Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Publication de caractéristiques
Ce document décrit les options permettant de rendre des fonctionnalités disponibles pour l'entraînement et l'inférence de modèles BigQuery ML. Pour toutes les options, vous devez enregistrer les fonctionnalités dans des tables BigQuery en tant que première étape préalable.
Exactitude à un moment précis
Les données utilisées pour entraîner un modèle comportent souvent des dépendances temporelles. Lorsque vous créez une table de caractéristiques contenant des caractéristiques soumises à des contraintes de temps, incluez une colonne de code temporel pour représenter les valeurs des caractéristiques telles qu'elles existaient à un moment donné pour chaque ligne. Vous pouvez ensuite employer des fonctions de recherche à un moment précis pour interroger des données issues de ces tables de caractéristiques afin de garantir l'absence de fuite de données entre l'entraînement et la diffusion. Ce processus permet l'exactitude à un moment précis.
Utilisez les fonctions suivantes pour spécifier des limites à un moment précis lors de la récupération de caractéristiques soumises à des contraintes de temps :
Pour entraîner des modèles et effectuer une inférence par lot dans BigQuery ML, vous pouvez récupérer des caractéristiques à l'aide de l'une des fonctions de recherche au moment donné décrites dans la section Exactitude à un moment précis. Vous pouvez inclure ces fonctions dans la clause query_statement de l'instruction CREATE MODEL pour l'entraînement, ou dans la clause query_statement de la fonction à valeur de table appropriée, telle que ML.PREDICT, pour la diffusion.
Diffuser des caractéristiques avec Vertex AI Feature Store
Pour diffuser des caractéristiques sur des modèles BigQuery ML enregistrés dans Vertex AI, vous pouvez utiliser Vertex AI Feature Store.
Vertex AI Feature Store fonctionne sur les tables de caractéristiques dans BigQuery pour gérer et diffuser des caractéristiques avec une faible latence. Vous pouvez utiliser la diffusion en ligne pour récupérer des caractéristiques en temps réel pour la prédiction en ligne, et la diffusion hors connexion pour récupérer des caractéristiques pour l'entraînement de modèle.
Pour en savoir plus sur la préparation des données de caractéristiques BigQuery à utiliser dans Vertex AI Feature Store, consultez la page Préparer une source de données.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/09 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/09 (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)."]]
