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

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
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
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
ARIMA_PLUS_XREG Criar modelo Pré-processamento automático auto.ARIMA4 ml.arima_ coefficients ml.feature_info
ml.training_info		 prever uma única série temporal
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
Modelo remoto sobre um modelo de geração de embedding da Vertex AI6 Criar modelo N/A N/A N/A N/A
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
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
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
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
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 		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
Modelo remoto sobre um modelo de geração de embedding da Vertex AI9 N/A ml.generate_embedding N/A N/A
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
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