Usa 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 operano in sinergia per soddisfare i tuoi casi d'uso di machine learning e MLOps.
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 sia per lo sviluppo che per la governance dei modelli. Puoi addestrare i tuoi modelli in tre modi principali:
- AutoML: consente di addestrare i modelli su set di dati di immagini, tabulari, testo e video senza scrivere codice.
- Addestramento personalizzato: in cui puoi eseguire codice di addestramento personalizzato adatto al tuo caso d'uso specifico.
- Ray on Vertex AI: che ti consente di utilizzare Ray per scalare applicazioni di IA e Python come il machine learning.
In Vertex AI Model Registry è possibile registrare sia i modelli AutoML sia quelli con addestramento personalizzato. 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 multi-cloud serverless e multi-cloud
BigQuery è un data warehouse aziendale completamente gestito che ti consente di gestire e analizzare i tuoi dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence. Le tabelle BigQuery possono essere sottoposte a query da SQL e i data scientist che utilizzano principalmente SQL possono eseguire query di grandi dimensioni con solo poche righe di codice.
Puoi anche utilizzare BigQuery come datastore a cui fai 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 saperne di più, consulta Librerie client dell'API BigQuery.
- GoogleSQL
- SQL precedente
Per saperne 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 i modelli ML direttamente in BigQuery senza dover spostare i dati e senza preoccuparsi dell'infrastruttura di addestramento sottostante. Puoi creare previsioni batch per i modelli BigQuery ML al fine di ottenere insight dai tuoi dati BigQuery.
Lingue disponibili:
- GoogleSQL
Per ulteriori informazioni sui vantaggi di utilizzare 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:
Gestione dei modelli online: BigQuery ML supporta solo le previsioni batch per i tuoi 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 particolarmente utili quando vengono 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 di BigQuery ML nel tempo.
Per informazioni su come registrare i modelli BigQuery ML nel registro dei modelli, consulta Gestire i modelli BigQuery ML con Vertex AI.
Tutorial sul blocco 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 sui dati BigQuery |
| Usa 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 di addestramento di AutoML per la previsione online con BigQuery |
| Utilizzare due pipeline Vertex AI Tabular Workflows per addestrare un modello AutoML utilizzando configurazioni diverse. | Flusso di lavoro tabulare: pipeline tabulare AutoML |
| Usa 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 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 degli utenti su un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per eseguire l'ottimizzazione dei prezzi dei dati sui prezzi CDM. | Analisi dell'ottimizzazione dei prezzi sui dati sui prezzi CDM |
Passaggi successivi
- Per iniziare a utilizzare Vertex AI, consulta: