Panoramica dell'inferenza del modello

Questo documento descrive i tipi di inferenza batch supportati da BigQuery ML, tra cui:

L'inferenza del machine learning è il processo di esecuzione di punti dati in un modello di machine learning per calcolare un output come un singolo punteggio numerico. Questo processo è anche definito "operativizzazione di un modello di machine learning" o "messa in produzione di un modello di machine learning".

Previsione batch

Le seguenti sezioni descrivono i modi disponibili per eseguire le previsioni in BigQuery ML.

Inferenza mediante modelli addestrati BigQuery ML

La previsione in BigQuery ML viene utilizzata non solo per i modelli di apprendimento supervisionato, ma anche per i modelli di apprendimento non supervisionato.

BigQuery ML supporta le funzionalità di previsione tramite la funzione ML.PREDICT, con i seguenti modelli:

Categoria del modello Tipi di modello Che cosa fa ML.PREDICT
Apprendimento supervisionato Regressione lineare e logistica

Alberi potenziati

Foresta casuale

Reti neurali profonde

Wide-and-Deep

AutoML Tables 		Prevedere l'etichetta, che può essere un valore numerico per le attività di regressione o un valore categoriale per le attività di classificazione.
Apprendimento non supervisionato K-means Assegna il cluster all'entità.
APC Applica la riduzione della dimensionalità all'entità trasformandola nello spazio attraversato dagli autovettori.
Codificatore automatico Trasforma l'entità nello spazio incorporato.

Inferenza mediante modelli importati

Con questo approccio, puoi creare e addestrare un modello all'esterno di BigQuery, importarlo utilizzando l'istruzione CREATE MODEL e poi eseguire l'inferenza utilizzando la funzione ML.PREDICT. Tutte le elaborazioni di inferenza vengono eseguite in BigQuery utilizzando i dati di BigQuery. I modelli importati possono eseguire apprendimento con o senza supervisione.

BigQuery ML supporta i seguenti tipi di modelli importati:

Utilizza questo approccio per sfruttare modelli personalizzati sviluppati con una vasta gamma di framework ML, sfruttando al contempo la velocità di inferenza e la collocazione dei dati di BigQuery ML.

Per saperne di più, prova uno dei tutorial seguenti:

Inferenza usando modelli remoti

Con questo approccio, puoi creare un riferimento a un modello ospitato in Vertex AI Prediction utilizzando l'istruzione CREATE MODEL e quindi eseguire l'inferenza utilizzando la funzione ML.PREDICT. L'intera elaborazione di inferenza avviene in Vertex AI, utilizzando i dati di BigQuery. I modelli remoti possono eseguire l'apprendimento con o senza supervisione.

Utilizza questo approccio per eseguire l'inferenza su modelli di grandi dimensioni che richiedono il supporto hardware GPU fornito da Vertex AI. Se la maggior parte dei modelli è ospitata da Vertex AI, puoi anche eseguire l'inferenza su questi modelli utilizzando SQL, senza dover creare manualmente pipeline di dati per trasferire i dati a Vertex AI e riportare i risultati delle previsioni in BigQuery.

Per istruzioni dettagliate, consulta Eseguire previsioni con modelli remoti su Vertex AI.

Previsione online

La funzionalità di inferenza integrata di BigQuery ML è ottimizzata per casi d'uso su larga scala, come la previsione batch. Sebbene BigQuery ML offra risultati di inferenza a bassa latenza durante la gestione di piccoli dati di input, puoi ottenere previsioni online più veloci grazie all'integrazione perfetta con Vertex AI.

Puoi gestire i modelli BigQuery ML nell'ambiente Vertex AI, eliminando così la necessità di esportare i modelli da BigQuery ML prima di eseguirne il deployment come endpoint Vertex AI. Gestendo i modelli in Vertex AI, hai accesso a tutte le funzionalità MLOps di Vertex AI e anche a funzionalità come Vertex AI Feature Store.

Inoltre, puoi esportare i modelli di BigQuery ML in Cloud Storage per consentirne la disponibilità su altre piattaforme di hosting di modelli.

Passaggi successivi