特徴のサービング

特徴を作成したら、それらの特徴をモデルのトレーニングと推論に利用できるようにします。このドキュメントでは、BigQuery ML で利用可能な特徴のサービング機能について説明します。

特定の時点の正確性

通常、モデルのトレーニングに使用するデータには、時間的な依存性が組み込まれています。時間的制約がある特徴テーブルには、行ごとに特定の時点に存在していたときの特徴値を表すタイムスタンプ列が含まれます。時間的制約がある特徴テーブルのデータをクエリする場合は、トレーニングとサービングの間でデータ漏洩が発生しないように、時間指定ルックアップ関数を使用できます。これにより、特定の時点の正確性を確保できます。

時間的制約のある特徴を取得するときに、次の関数を使用して特定の時点でのカットオフを指定します。

• ML.FEATURES_AT_TIME
• ML.ENTITY_FEATURES_AT_TIME

取得した特徴を使用して、次のタスクを実行できます。

• BigQuery ML でモデルをトレーニングして推論を実行する。
• Vertex AI Feature Store でオンラインの特徴を直接サービングする。

Vertex AI Feature Store でのオンライン サービング

BigQuery ML に組み込まれた特徴のサービングのサポートに加えて、Vertex AI Feature Store とのシームレスなインテグレーションにより、低レイテンシで特徴を管理およびサービングできます。具体的には、時間指定ルックアップ関数を使用して、直接サービングできる特徴テーブルやビューを作成できます。また、手動で特徴テーブルを作成して Vertex AI Feature Store に登録し、オンライン サービングを行うこともできます。詳細については、データソースを準備するをご覧ください。