Ciencia de datos en Google Cloud
Plataforma unificada para herramientas de administración de datos, análisis y aprendizaje automático para acelerar tus flujos de trabajo de datos a IA.
Primeros pasos
- Explora materiales de capacitación para la ciencia de datosExplora los recursos de Google Cloud sobre ciencia de datos, desde la exploración de datos hasta MLOps.
- Implementa el aprendizaje automático en Google CloudAprende a desarrollar un modelo de entrenamiento personalizado en todo el flujo de trabajo del AA.
- Comienza con CodelabsComienza a probar Google Cloud con explicaciones paso a paso, instructivos y programación práctica.
Historias de clientes
Por qué elegir Google Cloud para la ciencia de datos
Datos unificados de Google Cloud y AI Platform
Mejora la velocidad y la agilidad de tu empresa, y ofrece valor a corto y largo plazo.
3x
Más rentable con un movimiento de datos minimizado
4x
Entrenamiento, ajuste e implementación de modelos con mayor rapidez
10 veces más
Menor costo de la IA, lo que facilita objetivos de ROI más factibles
Plataforma unificada para flujos de trabajo de ciencia de datos de extremo a extremo
Solución unificada para todo el ciclo de vida de la ciencia de datos y el aprendizaje automático basada en una base de datos multimodal que garantiza una administración unificada. Aprovecha potentes motores de análisis como BigQuery SQL y Spark y, luego, crea modelos con BigQuery ML o Vertex AI. Optimiza el desarrollo con un notebook de Colab Enterprise centrado en la IA, además de MLOps robustas, con la tecnología de IA líder del sector.
Espacio de trabajo centralizado con notebooks que priorizan la IA
Elige entre un conjunto de soluciones de notebooks para la ciencia de datos empresarial. Colab Enterprise ofrece un entorno seguro y administrado integrado en Vertex AI y BigQuery. Vertex AI Workbenches proporciona instancias de JupyterLab personalizables, mientras que Cloud Workstations admite IDEs completos. Las extensiones también conectan herramientas autoalojadas directamente a los servicios de Google Cloud.
Agente de ciencia de datos integrado
Acelera el desarrollo de la ciencia de datos con capacidades de agente que facilitan la exploración y transformación de datos, así como el modelado del AA. Comienza con un objetivo general en inglés sencillo, y el agente de ciencia de datos generará un plan detallado que abarcará todos los aspectos del modelado de ciencia de datos, desde la carga, exploración, limpieza, visualización, ingeniería de atributos, división de datos, entrenamiento y optimización de modelos hasta la evaluación.
Preparación de datos asistida por IA sin silos
Aprovecha una base de datos unificada y administra datos estructurados y no estructurados (imágenes, documentos y otros tipos) con SQL para el análisis y funciones de IA para el procesamiento. La preparación de datos asistida por IA proporciona sugerencias para la limpieza y transformación de datos. El agente de ingeniería de datos automatiza las tareas de ingeniería de datos, incluida la transferencia y la creación de canalizaciones, a través de instrucciones en lenguaje natural.
Procesamiento de datos flexible con varios motores
Elige cualquier motor de procesamiento, ya sea el motor SQL de BigQuery o un framework de código abierto como Apache Spark, para trabajar directamente en una sola copia unificada de los datos. Esto evita la necesidad de mantener copias de datos separadas para diferentes sistemas.
Escala la ciencia de datos con BigQuery DataFrames para Python
¿Prefieres bibliotecas nativas de Python? BigQuery DataFrames proporciona una API similar a Pandas que traduce el código de Python en SQL optimizado para su ejecución en el motor de BigQuery. Esto brinda flexibilidad para usar la herramienta adecuada para el trabajo, ya sea SQL, PySpark o un DataFrame de estilo Pandas, todo mientras se trabaja con los mismos datos subyacentes.
Crea, entrena, ajusta y ejecuta modelos de AA
Crea, entrena, evalúa e implementa modelos con BigQuery ML usando SQL, lo que elimina el movimiento de datos. Aprovecha los modelos entrenados previamente integrados o las funciones de SQL que llaman a Gemini para el análisis o enriquecimiento de datos. Para los modelos personalizados, Vertex AI admite PyTorch, TensorFlow y otras bibliotecas de AA. La integración perfecta permite la ingeniería de atributos en BigQuery, el entrenamiento de modelos personalizados en Vertex AI y la inferencia en BigQuery a través de SQL.
Genera embeddings y habilita la búsqueda de vectores
Genera y usa embeddings multimodales para realizar búsquedas de vectores, lo que permite la comprensión semántica y la recuperación basada en similitudes de datos multimodales Esto te permite crear sofisticados sistemas de búsqueda semántica, recomendación o segmentación sin necesidad de administrar una base de datos de vectores separada y especializada.
Pasa del modelo a la producción con MLOps integradas
BigQuery y Vertex AI se integran para optimizar la “última etapa” de MLOps. Centraliza atributos en Vertex AI Feature Store para evitar el sesgo del entrenamiento y la entrega, y el trabajo redundante. Usa AutoML de Vertex AI para automatizar la creación de modelos para datos tabulares. Todos los modelos, ya sean de BigQuery ML o Vertex AI, se registran automáticamente en Vertex AI Model Registry. Desde allí, puedes crear versiones, evaluar y, luego, implementar los modelos con facilidad, lo que crea un ciclo de vida integral y fluido en una sola plataforma.
