Halaman ini diterjemahkan oleh Cloud Translation API.

Mengelola model BigQuery ML di Vertex AI

Anda dapat mendaftarkan model BigQuery ML dengan Vertex AI Model Registry untuk mengelolanya bersama model Vertex AI tanpa perlu mengekspornya. Saat mendaftarkan model dengan Model Registry, Anda dapat membuat versi, mengevaluasi, dan men-deploy model untuk prediksi online menggunakan satu antarmuka, dan tanpa memerlukan penampung yang menayangkan. Jika Anda tidak terbiasa dengan Vertex AI dan cara Vertex AI terintegrasi dengan BigQuery ML, lihat Vertex AI untuk pengguna BigQuery.

Untuk mempelajari prediksi Vertex AI lebih lanjut, baca Ringkasan cara mendapatkan prediksi di Vertex AI.

Untuk mempelajari cara mengelola model BigQuery ML dari Vertex AI Model Registry, lihat Pengantar Vertex AI Model Registry.

Prasyarat

Untuk mendaftarkan model BigQuery ML ke Model Registry, Anda harus memenuhi beberapa prasyarat.

Mengaktifkan Vertex AI API

Anda harus mengaktifkan Vertex AI API di project sebelum mendaftarkan model BigQuery ML ke Model Registry. Anda dapat melakukannya dengan menggunakan halaman APIs & Services di konsol Google Cloud, atau dengan menjalankan perintah Google Cloud CLI berikut:

gcloud --project PROJECT_ID services enable aiplatform.googleapis.com

Memberikan izin IAM

Akun layanan atau akun pengguna yang Anda gunakan untuk mendaftarkan model BigQuery ML ke Model Registry harus diberi peran Vertex AI Administrator (roles/aiplatform.admin). Untuk mengetahui informasi selengkapnya tentang peran dan izin Vertex AI, lihat Kontrol akses dengan IAM.

Gunakan perintah berikut untuk memberikan peran Vertex AI Administrator ke akun layanan:

gcloud projects add-iam-policy-binding PROJECT_ID --member=serviceAccount:SERVICE_ACCOUNT_EMAIL --role=roles/aiplatform.admin --condition=None

Gunakan perintah berikut untuk memberikan peran Administrator Vertex AI ke akun pengguna:

gcloud projects add-iam-policy-binding PROJECT_ID --member=user:USER_ACCOUNT --role=roles/aiplatform.admin --condition=None

Mendaftarkan model

Saat membuat model BigQuery ML, Anda dapat menggunakan opsi MODEL_REGISTRY dalam pernyataan CREATE MODEL untuk mendaftarkan model ke Model Registry. Pernyataan CREATE MODEL juga berisi opsi VERTEX_AI_MODEL_ID untuk menentukan ID model, dan opsi VERTEX_AI_MODEL_VERSION_ALIASES untuk menentukan satu atau beberapa alias versi model, yang dapat Anda gunakan untuk menyederhanakan deployment, mengelola model, dan mengaktifkan Vertex Explainable AI pada model.

Jika Anda menetapkan opsi MODEL_REGISTRY saat membuat model, model tersebut akan otomatis ditampilkan di Model Registry setelah menyelesaikan pelatihan di BigQuery ML. Anda dapat menggunakan kolom Sumber di halaman Model Registry di konsol Google Cloud untuk melihat sumber model.

Setelah model BigQuery ML terdaftar, Anda dapat menggunakan kemampuan Model Registry dengan model Anda. Anda dapat men-deploy model ke endpoint, membandingkan versi model, membuat prediksi, memantau model, dan melihat evaluasi model. Selain itu, jika ingin memahami fitur yang berkontribusi terhadap prediksi, Anda dapat menggunakan Vertex Explainable AI untuk mendapatkan penjelasan berbasis fitur tentang model Anda.

Semua model yang dibuat menggunakan BigQuery ML masih ditampilkan di antarmuka pengguna BigQuery, terlepas dari apakah model tersebut terdaftar ke Model Registry.

Menentukan ID model Vertex AI

Untuk mempermudah pengelolaan model, tentukan ID model Vertex AI menggunakan opsi VERTEX_AI_MODEL_ID saat Anda membuat model. ID model terkait dengan model BigQuery ML Anda, dan dapat dilihat dari Model Registry.

ID model Vertex AI tidak menerima huruf besar. Jika Anda tidak menentukan ID model Vertex AI, ID model ML BigQuery akan digunakan. Dalam hal ini, pastikan ID model ML BigQuery juga ditulis dengan huruf kecil. Untuk melihat daftar lengkap persyaratan ID model, lihat spesifikasinya dalam dokumentasi referensi upload.

Untuk memperbarui ID model Vertex AI, Anda harus menghapus model dan membuatnya kembali dengan ID model Vertex AI baru yang benar. Anda tidak dapat memperbarui ID model Vertex AI menggunakan perintah ALTER MODEL.

Menentukan alias model Vertex AI

Untuk menentukan alias model, tentukan opsi VERTEX_AI_MODEL_VERSION_ALIASES saat Anda membuat model. Alias model berguna untuk mengambil atau men-deploy versi model tertentu melalui referensi tanpa perlu mengetahui ID versi tertentu. Dengan cara ini, alias beroperasi seperti referensi Branch atau Tag Docker di Git.

Untuk mempelajari lebih lanjut cara kerja alias Model Registry, lihat Cara menggunakan alias versi model.

Mendaftarkan beberapa versi model BigQuery ML

Jika Anda ingin membuat versi baru dari model ML BigQuery yang sudah ada dan membandingkannya dengan model lain di Model Registry, Anda harus menentukan ID model ML BigQuery yang berbeda saat membuat model, lalu mendaftarkannya ke ID model Model Registry yang asli.

Jika Anda membuat atau mengganti model BigQuery ML dan menggunakan ID model BigQuery ML yang sudah dikaitkan dengan model di Model Registry, versi model Model Registry yang ada akan dihapus dan diganti dengan model baru.

Mendaftarkan model BigQuery ML yang ada ke Model Registry

Model BigQuery ML tidak otomatis ditambahkan ke Model Registry. Anda dapat menggunakan pernyataan ALTER MODEL, untuk menambahkan ID model dan mendaftarkan model ke Model Registry, serta memperbarui metadata seperti deskripsi dan label model.

Untuk mempelajari lebih lanjut cara memperbarui metadata model di BigQuery ML, lihat artikel Memperbarui metadata model.

Untuk mendaftarkan model yang ada:

SQL

ALTER MODEL [IF EXISTS] <model_name> SET OPTIONS (vertex_ai_model_id="VERTEX_AI_MODEL_ID");

bq

Anda dapat mengupdate model menggunakan alat command line bq dengan menjalankan perintah bq update dan menentukan ID model untuk model tersebut. vertex_model_id dapat berupa ID baru atau ID model dari Model Registry yang sudah ada. Setiap model BigQuery ML hanya dapat didaftarkan ke satu model_id di Model Registry.

bq update --model --vertex_ai_model_id "VERTEX_AI_MODEL_ID" PROJECT_ID:DATASET.MODEL

API

Buka Metode: models.patch
Isi Parameter permintaan dan Isi permintaan.
Klik tombol EXECUTE.

  {
    "trainingRuns": [
      {
        "vertexAiModelId": "VERTEX_AI_MODEL_ID"
      }
  }
 ```

Jika Anda menentukan ID model baru saat mendaftarkan model, model BigQuery ML akan ditampilkan sebagai model versi 1 di Model Registry. Untuk menambahkan model sebagai versi baru dari model yang ada, tentukan ID model yang ada. Tindakan ini akan otomatis mendaftarkan model baru sebagai versi terbaru dari model yang ada.

Mengubah ID model model BigQuery ML terdaftar

Setelah model BigQuery ML terdaftar ke Model Registry, Anda tidak dapat mengubah nilai VERTEX_AI_MODEL_ID. Untuk mendaftarkan model dengan VERTEX_AI_MODEL_ID baru, gunakan salah satu opsi berikut:

Hapus model dan buat ulang, jika biaya pelatihan ulang dapat diterima.
Salin model, lalu gunakan pernyataan ALTER MODEL untuk mendaftarkan model baru dengan nilai VERTEX_AI_MODEL_ID baru.

Pertimbangan lokasi

Jika Anda mendaftarkan model BigQuery ML multi-region ke Model Registry, model tersebut akan menjadi model regional di Vertex AI. Model multi-region BigQuery ML US disinkronkan ke Vertex AI (us-central1) dan model multi-region BigQuery ML EU disinkronkan ke Vertex AI (europe-west4). Untuk model region tunggal, tidak ada perubahan.

Untuk mengetahui informasi tentang cara memperbarui lokasi model, lihat Memilih lokasi.

Menghapus model BigQuery ML dari Model Registry

Untuk menghapus model BigQuery ML dari Model Registry, hapus model di BigQuery ML. Model akan otomatis dihapus dari Model Registry.

Ada beberapa cara untuk menghapus model BigQuery ML. Untuk mengetahui informasi selengkapnya, lihat Menghapus model.

Jika ingin menghapus model di BigQuery ML yang telah terdaftar di Model Registry dan di-deploy ke endpoint, Anda harus menggunakan Model Registry terlebih dahulu untuk membatalkan deployment model. Kemudian, Anda dapat kembali ke BigQuery ML dan menghapus model. Untuk mengetahui informasi selengkapnya tentang cara membatalkan deployment model, lihat Menghapus endpoint.

Langkah selanjutnya

Gunakan notebook Prediksi online dengan BigQuery ML untuk melatih model menggunakan BigQuery ML, mendaftarkan model ke Model Registry, dan men-deploy ke endpoint untuk prediksi real-time.