Usa esta página para comprender las diferencias entre Vertex AI y BigQuery, y aprender cómo integrar Vertex AI en tus flujos de trabajo existentes de BigQuery. Vertex AI y BigQuery trabajan en conjunto para satisfacer tus casos de uso de aprendizaje automático y de MLOps.
Para obtener más información sobre las diferencias de entrenamiento de modelos entre Vertex AI y BigQuery, consulta Elige un método de entrenamiento.
Diferencias entre Vertex AI y BigQuery
En esta sección, se abarcan los servicios de Vertex AI, BigQuery y BigQuery ML.
Vertex AI: Una plataforma de IA/AA de extremo a extremo
Vertex AI es una plataforma de IA/AA para el desarrollo y la administración de modelos. Puedes entrenar los modelos de dos maneras principales:
- AutoML: te permite entrenar modelos en conjuntos de datos de imágenes, tabulares, de texto y de video sin escribir un código.
- Entrenamiento personalizado: aquí puedes ejecutar un código de entrenamiento personalizado adaptado a tu caso de uso específico.
Puedes registrar tanto modelos de AutoML como modelos entrenados personalizados en Vertex AI Model Registry. También puedes importar modelos entrenados fuera de Vertex AI para registrarlos en Vertex AI Model Registry.
Desde el registro, puedes administrar las versiones de los modelos, implementar en extremos de predicción en línea y por lotes, realizar evaluaciones de modelos, supervisar las implementaciones con Vertex AI Model Monitoring y usar Vertex Explainable AI.
Idiomas disponibles:
- SDK de Vertex AI para Python
- Biblioteca cliente para Java
- Biblioteca cliente para Node.js
BigQuery: Un almacén de datos empresarial sin servidores y en múltiples nubes
BigQuery es un almacén de datos empresarial completamente administrado que te ayuda a administrar y analizar tus datos con funciones integradas como el aprendizaje automático, el análisis geoespacial y la inteligencia empresarial. SQL puede consultar las tablas de BigQuery, y los científicos de datos que usan SQL pueden ejecutar consultas grandes con solo unas pocas líneas de código.
También puedes usar BigQuery como un almacén de datos al que hagas referencia cuando compiles modelos tabulares y personalizados en Vertex AI. Para obtener más información sobre cómo usar BigQuery como un almacén de datos, consulta Descripción general del almacenamiento de BigQuery.
Idiomas disponibles:
- SDK para BigQuery. Para obtener más información, consulta las bibliotecas cliente de la API de BigQuery.
- GoogleSQL
- SQL heredado
Para obtener más información, consulta Dialectos de BigQuery SQL.
BigQuery ML: Aprendizaje automático directamente en BigQuery
BigQuery ML es un servicio de desarrollo de modelos en BigQuery. Con BigQuery ML, los usuarios de SQL pueden entrenar modelos de AA directamente en BigQuery sin necesidad de mover datos ni preocuparse por la infraestructura de entrenamiento subyacente. Puedes crear predicciones por lotes para modelos de BigQuery ML a fin de obtener estadísticas a partir de tus datos de BigQuery.
Lenguaje disponible:
- GoogleSQL
Para obtener más información sobre las ventajas de usar BigQuery ML, consulta ¿Qué es BigQuery ML?
Beneficios de integrar los modelos de BigQuery ML en Vertex AI
La integración de modelos de BigQuery ML en Vertex AI proporciona dos beneficios principales:
Entrega de modelos en línea: BigQuery ML solo admite predicciones por lotes para tus modelos. Para obtener predicciones en línea, puedes entrenar tus modelos en BigQuery ML y, luego, implementarlos en los extremos de Vertex AI a través de Vertex AI Model Registry.
Funciones de MLOps: los modelos son más beneficiosos cuando se mantienen actualizados mediante el entrenamiento continuo. Vertex AI ofrece herramientas de MLOps que automatizan la supervisión y el reentrenamiento de modelos para mantener la exactitud de las predicciones a lo largo del tiempo. Con Vertex AI Pipelines, puedes usar operadores de BigQuery para conectar cualquier trabajo de BigQuery (incluido BigQuery ML) a una canalización de AA. Con Vertex AI Model Monitoring, puedes supervisar tus predicciones de BigQuery ML a lo largo del tiempo.
Para obtener información sobre cómo registrar tus modelos de BigQuery ML en Model Registry, consulta Administra modelos de BigQuery ML con Vertex AI.
Instructivos de notebooks relacionados
| ¿Qué desea hacer? | Recurso |
|---|---|
| Usa el SDK de Vertex AI para Python a fin de entrenar e implementar un modelo de clasificación de datos tabulares personalizado para la predicción en línea. | Entrena un modelo de TensorFlow con los datos de BigQuery |
| Usa el SDK de Vertex AI para Python para entrenar un modelo de AutoML para la regresión tabular y obtener predicciones en línea del modelo | SDK de Vertex AI para Python: modelo de regresión tabular de entrenamiento de AutoML para la predicción en línea con BigQuery |
| Usa dos canalizaciones de los flujos de trabajo tabulares de Vertex AI para entrenar un modelo de AutoML con diferentes configuraciones. | Flujo de trabajo tabular: canalización tabular de AutoML |
| Usa el SDK de Vertex AI para Python a fin de entrenar un modelo de AutoML para la regresión tabular y obtener predicciones por lotes del modelo | SDK de Vertex AI para Python: modelo de regresión tabular de entrenamiento de AutoML para la predicción por lotes con BigQuery |
| Usa el SDK de Vertex AI para entrenar un modelo de AutoML para la previsión tabular y obtener predicciones por lotes del modelo. | SDK de Vertex AI: Modelo de previsión tabular de AutoML para la predicción por lotes |
| Entrena y evalúa un modelo de propensión en BigQuery ML para predecir la retención de usuarios en un juego para dispositivos móviles. | Predicción de deserción para desarrolladores de videojuegos mediante Google Analytics 4 y BigQuery ML |
| Usa BigQuery ML para optimizar los precios con datos de precios de CDM. | Análisis de la optimización de precios en los datos de precios de CDM |
¿Qué sigue?
- Para comenzar a usar Vertex AI, consulta lo siguiente: