Utilizza questa pagina per comprendere le differenze tra Vertex AI e BigQuery e scoprire come integrare Vertex AI con i tuoi flussi di lavoro BigQuery esistenti. Vertex AI e BigQuery collaborano per soddisfare i tuoi casi d'uso MLOps e di machine learning.
Per saperne di più sulle differenze di addestramento dei modelli tra Vertex AI e BigQuery, consulta Scegliere un metodo di addestramento.
Differenze tra Vertex AI e BigQuery
Questa sezione illustra i servizi Vertex AI, BigQuery e BigQuery ML.
Vertex AI: una piattaforma IA/ML end-to-end
Vertex AI è una piattaforma IA/ML per lo sviluppo e la governance di modelli. Puoi addestrare i tuoi modelli in due modi principali:
- AutoML: che consente di addestrare modelli su set di dati immagine, tabulare, testo e video senza scrivere codice.
- Addestramento personalizzato: per eseguire codice di addestramento personalizzato in base al tuo caso d'uso specifico.
Puoi registrare sia AutoML sia i modelli con addestramento personalizzato in Vertex AI Model Registry. Puoi anche importare modelli addestrati al di fuori di Vertex AI e registrarli in Vertex AI Model Registry.
Dal registro puoi gestire le versioni dei modelli, eseguire il deployment su endpoint per previsioni online e batch, eseguire valutazioni dei modelli, monitorare i deployment con Vertex AI Model Monitoring e utilizzare Vertex Explainable AI.
Lingue disponibili:
- SDK Vertex AI per Python
- Libreria client per Java
- Libreria client per Node.js
BigQuery: un data warehouse aziendale serverless e multi-cloud
BigQuery è un data warehouse aziendale completamente gestito che ti aiuta a gestire e analizzare i tuoi dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence. Le tabelle BigQuery possono essere eseguite da SQL e i data scientist che usano principalmente SQL possono eseguire query di grandi dimensioni con poche righe di codice.
Puoi anche usare BigQuery come datastore a cui fare riferimento durante la creazione di modelli tabulari e personalizzati in Vertex AI. Per scoprire di più sull'utilizzo di BigQuery come datastore, consulta Panoramica dell'archiviazione di BigQuery.
Lingue disponibili:
- SDK per BigQuery. Per ulteriori informazioni, consulta le Librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per scoprire di più, consulta Dialetti SQL di BigQuery.
BigQuery ML: machine learning direttamente in BigQuery
BigQuery ML è un servizio di sviluppo di modelli all'interno di BigQuery. Con BigQuery ML, gli utenti SQL possono addestrare modelli ML direttamente in BigQuery senza dover spostare i dati o preoccuparsi dell'infrastruttura di addestramento sottostante. Puoi creare previsioni batch per i modelli BigQuery ML per ottenere insight dai tuoi dati BigQuery.
Lingua disponibile:
- GoogleSQL
Per ulteriori informazioni sui vantaggi derivanti dall'utilizzo di BigQuery ML, consulta Che cos'è BigQuery ML?
Vantaggi dell'integrazione dei modelli BigQuery ML in Vertex AI
L'integrazione dei modelli BigQuery ML in Vertex AI offre due vantaggi principali:
Pubblicazione del modello online: BigQuery ML supporta solo le previsioni batch per i modelli. Per ottenere previsioni online, puoi addestrare i tuoi modelli in BigQuery ML ed eseguirne il deployment negli endpoint Vertex AI tramite Vertex AI Model Registry.
Funzionalità MLOps: i modelli sono più utili se vengono tenuti aggiornati tramite addestramento continuo. Vertex AI offre strumenti MLOps che automatizzano il monitoraggio e il riaddestramento dei modelli per mantenere l'accuratezza delle previsioni nel tempo. Con Vertex AI Pipelines, puoi utilizzare gli operatori BigQuery per collegare qualsiasi job BigQuery (incluso BigQuery ML) in una pipeline ML. Con Vertex AI Model Monitoring, puoi monitorare le previsioni BigQuery ML nel tempo.
Per informazioni su come registrare i tuoi modelli BigQuery ML in Model Registry, consulta Gestire i modelli BigQuery ML con Vertex AI.
Tutorial sui blocchi note correlati
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizza l'SDK Vertex AI per Python per addestrare ed eseguire il deployment di un modello di classificazione tabulare personalizzato per la previsione online. | Addestramento di un modello TensorFlow su dati BigQuery |
| Utilizza l'SDK Vertex AI per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni online dal modello. | SDK Vertex AI per Python: modello di regressione tabulare per l'addestramento AutoML per la previsione online con BigQuery |
| Utilizza due pipeline di Vertex AI Tabular Workflows per addestrare un modello AutoML utilizzando configurazioni diverse. | Tabular Workflow: AutoML Tabular Pipeline (Flusso di lavoro tabulare: pipeline tabulare AutoML |
| Utilizza l'SDK Vertex AI per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni batch dal modello. | SDK Vertex AI per Python: modello di regressione tabulare di addestramento AutoML per la previsione batch con BigQuery |
| Utilizza l'SDK Vertex AI per addestrare un modello AutoML per le previsioni tabulari e ottenere previsioni batch dal modello. | SDK Vertex AI: modello di previsione tabulare AutoML per la previsione batch |
| Addestra e valuta un modello di propensione in BigQuery ML per prevedere la fidelizzazione utenti su un gioco per dispositivi mobili. | Previsione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per ottimizzare i prezzi sui dati dei prezzi CDM. | Analisi dell'ottimizzazione dei prezzi in base ai dati dei prezzi CDM |
Passaggi successivi
- Per iniziare a utilizzare Vertex AI, consulta: