Utilizza questa pagina per comprendere le differenze tra Vertex AI e BigQuery e scopri come integrare Vertex AI con i tuoi flussi di lavoro BigQuery esistenti. Vertex AI e BigQuery lavorano insieme per aiutarti a raggiungere la tua macchina e MLOps per i casi d'uso.
Per saperne di più sulle differenze di addestramento tra Vertex AI e BigQuery consulta Scegliere un metodo di addestramento.
Differenze tra Vertex AI e BigQuery
Questa sezione tratta gli strumenti Vertex AI, BigQuery e servizi di BigQuery ML.
Vertex AI: una piattaforma IA/ML end-to-end
Vertex AI è una piattaforma IA/ML per lo sviluppo di modelli e governance. Puoi addestrare i tuoi modelli in tre modi principali:
- AutoML: che ti consente di addestrare i modelli su immagine, set di dati tabulari, di testo e video senza scrivere codice.
- Addestramento personalizzato: per possono eseguire personalizzato per il tuo caso d'uso specifico.
- Ray on Vertex AI: che ti consente di utilizzare Ray per scalare applicazioni di IA e Python come il machine learning.
Puoi registrare sia i modelli AutoML che quelli con addestramento personalizzato Vertex AI Model Registry. Puoi anche importare modelli addestrati al di fuori di Vertex AI e registrarli in Vertex AI Model Registry.
Nel Registro di sistema puoi gestire eseguire il deployment su endpoint per fare previsioni online e batch, eseguire le valutazioni, monitorare i deployment con Vertex AI Model Monitoring e usare Vertex Explainable AI.
Lingue disponibili:
- SDK Vertex AI per Python
- Libreria client per Java
- Libreria client per Node.js
BigQuery: un data warehouse aziendale multi-cloud serverless e multi-cloud
BigQuery è un'azienda completamente gestita data warehouse che ti aiuta a gestire e analizzare i dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence. Le query sulle tabelle BigQuery possono essere eseguite da SQL e dai data scientist che principalmente puoi eseguire query di grandi dimensioni con poche righe di codice.
Puoi anche utilizzare BigQuery come datastore a cui fai riferimento quando creando modelli tabulari e personalizzati in Vertex AI. Per scoprire di più su utilizzando BigQuery come datastore, consulta Panoramica di BigQuery spazio di archiviazione.
Lingue disponibili:
- SDK per BigQuery. Per saperne di più, consulta Librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per saperne di più, consulta Dialetti SQL di BigQuery.
BigQuery ML: machine learning direttamente in BigQuery
BigQuery ML è un servizio di sviluppo di modelli all'interno di BigQuery. Con BigQuery ML, gli utenti SQL possono addestrare i modelli ML direttamente a BigQuery senza dover spostare i dati o preoccuparsi l'infrastruttura di addestramento di Google. Puoi creare previsioni batch Modelli BigQuery ML per ottenere insight da BigQuery e i dati di Google Cloud.
Lingue disponibili:
- GoogleSQL
Per saperne di più sui vantaggi di utilizzare BigQuery ML, consulta Che cos'è BigQuery ML?
Vantaggi dell'integrazione dei modelli BigQuery ML in Vertex AI
L'integrazione dei modelli BigQuery ML in Vertex AI offre due vantaggi:
Gestione dei modelli online: BigQuery ML supporta solo le previsioni batch per i tuoi modelli. Per ottenere previsioni online, puoi addestrare i modelli in BigQuery ML ed eseguirne il deployment sugli endpoint Vertex AI tramite Vertex AI Model Registry.
Funzionalità MLOps: i modelli sono più utili quando sono al passo con con una formazione continua. Vertex AI offre strumenti MLOps che automatizzare il monitoraggio e il riaddestramento dei modelli per mantenere l'accuratezza di previsioni nel tempo. Con Vertex AI Pipelines, puoi utilizzare Operatori BigQuery per collegare eventuali job BigQuery (inclusi BigQuery ML) in una pipeline ML. Con Vertex AI Model Monitoring, puoi monitorare le previsioni nel tempo.
Per scoprire come registrare i tuoi modelli BigQuery ML in Model Registry, consulta Gestire i modelli BigQuery ML con Vertex AI.
Tutorial sul blocco note correlati
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizza l'SDK Vertex AI per Python per addestrare ed eseguire il deployment di un modello di classificazione tabulare personalizzato per la previsione online. | Addestramento di un modello TensorFlow sui dati BigQuery |
| Usa l'SDK Vertex AI per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni online dal modello. | SDK Vertex AI per Python: modello di regressione tabulare di addestramento di AutoML per la previsione online con BigQuery |
| Utilizzare due pipeline Vertex AI Tabular Workflows per addestrare un modello AutoML utilizzando configurazioni diverse. | Flusso di lavoro tabulare: pipeline tabulare AutoML |
| Usa l'SDK Vertex AI per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni batch dal modello. | SDK Vertex AI per Python: modello di regressione tabulare di addestramento AutoML per previsione batch con BigQuery |
| Utilizza l'SDK Vertex AI per addestrare un modello AutoML per le previsioni tabulari e ottenere previsioni batch dal modello. | SDK Vertex AI: modello di previsione tabulare AutoML per la previsione batch |
| Addestra e valuta un modello di propensione in BigQuery ML per prevedere la fidelizzazione degli utenti su un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per eseguire l'ottimizzazione dei prezzi dei dati sui prezzi CDM. | Analisi dell'ottimizzazione dei prezzi sui dati sui prezzi CDM |
Passaggi successivi
- Per iniziare a utilizzare Vertex AI, consulta: