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
• Modellnutzungsphase

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 Vorverarbeitung^1	HP-Feinabstimmung^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	Regression Klassifizierung
	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 Vorverarbeitung^1	HP-Feinabstimmung^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	Cluster-Fahrradstationen
	Matrixfaktorisierung	Modell erstellen	–	HP-Feinabstimmung^2 ml.trial_info	ml.weights		explizites Feedback Indirektes Feedback
	Analyse der Hauptkomponenten (PCA)	Modell erstellen	Automatische Vorverarbeitung, Manuelle Vorverarbeitung^1	–	ml.principal_ components, ml.principal_ component_info		–
	Autoencoder	Modell erstellen	Automatische Vorverarbeitung, Manuelle Vorverarbeitung^1	HP-Feinabstimmung^2 ml.trial_info	–^5		–
Zeitreihenmodelle	ARIMA_PLUS	Modell erstellen	Automatische Vorverarbeitung	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	Einzelne Zeitachse Mehrere Zeitachsen Millionen von Zeitachsen Benutzerdefinierte Feiertage Prognostizierte Werte begrenzen Hierarchische Zeitachsenprognosen
	ARIMA_PLUS_XREG	Modell erstellen	Automatische Vorverarbeitung	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	Multivariatprognosen
Remote-Modelle von generativer KI	Remote-Modell über ein Vertex AI-Textgenerierungsmodell^6	Modell erstellen	–	–	–	–	Text mit Remote-Modell generieren Feinabstimmung und Bewertung verwenden, um die LLM-Leistung zu verbessern
	Remote-Modell über einem Generierungsmodell mit Vertex AI-Einbettungen^6	Modell erstellen	–	–	–	–	Texteinbettungen mit einem Remote-Modell generieren Bildeinbettungen mit einem Remote-Modell generieren Multimodale Einbettungen generieren und suchen
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	Modell erstellen	–	–	–	–	–
	Remote-Modell über die Speech-to-Text API	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	–	–	–	–	Vorhersagen mit scikit-learn-Modellen im ONNX-Format Vorhersagen mit PyTorch-Modellen im ONNX-Format
	XGBoost	Modell erstellen	–	–	–	–	–
Reine Transformationsmodelle^7	Nur Transformieren	Modell erstellen	Manuelle Vorverarbeitung^1	–	–	ml.feature_info	–
Modelle für die Beitragsanalyse	Beitragsanalyse (Vorschau)	Modell erstellen	Manuelle Vorverarbeitung	–	–	–	Dateninformationen aus einem Modell zur Beitragsanalyse abrufen

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_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	Modell exportieren^5	Regression Klassifizierung
	Neuronale Deep-Learning-Netzwerke (DNN)						–
	Wide-and-Deep-Netzwerke						–
	Boosted Trees			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			–
	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 exportieren^5	Cluster-Fahrradstationen
	Matrixfaktorisierung		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		explizites Feedback Indirektes Feedback
	Analyse der Hauptkomponenten (PCA)		ml.predict ml.generate_embedding 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 ml.detect_anomalies ml.reconstruction_loss ml.transform				–
Zeitreihenmodelle	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	–	Einzelne Zeitachse Mehrere Zeitachsen Millionen von Zeitachsen Benutzerdefinierte Feiertage Prognostizierte Werte begrenzen Hierarchische Zeitachsenprognosen
	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		Multivariatprognosen
Remote-Modelle von generativer KI	Remote-Modell über ein Vertex AI-Textgenerierungsmodell^9	ml.evaluate^11 (Vorschau)	ml.generate_text	–	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	–	Text mit Remote-Modell generieren Feinabstimmung und Bewertung verwenden, um die LLM-Leistung zu verbessern
	Remote-Modell über einem Generierungsmodell mit Vertex AI-Einbettungen^9	–	ml.generate_embedding	–		–	Texteinbettungen mit einem Remote-Modell generieren Bildeinbettungen mit einem Remote-Modell generieren Multimodale Einbettungen generieren und suchen
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	–	ml.process_document	–		–	–
	Remote-Modell über die Speech-to-Text API	–	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 exportieren^5	Vorhersagen mit importiertem TensorFlow-Modell
	TensorFlow Lite	–	ml.predict	–		–	–
	Open Neural Network Exchange (ONNX)	–	ml.predict	–		–	Vorhersagen mit scikit-learn-Modellen im ONNX-Format Vorhersagen mit PyTorch-Modellen im ONNX-Format
	XGBoost	–	ml.predict	–		–	–
Reine Transformationsmodelle^10	Nur Transformieren	–	ml.transform	–	–	Modell exportieren^5	–
Modelle für die Beitragsanalyse	Beitragsanalyse (Vorschau)	–	ml.get_insights	–	–	–	Dateninformationen aus einem Modell zur Beitragsanalyse abrufen

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.