Jornada do usuário completa para cada modelo

O BigQuery ML é compatível com uma variedade de modelos de machine learning e um fluxo completo de machine learning para cada modelo, como pré-processamento de atributos, criação de modelos, ajuste de hiperparâmetros, inferência, avaliação, exportação de modelos e assim por diante. O fluxo de machine learning para os modelos é dividido nas duas tabelas a seguir:

Fase de criação de modelos
Fase de uso do modelo

Fase de criação de modelos

Categoria do modelo	Tipos de modelos	Criação de modelos	Pré-processamento de recursos	Ajuste de hiperparâmetros	Pesos do modelo	Informações de recurso e treinamento	Tutoriais
Aprendizado supervisionado	Regressão linear e logística	Criar modelo	Pré-processamento automático, Pré-processamento manual¹	Ajuste de HP² ml.trial_info	ml.weights	ml.feature_info ml.training_info	regressão classificação
	Redes neurais profundas (DNN)	Criar modelo			N/A⁵		N/A
	Redes amplas e profundas	Criar modelo			N/A⁵		N/A
	Árvores aprimoradas	Criar modelo			N/A⁵		N/A
	Floresta aleatória	Criar modelo			N/A⁵		N/A
	Classificação e regressão do AutoML	Criar modelo	N/A³	N/A³	N/A⁵		N/A
Aprendizado não supervisionado	K-means	Criar modelo	Pré-processamento automático, Pré-processamento manual¹	Ajuste de HP² ml.trial_info	ml.centroids	ml.feature_info ml.training_info	estações de ciclismo de cluster
	Fatoração de matrizes	Criar modelo	N/A	Ajuste de HP² ml.trial_info	ml.weights		Feedback explícito Feedback implícito
	Análise de componentes principais (PCA, na sigla em inglês)	Criar modelo	Pré-processamento automático, Pré-processamento manual¹	N/A	ml.principal_ components, ml.principal_ component_info		N/A
	Codificador automático	Criar modelo	Pré-processamento automático, Pré-processamento manual¹	Ajuste de HP² ml.trial_info	N/A⁵		N/A
Modelos de série temporal	ARIMA_PLUS	Criar modelo	Pré-processamento automático	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	série única várias séries milhões de séries feriados personalizados limitar valores previstos previsão de série temporal hierárquica
Modelos de série temporal	ARIMA_PLUS_XREG	Criar modelo	Pré-processamento automático	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	previsão multivariável
Modelos remotos de IA generativa	Modelo remoto sobre um modelo de geração de texto da Vertex AI⁶	Criar modelo	N/A	N/A	N/A	N/A	gerar texto com modelo remoto usar ajustes e avaliações para melhorar a performance dos LLMs
Modelos remotos de IA generativa	Modelo remoto sobre um modelo de geração de embedding da Vertex AI⁶	Criar modelo	N/A	N/A	N/A	N/A	gerar embeddings de texto com um modelo remoto gerar embeddings de imagem com um modelo remoto gerar e pesquisar embeddings multimodais
Modelos remotos de IA	Modelo remoto na API Cloud Vision	Criar modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto na API Cloud Translation	Criar modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto na API Cloud Natural Language	Criar modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto na API Document AI	Criar modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto na API Speech-to-Text	Criar modelo	N/A	N/A	N/A	N/A	N/A
Modelos remotos	Modelo remoto com endpoint da Vertex AI	Criar modelo	N/A	N/A	N/A	N/A	prever com modelos remotos
Modelos importados	TensorFlow	Criar modelo	N/A	N/A	N/A	N/A	prever com o modelo importado do TensorFlow
	TensorFlow Lite	Criar modelo	N/A	N/A	N/A	N/A	N/A
	Troca de rede neural aberta (ONNX)	Criar modelo	N/A	N/A	N/A	N/A	Prever com modelos do scikit-learn no formato ONNX Prever com modelos PyTorch no formato ONNX
	XGBoost	Criar modelo	N/A	N/A	N/A	N/A	N/A
Modelos somente de transformação⁷	Somente de transformação	Criar modelo	Pré-processamento manual¹	N/A	N/A	ml.feature_info	N/A
Modelos de análise de contribuição	Análise de contribuição (prévia)	Criar modelo	Pré-processamento manual	N/A	N/A	N/A	Receber insights de dados de um modelo de análise de contribuição

¹Consulte a cláusula TRANSFORM para o tutorial de engenharia de atributos. Para mais informações sobre as funções de pré-processamento, consulte o tutorial BQML: funções de engenharia de atributos.

² Consulte o tutorial Usar ajuste de hiperparâmetros para melhorar o desempenho do modelo.

³A engenharia de atributos automática e o ajuste de hiperparâmetros são incorporados ao treinamento de modelo do AutoML por padrão.

⁴O algoritmo auto.ARIMA realiza o ajuste de hiperparâmetros para o módulo de tendência. O ajuste de hiperparâmetros não é compatível com todo o pipeline de modelagem. Consulte o pipeline de modelagem para mais detalhes.

⁵O BigQuery ML não é compatível com funções que recuperam os pesos de modelos de árvores otimizadas, floresta aleatória, DNN, amplitude e profundidade, Autoencoder ou AutoML. Para conferir o peso desses modelos, exporte um modelo atual do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou o TensorFlow para visualizar a estrutura em árvore dos modelos de árvore ou a estrutura de gráfico das redes neurais. Para mais informações, consulte a documentação do MODELO DE EXPORTAÇÃO e o tutorial do MODELO DE EXPORTAÇÃO.

⁶Usa um modelo de base da Vertex AI ou o personaliza com o ajuste supervisionado.

⁷Esse não é um modelo de ML típico, mas um artefato que transforma dados brutos em atributos.

Fase de uso do modelo

Categoria do modelo	Tipos de modelos	Avaliação	Inferência	AI Explanations	Monitoramento de modelos	Exportação de modelo	Tutoriais
Aprendizado supervisionado	Regressão linear e logística	ml.evaluate ml.confusion_matrix¹ ml.roc_curve²	ml.predict ml.transform	ml.explain_predict³ ml.global_explain ml.advanced_weights⁸	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	exportar modelo⁵	regressão classificação
	Redes neurais profundas (DNN)						N/A
	Redes amplas e profundas						N/A
	Árvores aprimoradas			ml.explain_predict³ ml.global_explain ml.feature_importance⁴			N/A
	Floresta aleatória						N/A
	Classificação e regressão do AutoML		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/A
Aprendizado não supervisionado	K-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/A	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	exportar modelo⁵	estações de ciclismo de cluster
	Fatoração de matrizes		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		Feedback explícito Feedback implícito
	Análise de componentes principais (PCA, na sigla em inglês)		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/A
	Codificador automático		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				N/A
Modelos de série temporal	ARIMA_PLUS	ml.evaluate ml.arima_evaluate⁶ ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast⁷	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	série única várias séries milhões de séries feriados personalizados limitar valores previstos previsão de série temporal hierárquica
Modelos de série temporal	ARIMA_PLUS_XREG	ml.evaluate ml.arima_evaluate⁶ ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast⁷	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	N/A	previsão multivariável
Modelos remotos de IA generativa	Modelo remoto sobre um modelo de geração de texto da Vertex AI⁹	ml.evaluate¹¹ (pré-lançamento)	ml.generate_text	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	gerar texto com modelo remoto usar ajustes e avaliações para melhorar a performance dos LLMs
Modelos remotos de IA generativa	Modelo remoto sobre um modelo de geração de embedding da Vertex AI⁹	N/A	ml.generate_embedding	N/A		N/A	gerar embeddings de texto com um modelo remoto gerar embeddings de imagem com um modelo remoto gerar e pesquisar embeddings multimodais
Modelos remotos de IA	Modelo remoto na API Cloud Vision	N/A	ml.annotate_image	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	N/A
	Modelo remoto na API Cloud Translation	N/A	ml.translate	N/A		N/A	N/A
	Modelo remoto na API Cloud Natural Language	N/A	ml.understand_text	N/A		N/A	N/A
	Modelo remoto na API Document AI	N/A	ml.process_document	N/A		N/A	N/A
	Modelo remoto na API Speech-to-Text	N/A	ml.transcribe	N/A		N/A	N/A
Modelos remotos	Modelo remoto com endpoint da Vertex AI	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	prever com modelos remotos
Modelos importados	TensorFlow	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	exportar modelo⁵	prever com o modelo importado do TensorFlow
	TensorFlow Lite	N/A	ml.predict	N/A		N/A	N/A
	Troca de rede neural aberta (ONNX)	N/A	ml.predict	N/A		N/A	Prever com modelos do scikit-learn no formato ONNX Prever com modelos PyTorch no formato ONNX
	XGBoost	N/A	ml.predict	N/A		N/A	N/A
Modelos somente de transformação¹⁰	Somente de transformação	N/A	ml.transform	N/A	N/A	exportar modelo⁵	N/A
Modelos de análise de contribuição	Análise de contribuição (prévia)	N/A	ml.get_insights	N/A	N/A	N/A	Receber insights de dados de um modelo de análise de contribuição

¹ml.confusion_matrix é aplicável somente a modelos de classificação.

²ml.roc_curve é aplicável somente a modelos de classificação binária.

³ml.explain_predict é uma versão estendida de ml.predict. Para mais informações, consulte Visão geral da Explainable AI. Para saber como a ml.explain_predict é usada, consulte o tutorial de regressão e o tutorial de classificação.

⁴Para saber a diferença entre ml.global_explain e ml.feature_importance, consulte a Visão geral da Explainable AI.

⁵Confira o tutorial Exportar um modelo do BigQuery ML para previsão on-line. Para mais informações sobre a exibição on-line, consulte o tutorial BQML: criar modelo com transposição inline.

⁶Para modelos ARIMA_PLUS ou ARIMA_PLUS_XREG, ml.evaluate pode receber novos dados como entrada para calcular métricas de previsão, como erro percentual absoluto médio (MAPE). Na ausência de novos dados, ml.evaluate tem uma versão ml.arima_evaluate estendida que gera informações de avaliação diferentes.

⁷ml.explain_forecast é uma versão estendida de ml.forecast. Para mais informações, consulte Visão geral da Explainable AI. Para saber como o ml.explain_forecast é usado, consulte as etapas de visualização de resultados dos tutoriais de previsão de série temporal única e previsão de várias séries temporais.

⁸ml.advanced_weights é uma versão estendida de ml.weights. Consulte ml.advanced_weights para mais detalhes.

⁹Usa um modelo de base da Vertex AI ou o personaliza com o ajuste supervisionado.

¹⁰Esse não é um modelo de ML típico, mas um artefato que transforma dados brutos em atributos.

¹¹Não oferece suporte a todos os LLMs da Vertex AI. Para mais informações, consulte ml.evaluate