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. Dafür gibt es drei Möglichkeiten:

  • Mit AutoML können Sie Modelle für Bild-, Tabellen-, Text- 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 benutzerdefiniert trainierte Modelle in der Vertex AI-Modell-Registry registrieren. Sie müssen AutoML-Modelle nicht registrieren. Sie werden automatisch bei der Erstellung registriert. Sie können BigQuery ML-Modelle in der Vertex AI Model Registry registrieren. Sie können auch Modelle, die außerhalb von Vertex AI und BigQuery ML erstellt wurden, in die Vertex AI-Modell-Registry importieren.

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:

  • Vertex AI SDK für Python
  • Clientbibliothek für Java
  • Clientbibliothek für Node.js

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

BigQuery ML ist ein Modellentwicklungsdienst in BigQuery. Mit BigQuery ML können SQL-Nutzer ML-Modelle direkt in BigQuery 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.

Verfügbare Sprache:

  • GoogleSQL

Weitere Informationen zu den Vorteilen von BigQuery ML finden Sie unter Was ist BigQuery ML?

Vorteile der Einbindung von BigQuery ML-Modellen in Vertex AI

Die Einbindung 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
Verwenden Sie das Vertex AI SDK für Python, um ein benutzerdefiniertes Bildklassifizierungsmodell für Onlinevorhersagen zu trainieren und bereitzustellen. TensorFlow-Modell mit BigQuery-Daten trainieren
Mit dem Vertex AI SDK für Python ein AutoML-Modell für die tabellarische Regression trainieren und Onlinevorhersagen aus dem Modell abrufen. Vertex AI SDK für Python: AutoML-Training mit einem Tabellenmodell von Regressionsmodellen für Onlinevorhersagen mit BigQuery
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
Vertex AI SDK verwenden, um ein AutoML-Modell für die tabellarische Prognose zu trainieren und Batchvorhersagen aus dem Modell zu erhalten Vertex AI SDK: Tabellarisches AutoML-Prognosemodell für Batchvorhersagen
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