Utilisez cette page pour comprendre les différences entre Vertex AI et BigQuery, et pour découvrir comment intégrer Vertex AI à vos workflows BigQuery existants. Vertex AI et BigQuery fonctionnent de concert pour répondre à vos cas d'utilisation de machine learning et de MLOps.
Pour en savoir plus sur les différences d'entraînement de modèle entre Vertex AI et BigQuery, consultez la section Choisir une méthode d'entraînement.
Différences entre Vertex AI et BigQuery
Cette section couvre les services Vertex AI, BigQuery et BigQuery ML.
Vertex AI : une plate-forme d'IA/de ML de bout en bout
Vertex AI est une plate-forme d'IA/de ML pour le développement et la gouvernance de modèles. Voici quelques cas d'utilisation courants :
- Tâches de machine learning, telles que la prévision, la prédiction, la recommandation et la détection d'anomalies
Tâches d'IA générative, telles que :
- Génération, classification, synthèse et extraction de texte
- Génération et complétion de code
- Génération d'images
- Génération d'embeddings
Vous pouvez utiliser BigQuery pour préparer des données d'entraînement pour les modèles Vertex AI, que vous pouvez mettre à disposition en tant que fonctionnalités dans Vertex AI Feature Store.
Vous pouvez entraîner des modèles dans Vertex AI de trois manières :
- AutoML : entraînez des modèles sur des ensembles de données d'images, tabulaires et vidéo sans écrire de code.
- Entraînement personnalisé : exécutez un code d'entraînement personnalisé adapté à votre cas d'utilisation spécifique.
- Ray sur Vertex AI : utilisez Ray pour faire évoluer des applications d'IA et Python, comme le machine learning.
Vous pouvez également importer un modèle entraîné sur une autre plate-forme, comme BigQuery ML ou XGBoost.
Vous pouvez enregistrer des modèles entraînés sur mesure dans Vertex AI Model Registry. Vous pouvez également importer des modèles entraînés en dehors de Vertex AI et les enregistrer dans Vertex AI Model Registry. Vous n'avez pas besoin d'enregistrer les modèles AutoML. Ils sont enregistrés automatiquement lors de leur création.
Depuis le registre, vous pouvez gérer les versions de modèles, les déployer sur des points de terminaison pour obtenir des prédictions en ligne et par lot, évaluer les modèles, surveiller les déploiements avec Vertex AI Model Monitoring, et utiliser Vertex Explainable AI.
Langues disponibles
- Le SDK Vertex AI est compatible avec Python, Java, Node.js et Go.
BigQuery : un entrepôt de données d'entreprise multicloud sans serveur
BigQuery est un entrepôt de données d'entreprise entièrement géré, qui vous aide à gérer et analyser vos données grâce à des fonctionnalités intégrées telles que le machine learning, l'analyse géospatiale et l'informatique décisionnelle. Les tables BigQuery peuvent être interrogées par SQL, et les data scientists qui utilisent principalement SQL peuvent exécuter des requêtes volumineuses avec seulement quelques lignes de code.
Vous pouvez également utiliser BigQuery comme data store que vous référencez lors de la création de modèles tabulaires et personnalisés dans Vertex AI. Pour en savoir plus sur l'utilisation de BigQuery en tant que datastore, consultez la page Présentation du stockage BigQuery.
Langues disponibles
- SDK pour BigQuery. Pour en savoir plus, consultez la page Bibliothèques clientes de l'API BigQuery.
- GoogleSQL
- Ancien SQL
Pour en savoir plus, consultez la page Dialectes BigQuery SQL.
BigQuery ML : machine learning directement dans BigQuery
BigQuery ML vous permet de développer et d'appeler des modèles dans BigQuery. Avec BigQuery ML, vous pouvez utiliser SQL pour entraîner des modèles de ML directement dans BigQuery sans avoir à déplacer les données ni à vous soucier de l'infrastructure d'entraînement sous-jacente. Vous pouvez créer des prédictions par lot pour les modèles BigQuery ML afin de mieux comprendre vos données BigQuery.
Vous pouvez également accéder aux modèles Vertex AI à l'aide de BigQuery ML. Vous pouvez créer un modèle distant BigQuery ML sur un modèle intégré Vertex AI comme Gemini ou sur un modèle personnalisé Vertex AI. Vous interagissez avec le modèle distant à l'aide de SQL dans BigQuery, comme avec n'importe quel autre modèle BigQuery ML. Toutefois, l'ensemble de l'entraînement et de l'inférence du modèle distant est traité dans Vertex AI.
Langages disponibles :
- GoogleSQL
- Bibliothèques clientes BigQuery
Pour en savoir plus sur les avantages offerts par BigQuery ML, consultez la page Présentation de l'IA et du ML dans BigQuery.
Avantages de l'intégration de modèles BigQuery ML dans Vertex AI
Vous pouvez enregistrer vos modèles BigQuery ML dans Model Registry afin de les gérer dans Vertex AI. L'intégration des modèles BigQuery ML dans Vertex AI offre deux avantages principaux :
Diffusion de modèles en ligne : BigQuery ML n'accepte que les prédictions par lot pour vos modèles. Pour obtenir des prédictions en ligne, vous pouvez entraîner vos modèles dans BigQuery ML et les déployer sur des points de terminaison Vertex AI via Vertex AI Model Registry.
Capacités MLOps : les modèles sont particulièrement utiles lorsqu'ils sont mis à jour via l'entraînement continu. Vertex AI propose des outils MLOps qui automatisent la surveillance et le réentraînement des modèles afin de maintenir la précision des prédictions au fil du temps. Avec Vertex AI Pipelines, vous pouvez utiliser des opérateurs BigQuery pour connecter des jobs BigQuery (y compris BigQuery ML) à un pipeline de ML. Avec Vertex AI Model Monitoring, vous pouvez surveiller vos prédictions BigQuery ML au fil du temps.
Pour savoir comment enregistrer vos modèles BigQuery ML dans Model Registry, consultez la page Gérer les modèles BigQuery ML avec Vertex AI.
Tutoriels sur les notebooks associés
| Que souhaitez-vous faire ? | Ressource |
|---|---|
| Utiliser BigQuery ML pour analyser des images et du texte à l'aide de Gemini sur Vertex AI | Analyser des affiches de films dans BigQuery avec Gemini 1.5 Flash |
| Utiliser BigQuery ML pour générer du texte sur des tables BigQuery ou des données non structurées avec des modèles de fondation sur Vertex AI | Générer du texte à l'aide de BigQuery ML et des modèles de fondation dans Vertex AI |
| Générer des embeddings vectoriels avec BigQuery ML sur du texte et des images | Appeler un point de terminaison d'embedding multimodal dans Vertex AI à partir de BigQuery ML pour générer des embeddings pour la recherche sémantique |
| Utilisez deux pipelines de workflows tabulaires Vertex AI pour entraîner un modèle AutoML avec différentes configurations. | Workflow tabulaire : pipeline tabulaire AutoML |
| Utilisez le SDK Vertex AI pour Python afin d'entraîner un modèle AutoML pour la régression tabulaire et obtenir des prédictions par lot à partir du modèle. | SDK Vertex AI pour Python : modèle de régression tabulaire d'entraînement AutoML pour la prédiction par lot utilisant BigQuery |
| Entraînez et évaluez un modèle de tendances dans BigQuery ML pour prédire la fidélisation des utilisateurs sur un jeu mobile. | Prédiction du taux de perte d'utilisateurs pour les développeurs de jeux vidéo à l'aide de Google Analytics 4 et de BigQuery ML |
| Utilisez BigQuery ML pour optimiser les prix sur les données de tarification CDM. | Analyse de l'optimisation des prix sur les données de tarification CDM. |
Étapes suivantes
- Pour commencer à utiliser Vertex AI, consultez les pages suivantes :