Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Entrega de atributos
En este documento, se describen tus opciones para hacer que
los atributos estén disponibles para el entrenamiento y la inferencia de modelos
de BigQuery ML. Para todas las opciones, debes guardar los atributos en
las tablas de BigQuery como primer paso previo.
Precisión de un momento determinado
Los datos que se usan para entrenar un modelo suelen tener dependencias de tiempo integradas. Cuando
creas una tabla de atributos para atributos urgentes, incluye una columna de
marca de tiempo para representar los valores de atributos como existían en un momento determinado para cada
fila. Luego, puedes usar funciones de búsqueda de un momento determinado cuando consultes datos de
estas tablas de atributos para asegurarte de que no haya filtración
de datos entre
el entrenamiento y la entrega. Este proceso habilita la precisión de un momento determinado.
Usa las siguientes funciones para especificar cortes de un momento determinado cuando recuperas funciones sensibles al tiempo:
Para entrenar modelos y realizar inferencias por lotes en BigQuery ML,
puedes recuperar atributos con una de las funciones de búsqueda de un momento determinado que se describen
en la sección Precisión de un momento determinado. Puedes
incluir estas funciones en la
cláusula query_statement de la sentencia CREATE MODEL para
el entrenamiento o en la cláusula query_statement de la función con
valor de tabla adecuada, como
ML.PREDICT,
para la entrega.
Entrega atributos con Vertex AI Feature Store
Para entregar atributos en modelos de BigQuery ML que están
registrados en Vertex AI,
puedes usar
Vertex AI Feature Store.
Vertex AI Feature Store funciona sobre las tablas de atributos en
BigQuery para administrar y entregar atributos con baja latencia. Puedes
usar la entrega en línea
para recuperar atributos en tiempo real para la predicción en línea, y puedes usar la
entrega sin conexión
para recuperar atributos para el entrenamiento de modelos.
Para obtener más información acerca de cómo preparar los datos de atributos de BigQuery
para usarlos en Vertex AI Feature Store, consulta
Prepara la fuente de datos.
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Difícil de entender","hardToUnderstand","thumb-down"],["Información o código de muestra incorrectos","incorrectInformationOrSampleCode","thumb-down"],["Faltan la información o los ejemplos que necesito","missingTheInformationSamplesINeed","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-09-04 (UTC)"],[[["\u003cp\u003eFeatures must be saved in BigQuery tables before they can be used for BigQuery ML model training and inference.\u003c/p\u003e\n"],["\u003cp\u003eIncluding a timestamp column in feature tables allows for point-in-time correctness, preventing data leakage between training and serving.\u003c/p\u003e\n"],["\u003cp\u003e\u003ccode\u003eML.FEATURES_AT_TIME\u003c/code\u003e and \u003ccode\u003eML.ENTITY_FEATURES_AT_TIME\u003c/code\u003e functions are used to specify point-in-time cutoffs when retrieving time-sensitive features.\u003c/p\u003e\n"],["\u003cp\u003eBigQuery ML models can use point-in-time lookup functions in \u003ccode\u003eCREATE MODEL\u003c/code\u003e statements or in table-valued functions like \u003ccode\u003eML.PREDICT\u003c/code\u003e to retrieve features for training and batch inference.\u003c/p\u003e\n"],["\u003cp\u003eVertex AI Feature Store can be used to manage and serve features with low latency for BigQuery ML models registered in Vertex AI, supporting both real-time online prediction and offline model training.\u003c/p\u003e\n"]]],[],null,["# Feature serving\n===============\n\nThis document describes your options for making\n[features](/bigquery/docs/preprocess-overview) available for BigQuery ML\nmodel training and inference. For all options, you must save the features in\nBigQuery tables as a prerequisite first step.\n\nPoint-in-time correctness\n-------------------------\n\nThe data used to train a model often has time dependencies built into it. When\nyou create a feature table for time sensitive features, include a timestamp\ncolumn to represent the feature values as they existed at a given time for each\nrow. You can then use point-in-time lookup functions when querying data from\nthese feature tables in order to ensure that there is no [data\nleakage](https://en.wikipedia.org/wiki/Leakage_(machine_learning)) between\ntraining and serving. This process enables point-in-time correctness.\n\nUse the following functions to specify point-in-time cutoffs when retrieving\ntime sensitive features:\n\n- [`ML.FEATURES_AT_TIME`](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-feature-time)\n- [`ML.ENTITY_FEATURES_AT_TIME`](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-entity-feature-time)\n\nServe features in BigQuery ML\n-----------------------------\n\nTo train models and perform batch inference in BigQuery ML, you\ncan retrieve features using one of the point-in-time lookup functions described\nin the [Point-in-time correctness](#point-in-time_correctness) section. You can\ninclude these functions in the\n[`query_statement` clause](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create#query_statement) of the `CREATE MODEL` statement for\ntraining, or in the `query_statement` clause of the appropriate table-valued\nfunction, such as\n[`ML.PREDICT`](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-predict),\nfor serving.\n\nServe features with Vertex AI Feature Store\n-------------------------------------------\n\nTo serve features to BigQuery ML models that are\n[registered in Vertex AI](/bigquery/docs/managing-models-vertex#register_models),\nyou can use\n[Vertex AI Feature Store](/vertex-ai/docs/featurestore/latest/overview).\nVertex AI Feature Store works on top of feature tables in\nBigQuery to manage and serve features with low latency. You can\nuse [online serving](/vertex-ai/docs/featurestore/latest/serve-feature-values)\nto retrieve features in real time for online prediction, and you can use\n[offline serving](/vertex-ai/docs/featurestore/latest/serve-historical-features)\nto retrieve features for model training.\n\nFor more information about preparing BigQuery feature data\nto be used in Vertex AI Feature Store, see\n[Prepare data source](/vertex-ai/docs/featurestore/latest/prepare-data-source)."]]