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. Vous pouvez entraîner vos modèles de deux manières principales :
- AutoML: entraînez des modèles sur des ensembles de données d'image, tabulaires, texte et vidéo sans écrire de code.
- Entraînement personnalisé : vous pouvez exécuter un code d'entraînement personnalisé adapté à votre cas d'utilisation spécifique.
Vous pouvez enregistrer des modèles AutoML et des modèles personnalisés dans le registre de modèles Vertex AI. Vous pouvez également importer des modèles entraînés en dehors de Vertex AI et les enregistrer dans Vertex AI Model Registry.
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
- SDK Vertex AI pour Python
- Bibliothèque cliente pour Java
- Bibliothèque cliente pour Node.js
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 est un service de développement de modèles intégré dans BigQuery. Avec BigQuery ML, les utilisateurs de SQL peuvent entraîner des modèles de ML directement dans BigQuery sans avoir à déplacer les données ni à se 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.
Langages disponibles :
- GoogleSQL
Pour en savoir plus sur les avantages offerts par BigQuery ML, consultez la page Qu'est-ce que BigQuery ML ?
Avantages de l'intégration de modèles BigQuery ML 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 tâches 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 |
|---|---|
| Entraînez et déployez un modèle de classification tabulaire personnalisée pour la prédiction en ligne à l'aide du SDK Vertex AI pour Python. | Entraînement d'un modèle TensorFlow sur des données BigQuery |
| Utilisez le SDK Vertex AI pour Python afin d'entraîner un modèle AutoML pour la régression tabulaire et obtenir des prédictions en ligne à partir du modèle. | SDK Vertex AI pour Python : modèle de régression tabulaire d'entraînement AutoML pour la prédiction en ligne avec BigQuery |
| 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 |
| Utilisez le SDK Vertex AI pour entraîner un modèle AutoML pour les prévisions tabulaires et obtenir des prédictions par lot à partir du modèle. | SDK Vertex AI : modèle de prévision tabulaire AutoML pour la prédiction par lot |
| 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 :