Vertex AI für BigQuery-Nutzer

Auf dieser Seite werden die Unterschiede zwischen Vertex AI und BigQuery erläutert. Außerdem erfahren Sie, wie Sie Vertex AI in Ihre vorhandenen BigQuery-Workflows einbinden können. Vertex AI und BigQuery erfüllen gemeinsam Ihre Anwendungsfälle für maschinelles Lernen und MLOps.

Weitere Informationen zu Modelltrainingsunterschieden zwischen Vertex AI und BigQuery finden Sie unter Trainingsmethode auswählen.

Unterschiede zwischen Vertex AI und BigQuery

In diesem Abschnitt werden die Vertex AI-, BigQuery- und BigQuery ML-Dienste beschrieben.

Vertex AI: Eine End-to-End-KI-/ML-Plattform

Vertex AI ist eine KI/ML-Plattform für die Modellentwicklung und -Governance. Zu den häufigsten Anwendungsfällen gehören:

  • Aufgaben des maschinellen Lernens wie Prognose, Vorhersage, Empfehlung und Anomalieerkennung

  • Aufgaben mit generativer KI, z. B.:

    • Textgenerierung, -klassifizierung, -zusammenfassung und -extraktion
    • Codegenerierung und ‑vervollständigung
    • Bilderstellung
    • Generierung von Einbettungen

Sie können BigQuery verwenden, um Trainingsdaten für Vertex AI-Modelle vorzubereiten, die Sie als Funktionen im Vertex AI Feature Store verfügbar machen können.

Sie haben drei Möglichkeiten, Modelle in Vertex AI zu trainieren:

  • AutoML: Modelle für Bild-, Tabellen- und Video-Datasets trainieren, ohne Code schreiben zu müssen.
  • Benutzerdefiniertes Training: Hier können Sie benutzerdefinierten Trainingscode für Ihren spezifischen Anwendungsfall ausführen.
  • Ray in Vertex AI: Mit dieser Option können Sie Ray zum Skalieren von KI- und Python-Anwendungen wie maschinellem Lernen verwenden.

Sie können auch ein Modell importieren, das auf einer anderen Plattform wie BigQuery ML oder XGBoost trainiert wurde.

Sie können benutzerdefiniert trainierte Modelle in der Vertex AI-Modell-Registry registrieren. Sie können auch Modelle importieren, die außerhalb von Vertex AI trainiert wurden, um sie in der Vertex AI Model Registry zu registrieren. Sie müssen AutoML-Modelle nicht registrieren. Sie werden bei der Erstellung automatisch registriert.

In der Registry können Sie Modellversionen verwalten, Endpunkte für Onlinevorhersagen bereitstellen, Modellbewertungen durchführen, Bereitstellungen mit Vertex AI-Modellmonitoring überwachen und Vertex Explainable AI nutzen.

Verfügbare Sprachen:

BigQuery: Ein serverloses Multi-Cloud-Data Warehouse für Unternehmen

BigQuery ist ein vollständig verwaltetes Data Warehouse für Unternehmen, mit dem Sie Ihre Daten mit integrierten Features wie maschinellem Lernen, raumbezogenen Analysen und Business Intelligence verwalten und analysieren können. BigQuery-Tabellen können von SQL abgefragt werden und Data Scientists, die hauptsächlich SQL verwenden, können große Abfragen mit nur wenigen Codezeilen ausführen.

Sie können BigQuery auch als Datenspeicher verwenden, auf den Sie beim Erstellen von tabellarischen und benutzerdefinierten Modellen in Vertex AI verweisen. Weitere Informationen zur Verwendung von BigQuery als Datenspeicher finden Sie unter BigQuery-Speicher.

Verfügbare Sprachen:

Weitere Informationen finden Sie unter BigQuery SQL-Dialekte.

BigQuery ML: Maschinelles Lernen direkt in BigQuery

Mit BigQuery ML können Sie Modelle in BigQuery entwickeln und aufrufen. Mit BigQuery ML können Sie ML-Modelle direkt in BigQuery mit SQL trainieren, ohne Daten verschieben oder sich um die zugrunde liegende Trainingsinfrastruktur kümmern zu müssen. Sie können Batchvorhersagen für BigQuery ML-Modelle erstellen, um aus Ihren BigQuery-Daten Informationen zu gewinnen.

Sie können auch über BigQuery ML auf Vertex AI-Modelle zugreifen. Sie können ein BigQuery ML-Remote-Modell über ein eingebautes Vertex AI-Modell wie Gemini oder über ein benutzerdefiniertes Vertex AI-Modell erstellen. Sie interagieren mit dem Remote-Modell wie bei jedem anderen BigQuery ML-Modell über SQL in BigQuery. Das Training und die Inferenz für das Remote-Modell werden jedoch in Vertex AI verarbeitet.

Verfügbare Sprache:

Weitere Informationen zu den Vorteilen von BigQuery ML finden Sie unter Einführung in KI und ML in BigQuery.

Vorteile der Verwaltung von BigQuery ML-Modellen in Vertex AI

Sie können Ihre BigQuery ML-Modelle in der Model Registry registrieren, um sie in Vertex AI zu verwalten. Die Verwaltung von BigQuery ML-Modellen in Vertex AI bietet zwei Hauptvorteile:

  • Onlinemodellbereitstellung: BigQuery ML unterstützt nur Batchvorhersagen für Ihre Modelle. Wenn Sie Onlinevorhersagen erhalten möchten, können Sie Ihre Modelle in BigQuery ML trainieren und über Vertex AI Model Registry auf Vertex AI-Endpunkte bereitstellen.

  • MLOps-Funktionen: Modelle sind am besten geeignet, wenn sie durch kontinuierliches Training auf dem neuesten Stand gehalten werden. Vertex AI bietet MLOps-Tools, die das Monitoring und das erneute Trainieren von Modellen automatisieren können, um die Genauigkeit von Vorhersagen im Laufe der Zeit zu gewährleisten. Mit Vertex AI Pipelines können Sie BigQuery-Operatoren verwenden, um alle BigQuery-Jobs (einschließlich BigQuery ML) in eine ML-Pipeline einzubinden. Mit Vertex AI Model Monitoring können Sie Ihre BigQuery ML-Vorhersagen im Zeitverlauf beobachten.

Ein Bild von Google Cloud-Produkten und ihre Position in einem MLOps-Workflow

Informationen zum Registrieren Ihrer BigQuery ML-Modelle in der Model Registry finden Sie unter BigQuery ML-Modelle mit Vertex AI verwalten.

Was möchten Sie tun? Ressource
Bilder und Text mit BigQuery ML und Gemini in Vertex AI analysieren Filmposter in BigQuery mit Gemini 1.5 Flash analysieren
Mit BigQuery ML Text aus BigQuery-Tabellen oder unstrukturierten Daten mit Foundation Models in Vertex AI generieren Text mit BigQuery ML und Foundation Models in Vertex AI generieren
Mit BigQuery ML Vektor-Embeddings für Text und Bilder generieren Einen multimodalen Einbettungsendpunkt in Vertex AI von BigQuery ML aufrufen, um Einbettungen für die semantische Suche zu generieren
Verwenden Sie zwei tabellarische Vertex AI-Workflows-Pipelines, um ein AutoML-Modell mit verschiedenen Konfigurationen zu trainieren. Tabellarischer Workflow: AutoML Tabular Pipeline
Mit dem Vertex AI SDK für Python ein AutoML-Modell für die tabellarische Regression trainieren und dafür Batchvorhersagen vom Modell abrufen. Vertex AI SDK für Python: AutoML-Training mit einem tabellarischen Regressionsmodell für Batchvorhersagen mit BigQuery
Trainieren und bewerten Sie ein Neigungsmodell in BigQuery ML, um die Nutzerbindung in einem Spiel für Mobilgeräte vorherzusagen. Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML
Verwenden Sie BigQuery ML, um die Preisoptimierung für CDM-Preisdaten durchzuführen. Analyse der Preisoptimierung für CDM-Preisdaten

Nächste Schritte