End-to-End-Nutzerpfad für jedes Modell

BigQuery ML unterstützt für jedes Modell eine Vielzahl von Modellen für maschinelles Lernen und einen vollständigen Ablauf für maschinelles Lernen, z. B. Feature-Vorverarbeitung, Modellerstellung, Hyperparameter-Abstimmung, Inferenz, Bewertung und Modellexport. Der ML-Ablauf für die Modelle wird in die folgenden beiden Tabellen aufgeteilt:

Modellerstellungsphase

Modellkategorie Modelltypen Modellerstellung Vorverarbeitung von Features Hyperparameter-Feinabstimmung Modellgewichtungen Funktions- und Trainingsinformationen Anleitungen
Beaufsichtigtes Lernen Lineare und logistische Regression Modell erstellen Automatische Vorverarbeitung,
Manuelle Vorverarbeitung1
HP-Feinabstimmung2
ml.trial_info
ml.weights ml.feature_info
ml.training_info
Neuronale Deep-Learning-Netzwerke (DNN) Modell erstellen 5
Wide-and-Deep-Netzwerke Modell erstellen 5
Boosted Trees Modell erstellen 5
Random Forest Modell erstellen 5
AutoML-Klassifizierung und -Regression Modell erstellen 3 3 5
Unbeaufsichtigtes Lernen K-means Modell erstellen Automatische Vorverarbeitung,
Manuelle Vorverarbeitung1
HP-Feinabstimmung2
ml.trial_info
ml.centroids ml.feature_info
ml.training_info
Cluster-Fahrradstationen
Matrixfaktorisierung Modell erstellen HP-Feinabstimmung2
ml.trial_info
ml.weights
Analyse der Hauptkomponenten (PCA) Modell erstellen Automatische Vorverarbeitung,
Manuelle Vorverarbeitung1
ml.principal_
components
,
ml.principal_
component_info
Autoencoder Modell erstellen Automatische Vorverarbeitung,
Manuelle Vorverarbeitung1
HP-Feinabstimmung2
ml.trial_info
5
Zeitreihenmodelle ARIMA_PLUS Modell erstellen Automatische Vorverarbeitung auto.ARIMA4 ml.arima_ coefficients ml.feature_info
ml.training_info
ARIMA_PLUS_XREG Modell erstellen Automatische Vorverarbeitung auto.ARIMA4 ml.arima_ coefficients ml.feature_info
ml.training_info
Multivariatprognosen
Remote-Modelle von generativer KI Remote-Modell über ein Vertex AI-Textgenerierungsmodell6 Modell erstellen
Remote-Modell über einem Generierungsmodell mit Vertex AI-Einbettungen6 Modell erstellen
KI-Remote-Modelle Remote-Modell über der Cloud Vision API Modell erstellen
Remote-Modell über der Cloud Translation API Modell erstellen
Remote-Modell über der Cloud Natural Language API Modell erstellen
Remote-Modell über der Document AI API
(Vorschau)
Modell erstellen
Remote-Modell über die Speech-to-Text API
(Vorschau)
Modell erstellen
Remotemodelle Remote-Modell mit einem Vertex-AI-Endpunkt Modell erstellen Vorhersagen mit Remote-Modell treffen
Importierte Modelle TensorFlow Modell erstellen Vorhersagen mit importiertem TensorFlow-Modell
TensorFlow Lite Modell erstellen
Open Neural Network Exchange (ONNX) Modell erstellen
XGBoost Modell erstellen
Reine Transformationsmodelle7 Nur Transformieren Modell erstellen Manuelle Vorverarbeitung1 ml.feature_info

1Siehe TRANSFORM-Klausel für das Feature Engineering-Anleitung. Weitere Informationen zu den Vorverarbeitungsfunktionen finden Sie in der Anleitung BQML – Feature Engineering-Funktionen.

2Weitere Informationen finden Sie unter Hyperparameter-Abstimmung zur Verbesserung der Modellleistung verwenden.

3 Automatisches Feature Engineering und die Hyperparameter-Abstimmung sind standardmäßig in das AutoML-Modelltraining eingebettet.

4Der auto.ARIMA-Algorithmus führt eine Hyperparameter-Abstimmung für das Trendmodul durch. Die Hyperparameter-Abstimmung wird nicht für die gesamte Modellierungs-Pipeline unterstützt. Weitere Informationen finden Sie in der Modellierungs-Pipeline.

5 BigQuery ML unterstützt keine Funktionen, die die Gewichtungen für Boosted Trees-, Random Forest-, DNNs-, Wide and Deep-, Autoencoder- oder AutoML-Modelle abrufen. Um die Gewichtung dieser Modelle zu sehen, können Sie ein vorhandenes Modell aus BigQuery ML in Cloud Storage exportieren und dann mit der XGBoost-Bibliothek oder der TensorFlow-Bibliothek die Baumstruktur für die Baummodelle oder die Grafikstruktur für die neuronalen Netzwerke visualisieren. Weitere Informationen finden Sie in der EXPORT-MODEL-Dokumentation und der EXPORT-MODEL-Anleitung.

6Verwendet ein Vertex AI Foundation Model oder passt es über eine überwachte Abstimmung an.

7Dies ist kein typisches ML-Modell, sondern ein Artefakt, das Rohdaten in Features umwandelt.

Modellnutzungsphase

Modellkategorie Modelltypen Evaluierung Inferenz KI-Erklärung Modellmonitoring Modellexport Anleitungen
Beaufsichtigtes Lernen Lineare und logistische Regression ml.evaluate
ml.confusion_matrix1
ml.roc_curve2
ml.predict
ml.transform
ml.explain_predict3
ml.global_explain
ml.advanced_weights8
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
Modell exportieren5
Neuronale Deep-Learning-Netzwerke (DNN)
Wide-and-Deep-Netzwerke
Boosted Trees ml.explain_predict3
ml.global_explain
ml.feature_importance4
Random Forest
AutoML-Klassifizierung und -Regression ml.predict ml.global_explain ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Unbeaufsichtigtes Lernen K-means ml.evaluate ml.predict
ml.detect_anomalies
ml.transform
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
Modell exportieren5 Cluster-Fahrradstationen
Matrixfaktorisierung ml.recommend
ml.generate_embedding (Vorschau)
ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Analyse der Hauptkomponenten (PCA) ml.predict
ml.generate_embedding (Vorschau)
ml.detect_anomalies
ml.transform
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
Autoencoder ml.predict
ml.generate_embedding (Vorschau)
ml.detect_anomalies
ml.reconstruction_loss
ml.transform
Zeitreihenmodelle ARIMA_PLUS ml.evaluate
ml.arima_evaluate6
ml.holiday_info
ml.forecast
ml.detect_anomalies
ml.explain_forecast7 ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
ARIMA_PLUS_XREG ml.forecast
ml.detect_anomalies
(Vorschau)
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
Multivariatprognosen
Remote-Modelle von generativer KI Remote-Modell über ein Vertex AI-Textgenerierungsmodell9 ml.evaluate11 (Vorschau) ml.generate_text ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Remote-Modell über einem Generierungsmodell mit Vertex AI-Einbettungen9 ml.generate_embedding
KI-Remote-Modelle Remote-Modell über der Cloud Vision API ml.annotate_image ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Remote-Modell über der Cloud Translation API ml.translate
Remote-Modell über der Cloud Natural Language API ml.understand_text
Remote-Modell über der Document AI API
(Vorschau)
ml.process_document
Remote-Modell über die Speech-to-Text API
(Vorschau)
ml.transcribe
Remotemodelle Remote-Modell mit einem Vertex-AI-Endpunkt ml.predict ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Vorhersagen mit Remote-Modell treffen
Importierte Modelle TensorFlow ml.predict ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Modell exportieren5 Vorhersagen mit importiertem TensorFlow-Modell
TensorFlow Lite ml.predict
Open Neural Network Exchange (ONNX) ml.predict
XGBoost ml.predict
Reine Transformationsmodelle10 Nur Transformieren ml.transform Modell exportieren5

1 ml.confusion_matrix gilt nur für Klassifizierungsmodelle.

2ml.roc_curve gilt nur für binäre Klassifizierungsmodelle.

3ml.explain_predict ist eine erweiterte Version von ml.predict. Weitere Informationen finden Sie unter Explainable AI – Übersicht. Informationen zur Verwendung von ml.explain_predict finden Sie in der Anleitung zur Regression und der Anleitung zur Klassifizierung.

4Die Unterschiede zwischen ml.global_explain und ml.feature_importance finden Sie unter Explainable AI – Übersicht.

5Weitere Informationen finden Sie in der Anleitung BigQuery ML-Modell für Onlinevorhersagen exportieren. Weitere Informationen zur Onlinebereitstellung finden Sie in der Anleitung BQML – Modell mit Inline-Transponierung erstellen.

6 Für ARIMA_PLUS- oder ARIMA_PLUS_XREG-Modelle kann ml.evaluate neue Daten als Grundlage für die Berechnung von Prognosemesswerten verwenden, z. B. den mittleren absoluten prozentualen Fehler (Mean Absolute Percentage Error, MAPE). Wenn keine neuen Daten vorhanden sind, hat ml.evaluate eine erweiterte Version ml.arima_evaluate, die andere Bewertungsinformationen ausgibt.

7ml.explain_forecast ist eine erweiterte Version von ml.forecast. Weitere Informationen finden Sie unter Explainable AI – Übersicht. Informationen zur Verwendung von ml.explain_forecast finden Sie in den Schritten zum Visualisieren von Ergebnissen der Anleitung Prognosen für einzelne Zeitachsen und Prognosen für mehrere Zeitachsen.

8ml.advanced_weights ist eine erweiterte Version von ml.weights. Weitere Informationen finden Sie unter ml.advanced_weights.

9Verwendet ein Vertex AI Foundation Model oder passt es über eine überwachte Abstimmung an.

10 Dies ist kein typisches ML-Modell, sondern ein Artefakt, das Rohdaten in Features umwandelt.

11Wird nicht für alle Vertex AI LLMs unterstützt. Weitere Informationen finden Sie unter ml.evaluate.