Perjalanan pengguna menyeluruh untuk setiap model

BigQuery ML mendukung berbagai model machine learning dan alur machine learning yang lengkap untuk setiap model, seperti pra-pemrosesan fitur, pembuatan model, penyesuaian hyperparameter, inferensi, evaluasi, dan ekspor model. Alur machine learning untuk model dibagi ke dalam dua tabel berikut:

• Fase pembuatan model
• Fase penggunaan model

Fase pembuatan model

Kategori model	Jenis model	Pembuatan model	Pra-pemrosesan fitur	Penyesuaian hyperparameter	Bobot model	Info fitur & pelatihan	Tutorial
Supervised learning	Regresi linear & logistik	create model	Pra-pemrosesan otomatis, Pra-pemrosesan manual^1	Penyesuaian HP^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	regresi klasifikasio
	Jaringan neural dalam (DNN)	create model			T/A^5		T/A
	Jaringan Wide & Deep	create model			T/A^5		T/A
	Pohon yang diperkuat	create model			T/A^5		T/A
	Hutan acak (random forest)	create model			T/A^5		T/A
	Klasifikasi & regresi AutoML	create model	T/A^3	T/A^3	T/A^5		T/A
Pembelajaran yang tidak diawasi	K-means	create model	Pra-pemrosesan otomatis, Pra-pemrosesan manual^1	Penyesuaian HP^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	stasiun sepeda cluster
	Pemfaktoran matriks	create model	T/A	Penyesuaian HP^2 ml.trial_info	ml.weights		masukan yang eksplisit masukan implisit
	Analisis komponen utama (PCA)	create model	Pra-pemrosesan otomatis, Pra-pemrosesan manual^1	T/A	ml.principal_ components, ml.principal_ component_info		T/A
	Autoencoder	create model	Pra-pemrosesan otomatis, Pra-pemrosesan manual^1	Penyesuaian HP^2 ml.trial_info	T/A^5		T/A
Model deret waktu	ARIMA_PLUS	create model	Pra-pemrosesan otomatis	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	serial tunggal multi-seri jutaan serial hari libur khusus membatasi nilai yang diramalkan perkiraan deret waktu hierarkis
	ARIMA_PLUS_XREG	create model	Pra-pemrosesan otomatis	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	membuat perkiraan deret waktu tunggal
Model jarak jauh AI generatif	Model jarak jauh melalui model pembuatan teks Vertex AI^6	create model	T/A	T/A	T/A	T/A	membuat teks dengan model jarak jauh menggunakan penyesuaian dan evaluasi untuk meningkatkan performa LLM
	Model jarak jauh melalui model pembuatan penyematan Vertex AI^6	create model	T/A	T/A	T/A	T/A	membuat penyematan teks dengan model jarak jauh membuat penyematan gambar dengan model jarak jauh membuat dan menelusuri embedding multimodal
Model jarak jauh AI	Model jarak jauh melalui Cloud Vision API	create model	T/A	T/A	T/A	T/A	T/A
	Model jarak jauh melalui Cloud Translation API	create model	T/A	T/A	T/A	T/A	T/A
	Model jarak jauh melalui Cloud Natural Language API	create model	T/A	T/A	T/A	T/A	T/A
	Model jarak jauh melalui Document AI API	create model	T/A	T/A	T/A	T/A	T/A
	Model jarak jauh melalui Speech-to-Text API	create model	T/A	T/A	T/A	T/A	T/A
Model jarak jauh	Model jarak jauh dengan endpoint Vertex AI	create model	T/A	T/A	T/A	T/A	memprediksi dengan model jarak jauh
Model yang diimpor	TensorFlow	create model	T/A	T/A	T/A	T/A	memprediksi dengan model TensorFlow yang diimpor
	TensorFlow Lite	create model	T/A	T/A	T/A	T/A	T/A
	Open Neural Network Exchange (ONNX)	create model	T/A	T/A	T/A	T/A	Prediksi dengan model scikit-learn dalam format ONNX Memprediksi dengan model PyTorch dalam format ONNX
	XGBoost	create model	T/A	T/A	T/A	T/A	T/A
Model khusus transformasi^7	Khusus transformasi	create model	Pra-pemrosesan manual^1	T/A	T/A	ml.feature_info	T/A
Model analisis kontribusi	Analisis kontribusi (Pratinjau)	create model	Pra-pemrosesan manual	T/A	T/A	T/A	Mendapatkan insight data dari model analisis kontribusi

¹Lihat tutorial klausa TRANSFORM untuk rekayasa fitur. Untuk informasi selengkapnya tentang fungsi pra-pemrosesan, lihat Tutorial BQML - Fungsi Rekayasa Fitur.

²Lihat tutorial menggunakan penyesuaian hyperparameter untuk meningkatkan performa model.

³Rekayasa fitur otomatis dan penyesuaian hyperparameter disematkan dalam pelatihan model AutoML secara default.

⁴Algoritma auto.ARIMA melakukan penyesuaian hyperparameter untuk modul tren. Penyesuaian hyperparameter tidak didukung untuk seluruh pipeline pemodelan. Lihat pipeline pemodelan untuk detail selengkapnya.

⁵BigQuery ML tidak mendukung fungsi yang mengambil bobot untuk model pohon yang diperkuat, hutan acak, DNN, Wide-and-deep, Autoencoder, atau AutoML. Untuk melihat bobot model tersebut, Anda dapat mengekspor model yang ada dari BigQuery ML ke Cloud Storage, lalu menggunakan library XGBoost atau library TensorFlow untuk memvisualisasikan struktur pohon untuk model pohon atau struktur grafik untuk jaringan neural. Untuk informasi selengkapnya, lihat dokumentasi EKSPOR MODEL dan tutorial EKSPOR MODEL.

⁶Menggunakan model dasar Vertex AI atau menyesuaikannya menggunakan penyesuaian terpantau.

⁷Ini bukan model ML biasa, melainkan artefak yang mengubah data mentah menjadi fitur.

Fase penggunaan model

Kategori model	Jenis model	Evaluasi	Inferensi	AI Explanations	Pemantauan model	Ekspor model	Tutorial
Supervised learning	Regresi linear & logistik	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	regresi klasifikasio
	Jaringan neural dalam (DNN)						T/A
	Jaringan Wide & Deep						T/A
	Pohon yang diperkuat			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			T/A
	Hutan acak (random forest)						T/A
	Klasifikasi & regresi AutoML		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		T/A
Pembelajaran yang tidak diawasi	K-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	T/A	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model^5	stasiun sepeda cluster
	Faktorisasi matriks		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		masukan yang eksplisit masukan implisit
	Analisis komponen utama (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		T/A
	Autoencoder		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				T/A
Model deret waktu	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	T/A	serial tunggal multi-seri jutaan serial hari libur khusus membatasi nilai yang diramalkan perkiraan deret waktu hierarkis
	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		perkiraan multi-variasi
Model jarak jauh AI generatif	Model jarak jauh melalui model pembuatan teks Vertex AI^9	ml.evaluate^11 (Pratinjau)	ml.generate_text	T/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	T/A	membuat teks dengan model jarak jauh menggunakan penyesuaian dan evaluasi untuk meningkatkan performa LLM
	Model jarak jauh melalui model pembuatan penyematan Vertex AI^9	T/A	ml.generate_embedding	T/A		T/A	membuat penyematan teks dengan model jarak jauh membuat penyematan gambar dengan model jarak jauh membuat dan menelusuri embedding multimodal
Model jarak jauh AI	Model jarak jauh melalui Cloud Vision API	T/A	ml.annotate_image	T/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	T/A	T/A
	Model jarak jauh melalui Cloud Translation API	T/A	ml.translate	T/A		T/A	T/A
	Model jarak jauh melalui Cloud Natural Language API	T/A	ml.understand_text	T/A		T/A	T/A
	Model jarak jauh melalui Document AI API	T/A	ml.process_document	T/A		T/A	T/A
	Model jarak jauh melalui Speech-to-Text API	T/A	ml.transcribe	T/A		T/A	T/A
Model jarak jauh	Model jarak jauh dengan endpoint Vertex AI	T/A	ml.predict	T/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	T/A	memprediksi dengan model jarak jauh
Model yang diimpor	TensorFlow	T/A	ml.predict	T/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	export model^5	memprediksi dengan model TensorFlow yang diimpor
	TensorFlow Lite	T/A	ml.predict	T/A		T/A	T/A
	Open Neural Network Exchange (ONNX)	T/A	ml.predict	T/A		T/A	Prediksi dengan model scikit-learn dalam format ONNX Memprediksi dengan model PyTorch dalam format ONNX
	XGBoost	T/A	ml.predict	T/A		T/A	T/A
Model khusus transformasi^10	Khusus transformasi	T/A	ml.transform	T/A	T/A	export model^5	T/A
Model analisis kontribusi	Analisis kontribusi (Pratinjau)	T/A	ml.get_insights	T/A	T/A	T/A	Mendapatkan insight data dari model analisis kontribusi

¹ml.confusion_matrix hanya berlaku untuk model klasifikasi.

²ml.roc_curve hanya berlaku untuk model klasifikasi biner.

³ml.explain_predict adalah versi yang diperluas dari ml.predict. Untuk mengetahui informasi selengkapnya, lihat Ringkasan Explainable AI. Untuk mempelajari cara ml.explain_predict digunakan, lihat tutorial regresi dan tutorial klasifikasi.

⁴Untuk perbedaan antara ml.global_explain dan ml.feature_importance, lihat Ringkasan Explainable AI.

⁵Lihat tutorial Mengekspor model BigQuery ML untuk prediksi online. Untuk informasi selengkapnya tentang penayangan online, lihat tutorial BQML - Membuat Model dengan Inline Transpose.

⁶Untuk model ARIMA_PLUS atau ARIMA_PLUS_XREG, ml.evaluate dapat mengambil data baru sebagai input untuk menghitung metrik perkiraan seperti rata-rata error persentase absolut (MAPE). Karena tidak ada data baru, ml.evaluate memiliki versi ml.arima_evaluate yang diperluas yang menghasilkan informasi evaluasi berbeda.

⁷ml.explain_forecast adalah versi yang diperluas dari ml.forecast. Untuk mengetahui informasi selengkapnya, lihat Ringkasan Explainable AI. Untuk mempelajari cara ml.explain_forecast digunakan, lihat langkah-langkah visualisasi hasil dari perkiraan deret waktu tunggal dan tutorial perkiraan beberapa deret waktu.

⁸ml.advanced_weights adalah versi ml.weights yang diperluas, lihat ml.advanced_weights untuk detail selengkapnya.

⁹Menggunakan model dasar Vertex AI atau menyesuaikannya menggunakan penyesuaian terpantau.

¹⁰Ini bukan model ML biasa, melainkan artefak yang mengubah data mentah menjadi fitur.

¹¹Tidak didukung untuk semua LLM Vertex AI. Untuk informasi selengkapnya, lihat ml.evaluate.