Gartner® 在《Magic Quadrant™ for Data Science and Machine Learning Platforms》(資料科學與機器學習平台 Magic Quadrant™) 報告中，將 Google 評選為領導品牌。

Google Cloud 的資料科學解決方案

整合式平台，提供資料管理、分析和機器學習工具，加速「從資料到 AI」工作流程。

4:52

Google Cloud 資料科學實用指南

開始使用

客戶經驗談

選用 Google Cloud 資料科學解決方案的優點

Google Cloud 統合式資料與 AI 平台

提升業務的速度和靈活性，創造短期和長期價值。

3 倍

將資料移動程度降到最低，提高成本效益

4 倍

模型訓練、微調及部署速度加快 4 倍

10 倍

AI 成本降低 10 倍，更容易達成投資報酬率目標

統合式平台，採用端對端資料科學工作流程

以多模態資料為基礎，打造整合式解決方案，涵蓋整個資料科學與機器學習生命週期，確保統一管理。您可以先運用 BigQuery SQL 和 Spark 等強大的分析引擎，再用 BigQuery ML 或 Vertex AI 建立模型。結合由業界頂尖 AI 驅動的 AI 優先 Colab Enterprise 筆記本和穩健的 MLOps，簡化開發流程。

採用集中工作區並提供 AI 優先筆記本

從一系列筆記本解決方案中選擇，滿足企業資料科學需求。Colab Enterprise 提供安全的代管環境，並與 Vertex AI 和 BigQuery 整合。Vertex AI Workbench 提供可自訂的 JupyterLab 執行個體，而 Cloud Workstations 則支援完整的 IDE。擴充功能還能將自行託管的工具直接連至 Google Cloud 服務。

6:00

整合式資料科學代理

運用代理能力探索及轉換資料，並建立機器學習模型，加快資料科學開發速度。只要用簡單的英文設定概略目標，資料科學代理就會生成詳細計畫，涵蓋資料科學模型的所有層面，包括載入、探索、清理、視覺化、特徵工程、資料分割、模型訓練/最佳化和評估。

由 AI 協助準備，打破資料孤島

運用統一的資料基礎，使用 SQL 管理結構化和非結構化資料 (圖片、文件等)，藉此分析並使用 AI 函式處理資料。AI 輔助的資料準備功能會提供資料清理和轉換建議。資料工程代理可透過自然語言指令，自動執行資料工程工作，包括擷取資料和建立管道。

使用多個引擎，靈活處理資料

無論是 BigQuery 的 SQL 引擎，還是 Apache Spark 等開放原始碼架構，都能直接處理單一統合式資料副本。這樣一來，就不必為不同系統維護個別的資料副本。

使用支援 Python 的 BigQuery DataFrames 擴充資料科學作業規模

偏好使用 Python 原生程式庫嗎？BigQuery DataFrames 提供類似 pandas 的 API，可將 Python 程式碼轉譯為適合在 BigQuery 引擎上執行的 SQL。無論是 SQL、PySpark 或 pandas 風格的 DataFrame，都能使用合適的工具處理相同基礎資料，靈活度極高。

建構、訓練、調整及執行機器學習模型

透過 SQL 使用 BigQuery ML 建構、訓練、評估及部署模型，不必移動資料。運用內建的預先訓練模型，或藉由 SQL 函式呼叫 Gemini 進行資料分析/enrichment。Vertex AI 支援 PyTorch、TensorFlow 和其他機器學習程式庫，供您建立自訂模型。您可以在 BigQuery 進行特徵工程、在 Vertex AI 自訂模型訓練工作，並透過 SQL 在 BigQuery 執行推論，一切都完美整合。

生成嵌入並啟用向量搜尋功能

生成並使用多模態嵌入執行向量搜尋，進而瞭解語意並根據相似度檢索多模態資料。您不必管理個別的專用向量資料庫，就能建構精密的語意搜尋、建議或區隔系統。

8:00

透過整合式 MLOps，完成模型開發到正式環境部署的所有流程

BigQuery 和 Vertex AI 整合後，可簡化 MLOps 的「最後一哩路」。Vertex AI 特徵儲存庫可集中存放特徵，避免訓練/應用偏差和重複作業。Vertex AI AutoML 可自動建構表格型資料的模型。無論模型來自 BigQuery ML 或 Vertex AI，都會自動在 Vertex AI Model Registry 註冊，方便您在單一平台上輕鬆管理版本、評估及部署模型，打造流暢的端對端生命週期。