrix^1 ml.roc_curve^2	ml.predict ml.transform	ml.explain_predict^3 ml.global_explain ml.advanced_weights^8	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model^5	regressione classificazione
	Reti neurali profonde (DNN)						N/D
	Reti Wide and Deep						N/D
	Modelli boosted tree			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			N/D
	Foresta casuale						N/D
	Classificazione e regressione AutoML		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/D
Apprendimento non supervisionato	K-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/D	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model^5	raggruppare le stazioni di ricarica delle biciclette
	fattorizzazione matriciale		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)		ml.predict ml.generate_embedding ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		N/D
	Autoencoder		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				N/D
Modelli di serie temporali	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	serie singola multi-serie Milioni di serie festività personalizzate limita i valori previsti Previsione di serie temporali gerarchiche
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		previsioni multivariate
Modelli di IA generativa remoti	Modello remoto su un modello di generazione di testo Vertex AI^9	ml.evaluate^11 (anteprima)	ml.generate_text	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	genera testo con il modello remoto Utilizzare l'ottimizzazione e la valutazione per migliorare il rendimento degli LLM
	Modello remoto su un modello di generazione di embedding di Vertex AI^9	N/D	ml.generate_embedding	N/D		N/D	generare incorporamenti di testo con un modello remoto Genera incorporamenti di immagini con un modello remoto generare ed eseguire ricerche di embedding multimodali
Modelli di AI remote	Modello remoto tramite l'API Cloud Vision	N/D	ml.annotate_image	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	N/D
	Modello remoto tramite l'API Cloud Translation	N/D	ml.translate	N/D		N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	N/D	ml.understand_text	N/D		N/A	N/D
	Modello remoto tramite l'API Document AI	N/D	ml.process_document	N/D		N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	N/D	ml.transcribe	N/D		N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	predici con il modello remoto
Modelli importati	TensorFlow	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	export model^5	prendi_previsione con il modello TensorFlow importato
	TensorFlow Lite	N/D	ml.predict	N/D		N/A	N/D
	Open Neural Network Exchange (ONNX)	N/D	ml.predict	N/D		N/D	Eseguire previsioni con i modelli scikit-learn in formato ONNX Eseguire previsioni con modelli PyTorch in formato ONNX
	XGBoost	N/D	ml.predict	N/D		N/A	N/D
Modelli solo di trasformazione^10	Solo trasformazione	N/D	ml.transform	N/D	N/D	export model^5	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	N/D	ml.get_insights	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ml.confusion_matrix è applicabile solo ai modelli di classificazione.

²ml.roc_curve è applicabile solo ai modelli di classificazione binaria.

³ml.explain_predict è una versione estesa di ml.predict. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_predict, consulta il tutorial sulla regressione e il tutorial sulla classificazione.

⁴Per la differenza tra ml.global_explain e ml.feature_importance, consulta Panoramica di Explainable AI.

⁵ Consulta il tutorial Esporta un modello BigQuery ML per la previsione online. Per ulteriori informazioni sulla pubblicazione online, consulta il tutorial BQML - Crea modello con trasposizione in linea.

⁶Per i modelli ARIMA_PLUS o ARIMA_PLUS_XREG, ml.evaluate può accettare nuovi dati come input per calcolare le metriche di previsione, come l'errore percentuale medio assoluto (MAPE). In assenza di nuovi dati, ml.evaluate ha una versione estesa ml.arima_evaluate che genera informazioni di valutazione diverse.

⁷ml.explain_forecast è una versione estesa di ml.forecast. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_forecast, consulta i passaggi per visualizzare i risultati dei tutorial sulla previsione di una singola serie temporale e sulla previsione di più serie temporali.

⁸ml.advanced_weights è una versione estesa di ml.weights. Per ulteriori dettagli, consulta ml.advanced_weights.

⁹Utilizza un modello di base Vertex AI o lo personalizza utilizzando l'ottimizzazione supervisionata.

¹⁰Non si tratta di un modello ML tipico, ma piuttosto di un artefatto che trasforma i dati non elaborati in funzionalità.

¹¹Non supportato per tutti gli LLM di Vertex AI. Per ulteriori informazioni, consulta la sezione ml.evaluate.