Use esta página para entender as diferenças entre a Vertex AI e o BigQuery e saiba como integrar a Vertex AI aos fluxos de trabalho atuais do BigQuery. A Vertex AI e o BigQuery trabalham juntos para atender aos casos de uso de machine learning e MLOps.
Para saber mais sobre as diferenças de treinamento de modelos entre a Vertex AI e o BigQuery, consulte Escolher um método de treinamento.
Diferenças entre a Vertex AI e o BigQuerys
Nesta seção, abordamos os serviços da Vertex AI, do BigQuery e do BigQuery ML.
Vertex AI: uma plataforma de IA/ML de ponta a ponta
A Vertex AI é uma plataforma de IA/ML para desenvolvimento e governança de modelos. É possível treinar seus modelos de três maneiras principais:
- AutoML: permite treinar modelos em conjuntos de dados de imagem, tabulares, de texto e de vídeo sem escrever códigos.
- Treinamento personalizado: onde é possível executar códigos de treinamento personalizados atendendo ao seu caso de uso específico.
- Ray na Vertex AI: permite usar o Ray para escalonar aplicativos de IA e Python, como machine learning.
É possível registrar modelos personalizados no Vertex AI Model Registry. Você não precisa registrar modelos do AutoML. Eles são registrados automaticamente no momento da criação. É possível registrar modelos do BigQuery ML no Vertex AI Model Registry. Também é possível importar modelos criados fora da Vertex AI e do BigQuery ML para o Vertex AI Model Registry.
No registro, é possível gerenciar versões de modelos, fazer implantações em endpoints para previsões on-line, realizar avaliações de modelos, monitorar implantações com o Vertex AI Model Monitoring e usar a Vertex Explainable AI.
Idiomas disponíveis:
- SDK da Vertex AI para Python
- Biblioteca de cliente para Java
- Biblioteca de cliente para Node.js
BigQuery: um armazenamento de dados corporativo sem servidor e com várias nuvens
O BigQuery é um armazenamento de dados corporativo totalmente gerenciado que ajuda a gerenciar e analisar dados com recursos integrados, como aprendizado de máquina, análise geoespacial e business intelligence. As tabelas do BigQuery podem ser consultadas pelo SQL, e os cientistas de dados que usam principalmente SQL podem executar consultas grandes com apenas algumas linhas de código.
Também é possível usar o BigQuery como um armazenamento de dados referenciado ao criar modelos tabulares e personalizados na Vertex AI. Para saber mais sobre como usar o BigQuery como um armazenamento de dados, consulte Visão geral do armazenamento do BigQuery.
Idiomas disponíveis:
- SDKs para o BigQuery. Para saber mais, consulte as bibliotecas de cliente da API BigQuery
- GoogleSQL
- SQL legado
Para saber mais, consulte Dialetos SQL do BigQuery.
BigQuery ML: machine learning diretamente no BigQuery
O BigQuery ML é um serviço de desenvolvimento de modelos no BigQuery. Com o BigQuery ML, usuários do SQL podem treinar modelos de ML diretamente no BigQuery sem precisar mover dados ou se preocupar com a infraestrutura de treinamento subjacente. É possível criar previsões em lote para modelos do BigQuery ML para receber insights dos seus dados do BigQuery.
Idioma disponível:
- GoogleSQL
Para saber mais sobre as vantagens de usar o BigQuery ML, consulte O que é o BigQuery ML?
Benefícios da integração de modelos do BigQuery ML na Vertex AI
A integração de modelos do BigQuery ML na Vertex AI oferece dois benefícios principais:
Exibição de modelo on-line: o BigQuery ML é compatível apenas com previsões em lote para seus modelos. Para receber previsões on-line, é possível treinar seus modelos no BigQuery ML e implantá-los em endpoints da Vertex AI usando o Vertex AI Model Registry.
Recursos de MLOps: os modelos são mais benéficos quando são atualizados por meio de treinamento contínuo. A Vertex AI oferece ferramentas de MLOps que automatizam o monitoramento e o retreinamento de modelos para manter a precisão das previsões ao longo do tempo. Com o Vertex AI Pipelines, é possível usar operadores do BigQuery para conectar qualquer job do BigQuery (incluindo o BigQuery ML) a um pipeline de ML. Com o monitoramento de modelos da Vertex AI, é possível monitorar suas previsões do BigQuery ML ao longo do tempo.
Para saber como registrar seus modelos do BigQuery ML no Model Registry, consulte Gerenciar modelos do BigQuery ML com a Vertex AI.
Tutoriais de notebook relacionados
O que você quer fazer? | Recurso |
---|---|
Use o SDK do Vertex AI para Python para treinar e implantar um modelo de classificação de imagens personalizado para previsão on-line. | Como treinar um modelo do TensorFlow com dados do BigQuery |
Usar o SDK da Vertex AI para Python no treinamento de um modelo de AutoML para regressão tabular e receber previsões on-line do modelo. | SDK da Vertex AI para Python: modelo de regressão tabular do treinamento de AutoML para previsão on-line usando o BigQuery |
Usar dois pipelines de fluxos de trabalho tabulares da Vertex AI para treinar um modelo do AutoML usando configurações diferentes. | Fluxo de trabalho tabular: pipeline tabular do AutoML |
Use o SDK da Vertex AI para Python para treinar um modelo de AutoML para regressão tabular e receber previsões em lote do modelos | SDK do Vertex AI para Python: modelo de regressão tabular do treinamento do AutoML para previsão em lote usando o BigQuery |
Use o SDK da Vertex AI para treinar um modelo de AutoML para previsão tabular e receber previsões em lote do modelo. | SDK da Vertex AI: modelo de previsão tabular do AutoML para previsão em lote |
Treinar e avaliar um modelo de propensão no BigQuery ML para prever a retenção de usuários em um jogo para dispositivos móveis. | Previsão de desligamento de usuários para desenvolvedores de jogos que usam o Google Analytics 4 e o BigQuery ML. |
Usar o BigQuery ML para otimizar os preços dos dados de CDM | Análise de otimização de preços nos dados de preços de CDM |
A seguir
- Para começar a usar a Vertex AI, consulte: