这两个系统之间的主要区别在于它们处理数据结构和使用的方式。数据湖用于存储原始非结构化数据，而数据仓库用于存储结构化的已处理数据。

数据科学家通常需要构建一个能够实时发现欺诈性预订的 AI 模型。由于数据来自许多来源，例如网站日志、移动应用事件和第三方合作伙伴，因此数据湖最适合用于训练 AI 模型。

首先，设置一个流水线，将每个原始事件发送到 Cloud Storage。这包括来自网站的杂乱 JSON 文件和来自移动应用的二进制日志。您无需担心数据的格式设置问题，因为 Cloud Storage 就是为处理这种规模的数据而构建的。

为了使原始数据适用于模型训练，数据工程师会对数据集进行清理和结构化。您可以使用 Managed Service for Apache Spark 执行无服务器 Apache Spark 批处理。这会将数百万个原始日志文件转换为符合规范的表，而无需管理服务器或集群。

现在数据已准备就绪，您可以将其输入到机器学习工具中。由于最初的原始数据仍在数据湖中，因此您可以随时返回并查看可能有助于进一步优化模型的“隐藏”细节。

通过使用数据湖，您能够以低成本存储所有内容，并在构建模型时仅处理所需内容。

现在，我们来看看一个面向零售商的数据科学应用场景。您可以预测公司下个月将售出多少件冬外套，由于销售数据已经过清理并存储在数据库中，因此建议使用数据仓库来完成此任务。

首先是 BigQuery，它充当公司的中央数据仓库。销售数据已整理成整齐的表格，其中包含日期、价格和产品 ID 列。由于数据已经结构化，因此您无需花费任何时间来清理数据。

编写一个 SQL 查询，查看过去五年的冬季销售情况。即使有数十亿行数据，BigQuery 也能在几秒钟内找到答案。这种速度让您可以尝试不同的想法并快速优化预测。

预测准备就绪后，您可以使用内置工具创建信息中心。现在，营销团队可以准确地看到他们需要订购多少件外套。由于 BigQuery 是无服务器的，公司只需为运行的查询付费，从而降低了成本。

对于此应用场景，数据仓库是最佳工具，因为它使用已处于可用格式的数据，针对特定业务问题提供快速、可靠的答案。