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

BigQuery ML supporta una varietà di modelli di machine learning e un flusso completo di machine learning per ogni modello, come pre-elaborazione delle caratteristiche, creazione dei modelli, ottimizzazione degli iperparametri, inferenza, valutazione ed esportazione dei modelli. Il flusso di machine learning 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 caratteristiche	Ottimizzazione degli iperparametri	Ponderazioni del modello	Informazioni su funzionalità e formazione	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale¹	Ottimizzazione HP² ml.trial_info	ml.weights	ml.feature_info ml.training_info	regressione classificazione
	DNN (Deep Neural Network)	crea modello			N/D⁵		N/D
	Reti Wide and Deep	crea modello			N/D⁵		N/D
	Alberi potenziati	crea modello			N/D⁵		N/D
	Foresta casuale	crea modello			N/D⁵		N/D
	Classificazione e regressione AutoML	crea modello	N/D³	N/D³	N/D⁵		N/D
Apprendimento non supervisionato	K-means	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale¹	Ottimizzazione HP² ml.trial_info	ml.centroids	ml.feature_info ml.training_info	stazioni ciclabili nel cluster
	fattorizzazione matriciale	crea modello	N/D	Ottimizzazione HP² ml.trial_info	ml.weights		feedback esplicito feedback implicito
	Analisi delle componenti principali (APC)	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale¹	N/D	ml.principal_ components, ml.principal_ component_info		N/D
	Autoencoder	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale¹	Ottimizzazione HP² ml.trial_info	N/D⁵		N/D
Modelli di serie temporali	ARIMA_PLUS	crea modello	Pre-elaborazione automatica	auto.ARIMA⁴	coefficienti ml.arima_	ml.feature_info ml.training_info	singola serie multiserie milioni di serie festività personalizzate limitare i valori previsti previsione gerarchica di serie temporali
Modelli di serie temporali	ARIMA_PLUS_XREG	crea modello	Pre-elaborazione automatica	auto.ARIMA⁴	coefficienti ml.arima_	ml.feature_info ml.training_info	previsione multivariata
Modelli remoti di IA generativa	Modello remoto su un modello di generazione di testo Vertex AI⁶	crea modello	N/D	N/D	N/D	N/D	generare testo con un modello remoto usa l'ottimizzazione e la valutazione per migliorare le prestazioni dei modelli LLM
Modelli remoti di IA generativa	Modello remoto su un modello di generazione di incorporamenti di Vertex AI⁶	crea modello	N/D	N/D	N/D	N/D	generare incorporamenti di testo con un modello remoto generare incorporamenti di immagini con un modello remoto generare e cercare incorporamenti multimodali
Modelli remoti AI	Modello remoto tramite l'API Cloud Vision	crea modello	N/D	N/D	N/D	N/D	N/D
	Modello remoto tramite l'API Cloud Translation	crea modello	N/D	N/D	N/D	N/D	N/D
	Modello remoto sull'API Cloud Natural Language	crea modello	N/D	N/D	N/D	N/D	N/D
	Modello remoto tramite l'API Document AI (anteprima)	crea modello	N/D	N/D	N/D	N/D	N/D
	Modello remoto tramite l'API Speech-to-Text (anteprima)	crea modello	N/D	N/D	N/D	N/D	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	crea modello	N/D	N/D	N/D	N/D	previsione con modello remoto
Modelli importati	TensorFlow	crea modello	N/D	N/D	N/D	N/D	previsione con il modello TensorFlow importato
	TensorFlow Lite	crea modello	N/D	N/D	N/D	N/D	N/D
	Open Neural Network Exchange (ONNX)	crea modello	N/D	N/D	N/D	N/D	Previsione con modelli scikit-learn in formato ONNX Previsione con modelli PyTorch in formato ONNX
	XGBoost	crea modello	N/D	N/D	N/D	N/D	N/D
Modelli solo trasformazione⁷	Solo trasformazione (anteprima)	crea modello	Pre-elaborazione manuale¹	N/D	N/D	ml.feature_info	N/D

¹ Consulta il tutorial sulla clausola TRANSFORM per il feature engineering. Per ulteriori informazioni sulle funzioni di pre-elaborazione, consulta il tutorial per BQML - Feature Engineering Functions.

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

³ Il feature engineering e l'ottimizzazione degli iperparametri automatici sono incorporati per impostazione predefinita nell'addestramento del modello AutoML.

⁴ L'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 definizione del modello. Per ulteriori dettagli, consulta la pipeline di definizione del modello.

⁵ BigQuery ML non supporta le funzioni che recuperano le ponderazioni per i modelli ad albero potenziato, foresta casuale, DNN, Wide-and-Deep, Autoencoder o AutoML. Per visualizzare le ponderazioni di questi modelli, puoi esportare un modello esistente da BigQuery ML a Cloud Storage e quindi utilizzare la libreria XGBoost o la libreria TensorFlow per visualizzare la struttura ad albero dei modelli ad albero o la struttura dei grafici per le reti neurali. Per ulteriori informazioni, consulta la documentazione relativa al MODELLO DI ESPORTAZIONE e il tutorial sul MODELLO DI ESPORTAZIONE.

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

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

Fase di utilizzo del modello

Categoria del modello	Tipi di modelli	Valutazione	Inferenza	Spiegazione basata sull'IA	Monitoraggio del modello	Esportazione dei modelli	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	ml.evaluate ml.confusion_matrix¹ curve_ml.roc²	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	modello di esportazione⁵	regressione classificazione
	DNN (Deep Neural Network)						N/D
	Reti Wide and Deep						N/D
	Alberi potenziati			ml.explain_predict³ ml.global_explain ml.feature_importance⁴			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	modello di esportazione⁵	stazioni ciclabili nel cluster
	fattorizzazione matriciale		ml.recommend ml.generate_embedding (Anteprima)		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		feedback esplicito feedback implicito
	Analisi delle componenti principali (APC)		ml.predict ml.generate_embedding (Anteprima) 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 (Anteprima) ml.detect_anomalies ml.reconstruction_loss ml.transform				N/D
Modelli di serie temporali	ARIMA_PLUS	ml.evaluate ml.arima_Currency⁶ 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/D	singola serie multiserie milioni di serie festività personalizzate limitare i valori previsti previsione gerarchica di serie temporali
Modelli di serie temporali	ARIMA_PLUS_XREG	ml.evaluate ml.arima_Currency⁶ ml.holiday_info	ml.forecast ml.detect_anomalies (Anteprima)	ml.explain_forecast⁷	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	N/D	previsione multivariata
Modelli remoti di IA generativa	Modello remoto su un modello di generazione di testo Vertex AI⁹	ml.evaluate¹¹ (Anteprima)	ml.generate_text	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	generare testo con un modello remoto usa l'ottimizzazione e la valutazione per migliorare le prestazioni dei modelli LLM
Modelli remoti di IA generativa	Modello remoto su un modello per la generazione di incorporamenti di Vertex AI⁹	N/D	ml.generate_embedding	N/D		N/D	generare incorporamenti di testo con un modello remoto generare incorporamenti di immagini con un modello remoto generare e cercare incorporamenti multimodali
Modelli remoti AI	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/D	N/D
	Modello remoto sull'API Cloud Natural Language	N/D	ml.understand_text	N/D		N/D	N/D
	Modello remoto tramite l'API Document AI (anteprima)	N/D	ml.process_document	N/D		N/D	N/D
	Modello remoto tramite l'API Speech-to-Text (anteprima)	N/D	ml.transcribe	N/D		N/D	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	previsione con modello remoto
Modelli importati	TensorFlow	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	modello di esportazione⁵	previsione con il modello TensorFlow importato
	TensorFlow Lite	N/D	ml.predict	N/D		N/D	N/D
	Open Neural Network Exchange (ONNX)	N/D	ml.predict	N/D		N/D	Previsione con modelli scikit-learn in formato ONNX Previsione con modelli PyTorch in formato ONNX
	XGBoost	N/D	ml.predict	N/D		N/D	N/D
Modelli solo per la trasformazione¹⁰ (anteprima)	Solo trasformazione (anteprima)	N/D	ml.transform	N/D	N/D	modello di esportazione⁵	N/D

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 saperne di più, consulta la panoramica di Explainable AI. Per informazioni sull'utilizzo di ml.explain_predict, consulta il tutorial sulla regressione e il tutorial sulla classificazione.

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

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

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

⁷ml.explain_forecast è una versione estesa di ml.forecast. Per saperne di più, consulta la panoramica di Explainable AI. Per scoprire come viene utilizzato ml.explain_forecast, consulta i passaggi per visualizzare i risultati dei tutorial sulla previsione di una serie temporale singola e sulle previsioni di più serie temporali.

⁸ml.advanced_weights è una versione estesa di ml.weights. Consulta ml.advanced_weights per maggiori dettagli.

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

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

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