各モデルのエンドツーエンドのユーザー ジャーニー

BigQuery ML は、さまざまな ML モデルと、各モデルの ML フロー全体（特徴の前処理、モデルの作成、ハイパーパラメータの調整、推論、評価、モデルのエクスポートなど）をサポートしています。モデルの ML フローは、次の 2 つのテーブルに分類されます。

• モデルの作成フェーズ
• モデルの使用フェーズ

モデルの作成フェーズ

モデルカテゴリ	モデルタイプ	モデルの作成	特徴量の前処理	ハイパーパラメータ調整	モデルの重み付け	機能とトレーニングに関する情報	チュートリアル
教師あり学習	線形回帰とロジスティック回帰	create model	自動前処理、 手動前処理^1	HP 調整^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	回帰 分類
	ディープ ニューラル ネットワーク（DNN）	create model			なし^5		なし
	ワイド＆ディープ ネットワーク	create model			なし^5		なし
	ブーストされたツリー	create model			なし^5		なし
	ランダム フォレスト	create model			なし^5		なし
	AutoML の分類と回帰	create model	なし^3	なし^3	なし^5		なし
教師なし学習	K 平均法	create model	自動前処理、 手動前処理^1	HP 調整^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	クラスタ バイク ステーション
	行列分解	create model	なし	HP チューニング^2 ml.trial_info	ml.weights		明示的なフィードバック 暗黙的なフィードバック
	主要コンポーネントの分析（PCA）	create model	自動前処理、 手動前処理^1	なし	ml.principal_ components、 ml.principal_ component_info		なし
	オートエンコーダ	create model	自動前処理、 手動前処理^1	HP チューニング^2 ml.trial_info	なし^5		なし
時系列モデル	ARIMA_PLUS	create model	自動前処理	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	単一シリーズ マルチシリーズ 無数のシリーズ カスタムの祝日 予測値を制限する 階層型時系列予測
	ARIMA_PLUS_XREG	create model	自動前処理	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	多変量予測
生成型 AI リモートモデル	Vertex AI テキスト生成モデルを介したリモートモデル^6	create model	なし	なし	なし	なし	リモートモデルでテキストを生成する チューニングと評価を使用して LLM のパフォーマンスを改善する
	Vertex AI エンベディング生成モデルを介したリモートモデル^6	create model	なし	なし	なし	なし	リモートモデルでテキスト エンベディングを生成する リモートモデルで画像エンベディングを生成する マルチモーダル エンベディングを生成して検索する
AI リモートモデル	Cloud Vision API を介したリモートモデル	create model	なし	なし	なし	なし	なし
	Cloud Translation API を介したリモートモデル	create model	なし	なし	なし	なし	なし
	Cloud Natural Language API を介したリモートモデル	create model	なし	なし	なし	なし	なし
	Document AI API を介したリモートモデル （プレビュー）	create model	なし	なし	なし	なし	なし
	Speech-to-Text API を介したリモートモデル （プレビュー）	create model	なし	なし	なし	なし	なし
リモートモデル	Vertex AI エンドポイントを使用したリモートモデル	create model	なし	なし	なし	なし	リモートモデルを使用して予測する
インポートされたモデル	TensorFlow	create model	なし	なし	なし	なし	インポートした TensorFlow モデルを使用して予測する
	TensorFlow Lite	create model	なし	なし	なし	なし	なし
	Open Neural Network Exchange（ONNX）	create model	なし	なし	なし	なし	ONNX 形式の scikit-learn モデルを使用して予測する ONNX 形式の PyTorch モデルを使用して予測する
	XGBoost	create model	なし	なし	なし	なし	なし
変換のみのモデル^7	変換のみ	create model	手動前処理^1	なし	なし	ml.feature_info	なし

¹ 特徴量エンジニアリングの TRANSFORM 句のチュートリアルをご覧ください。前処理関数の詳細については、BQML - 特徴量エンジニアリング関数のチュートリアルをご覧ください。

²ハイパーパラメータ チューニングでモデル性能を強化するのチュートリアルをご覧ください。

³ 自動の特徴量エンジニアリングとハイパーパラメータ チューニングは、AutoML モデルのトレーニングにデフォルトで組み込まれています。

⁴auto.ARIMA アルゴリズムは、トレンド モジュールのハイパーパラメータ チューニングを実行します。ハイパーパラメータ調整は、モデリングのパイプライン全体ではサポートされていません。詳細については、モデリング パイプラインをご覧ください。

⁵BigQuery ML は、ブーストツリー、ランダム フォレスト、DNN、ワイド＆ディープ、オートエンコーダ、AutoML の各モデルの重みを取得する関数をサポートしていません。これらのモデルの重みを確認するには、既存のモデルを BigQuery ML から Cloud Storage にエクスポートし、XGBoost ライブラリまたは TensorFlow ライブラリを使用してツリーモデルのツリー構造やニューラル ネットワークのグラフ構造を可視化します。詳細については、EXPORT MODEL のドキュメントと EXPORT MODEL のチュートリアルをご覧ください。

⁶: Vertex AI 基盤モデルを使用するか、教師ありチューニングを使用してカスタマイズします。

⁷ これは一般的な ML モデルではなく、元データを特徴に変換するアーティファクトです。

モデルの使用フェーズ

モデルカテゴリ	モデルタイプ	評価	推論	AI の説明	モデルのモニタリング	モデルのエクスポート	チュートリアル
教師あり学習	線形回帰とロジスティック回帰	ml.evaluate ml.confusion_matrix^1 ml.roc_curve^2	ml.predict ml.transform	ml.explain_predict^3 ml.global_explain ml.advanced_weights^8	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	モデルのエクスポート^5	回帰 分類
	ディープ ニューラル ネットワーク（DNN）						なし
	ワイド＆ディープ ネットワーク						なし
	ブーストされたツリー			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			なし
	ランダム フォレスト						なし
	AutoML の分類と回帰		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		なし
教師なし学習	K 平均法	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	なし	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	モデルのエクスポート^5	クラスタ バイク ステーション
	行列分解		ml.recommend ml.generate_embedding（プレビュー）		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		明示的なフィードバック 暗黙的なフィードバック
	主要コンポーネントの分析（PCA）		ml.predict ml.generate_embedding（プレビュー） ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		なし
	オートエンコーダ		ml.predict ml.generate_embedding（プレビュー） ml.detect_anomalies ml.reconstruction_loss ml.transform				なし
時系列モデル	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	なし	単一シリーズ マルチシリーズ 無数のシリーズ カスタムの祝日 予測値を制限する 階層型時系列予測
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		多変量予測
生成型 AI リモートモデル	Vertex AI テキスト生成モデルを介したリモートモデル^9	ml.evaluate^11（プレビュー）	ml.generate_text	なし	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	なし	リモートモデルでテキストを生成する チューニングと評価を使用して LLM のパフォーマンスを改善する
	Vertex AI エンベディング生成モデルを介したリモートモデル^9	なし	ml.generate_embedding	なし		なし	リモートモデルでテキスト エンベディングを生成する リモートモデルで画像エンベディングを生成する マルチモーダル エンベディングを生成して検索する
AI リモートモデル	Cloud Vision API を介したリモートモデル	なし	ml.annotate_image	なし	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	なし	なし
	Cloud Translation API を介したリモートモデル	なし	ml.translate	なし		なし	なし
	Cloud Natural Language API を介したリモートモデル	なし	ml.understand_text	なし		なし	なし
	Document AI API を介したリモートモデル （プレビュー）	なし	ml.process_document	なし		なし	なし
	Speech-to-Text API を介したリモートモデル （プレビュー）	なし	ml.transcribe	なし		なし	なし
リモートモデル	Vertex AI エンドポイントを使用したリモートモデル	なし	ml.predict	なし	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	なし	リモートモデルを使用して予測する
インポートされたモデル	TensorFlow	なし	ml.predict	なし	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	モデルのエクスポート^5	インポートした TensorFlow モデルを使用して予測する
	TensorFlow Lite	なし	ml.predict	なし		なし	なし
	Open Neural Network Exchange（ONNX）	なし	ml.predict	なし		なし	ONNX 形式の scikit-learn モデルを使用して予測する ONNX 形式の PyTorch モデルを使用して予測する
	XGBoost	なし	ml.predict	なし		なし	なし
変換のみのモデル^10	変換のみ	なし	ml.transform	なし	なし	モデルのエクスポート^5	なし

¹ ml.confusion_matrix は分類モデルにのみ適用されます。

²ml.roc_curve は、バイナリ分類モデルにのみ適用されます。

³ml.explain_predict は ml.predict の拡張バージョンです。詳細については、Explainable AI の概要をご覧ください。ml.explain_predict の使用方法については、回帰のチュートリアルと分類のチュートリアルをご覧ください。

⁴ml.global_explain と ml.feature_importance の違いについては、Explainable AI の概要をご覧ください。

⁵オンライン予測に使用する BigQuery ML モデルをエクスポートするのチュートリアルをご覧ください。オンライン サービングの詳細については、BQML - インライン転置を使用したモデルの作成チュートリアルをご覧ください。

⁶ARIMA_PLUS モデルまたは ARIMA_PLUS_XREG モデルの場合、ml.evaluate は、平均絶対パーセント誤差（MAPE）などの予測指標を計算するための新しいデータを入力として受け取れます。新しいデータがない場合、ml.evaluate には拡張バージョン ml.arima_evaluate があり、さまざまな評価情報を出力します。

⁷ml.explain_forecast は ml.forecast の拡張バージョンです。詳細については、Explainable AI の概要をご覧ください。ml.explain_forecast の使用方法については、単一の時系列予測と複数の時系列予測のチュートリアルの結果を可視化する手順をご覧ください。

⁸ ml.advanced_weights は ml.weights の拡張バージョンです。詳細については、ml.advanced_weights をご覧ください。

⁹ Vertex AI 基盤モデルを使用するか、教師ありチューニングを使用してカスタマイズします。

¹⁰ これは一般的な ML モデルではなく、元データを特徴に変換するアーティファクトです。

¹¹ 一部の Vertex AI LLM ではサポートされていません。詳細については、ml.evaluate をご覧ください。