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 zwei 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.
Sie können sowohl AutoML- als auch benutzerdefiniert trainierte Modelle in der Vertex AI-Modell-Registry registrieren. Sie können auch Modelle, die außerhalb von Vertex AI trainiert wurden, in Vertex AI Model Registry registrieren.
In der Registry können Sie Modellversionen verwalten, Endpunkte für Endpunkte für Online- und Batchvorhersagen bereitstellen, Modellbewertungen durchführen, Bereitstellungen mit Vertex AI-Modellmonitoring überwachen und nutzen.Vertex Explainable AI finden Sie weitere Informationen.
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:
- SDKs für BigQuery Weitere Informationen finden Sie unter BigQuery API-Clientbibliotheken.
- GoogleSQL
- Legacy-SQL
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.
Informationen zum Registrieren Ihrer BigQuery ML-Modelle in der Model Registry finden Sie unter BigQuery ML-Modelle mit Vertex AI verwalten.
Ähnliche Notebook-Anleitungen
| 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 evaluieren Sie ein Neigungsmodell in BigQuery ML, um die Nutzerbindung für ein Spiel für Mobilgeräte vorherzusagen. | Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML |
| Verwenden Sie BigQuery ML, um eine Preisoptimierung für CDM-Preisdaten durchzuführen. | Analyse der Preisoptimierung für CDM-Preisdaten |
Nächste Schritte
- Informationen zum Einstieg in Vertex AI finden Sie unter: