BigQuery ML está disponible en las ediciones Enterprise y Enterprise Plus para los clientes que prefieren un modelo de precios basado en la capacidad de procesamiento (cantidad de ranuras) en lugar del modelo a pedido (cantidad de bytes procesados). Los clientes pueden usar reservas de Enterprise o Enterprise Plus para usar todas las funciones de BigQuery ML. El uso de BigQuery ML se incluirá en el uso de las ediciones de BigQuery.
Usa reservas para crear modelos integrados
BigQuery tiene tres tipos de trabajos para la asignación de reservas: QUERY, PIPELINE y ML_EXTERNAL. Las asignaciones de QUERY, que se usan para consultas analíticas, también se usan para ejecutar consultas de CREATE MODEL para modelos integrados de BigQuery ML. El entrenamiento de modelos integrado y las consultas analíticas comparten el mismo grupo de recursos en sus reservas asignadas y tienen el mismo comportamiento en cuanto a ser interrumpibles y usar ranuras inactivas de otras reservas.
Usa reservas para crear modelos externos
Debido a que los modelos externos se entrenan fuera de BigQuery, estas cargas de trabajo no son interrumpibles. Por lo tanto, para garantizar que otras cargas de trabajo no se vean afectadas, solo se pueden usar reservas con la asignación de tipo de trabajo ML_EXTERNAL para estos trabajos externos. En Administración de cargas de trabajo de reservas, se describe cómo crear reservas para trabajos de entrenamiento de modelos externos. El uso de ranuras por trabajo se calcula para mantener la paridad de precios entre las ranuras de BigQuery y los costos de los servicios externos de Google Cloud.
Nota: Puedes agregar una asignación de tipo de trabajo ML_EXTERNAL a las reservas que quieras usar para crear modelos externos de BigQuery ML. Cuando los trabajos QUERY/PIPELINE y ML_EXTERNAL comparten las ranuras de la reserva, los trabajos QUERY/PIPELINE pueden usar las ranuras solo cuando están disponibles. Por lo tanto, es importante asegurarse de que todos los trabajos QUERY y PIPELINE críticos se ejecuten en sus propias reservas, ya que los trabajos ML_EXTERNAL no son interrumpibles. Los trabajos ML_EXTERNAL no pueden usar ranuras inactivas de otras reservas. Por otro lado, si las ranuras de esta reserva (con la asignación ML_EXTERNAL) están disponibles, los trabajos de otras reservas (con ignore_idle_slots=false) pueden usarlas.
Nota: Para crear un modelo de AutoML Tables, necesitas aproximadamente 1,000 ranuras ML_EXTERNAL. La cantidad de ranuras está sujeta a cambios según los precios del backend de las tablas de la plataforma de Gemini. Mientras tanto, la cantidad de ranuras externas que se usan para entrenar otros modelos externos de BigQuery ML (como DNN, árbol potenciado, bosque aleatorio, etcétera) se determina de forma dinámica para escalar el trabajo de entrenamiento de forma horizontal. Más específicamente, el nivel de escala de entrenamiento de la plataforma de Gemini (parámetros de configuración de máquinas virtuales para el trabajador principal, los servidores de parámetros y los trabajadores) se determina en el entorno de ejecución según el tamaño de los datos de entrenamiento y el tipo de modelo. Luego, el servicio de BigQuery ML reserva una cantidad de ranuras equivalente al precio total de las VMs de tus reservas de ML_EXTERNAL.
