Utilizza questa pagina per comprendere le differenze tra Gemini Enterprise Agent Platform e BigQuery e scoprire come integrare Gemini Enterprise Agent Platform con i tuoi flussi di lavoro BigQuery esistenti. Gemini Enterprise Agent Platform e BigQuery collaborano per soddisfare i tuoi casi d'uso di machine learning e MLOps.
Per scoprire di più sulle differenze di addestramento dei modelli tra Gemini Enterprise Agent Platform e BigQuery, consulta Scegli un metodo di addestramento.
Differenze tra Gemini Enterprise Agent Platform e BigQuery
Questa sezione riguarda i servizi Gemini Enterprise Agent Platform, BigQuery e BigQuery ML.
Gemini Enterprise Agent Platform: una piattaforma AI/ML end-to-end
Agent Platform è una piattaforma di AI/ML per lo sviluppo e la governance dei modelli. I casi d'uso comuni includono:
- Attività di machine learning, come previsione, suggerimenti e rilevamento di anomalie
Attività di AI generativa, ad esempio:
- Generazione, classificazione, riepilogo ed estrazione di testo
- Generazione e completamento del codice
- Generazione di immagini
- Generazione di embedding
Puoi utilizzare BigQuery per preparare i dati di addestramento per i modelli di Agent Platform, che puoi rendere disponibili come caratteristiche in Agent Platform Feature Store.
Puoi addestrare i modelli in Agent Platform in tre modi:
- AutoML: addestra i modelli su set di dati di immagini, tabulari e video senza scrivere codice.
- Addestramento personalizzato: esegui il codice di addestramento personalizzato in base al tuo caso d'uso specifico.
- Ray on Agent Platform: utilizza Ray per scalare le applicazioni di AI e Python, come il machine learning.
Puoi anche importare un modello addestrato su un'altra piattaforma, come BigQuery ML o XGBoost.
Puoi registrare i modelli con addestramento personalizzato nel Model Registry. Puoi anche importare modelli addestrati al di fuori di Gemini Enterprise Agent Platform e registrarli in Model Registry. Non è necessario registrare i modelli AutoML, che vengono registrati automaticamente al momento della creazione.
Dal registry puoi gestire le versioni dei modelli, eseguire il deployment negli endpoint per le previsioni online, eseguire valutazioni dei modelli, monitorare i deployment con Gemini Enterprise Agent Platform Model Monitoring e utilizzare Vertex Explainable AI.
Lingue disponibili:
- L'SDK Agent Platform supporta Python, Java, Node.js e Go.
BigQuery: un data warehouse aziendale multi-cloud serverless
BigQuery è un data warehouse aziendale completamente gestito progettato per aiutarti nelle attività di analisi e di gestione dei dati grazie a funzionalità integrate come machine learning, analisi geospaziale e business intelligence. Le tabelle BigQuery possono essere interrogate tramite SQL e i data scientist che utilizzano principalmente SQL possono eseguire query di grandi dimensioni con poche righe di codice.
Puoi anche utilizzare BigQuery come datastore a cui fare riferimento durante la creazione di modelli tabulari e personalizzati in Agent Platform. Per scoprire di più sull'utilizzo di BigQuery come datastore, consulta Panoramica dello spazio di archiviazione di BigQuery.
Lingue disponibili:
- SDK per BigQuery. Per saperne di più, consulta le 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 ti consente di sviluppare e richiamare modelli in BigQuery. Con BigQuery ML, puoi utilizzare SQL per addestrare i modelli ML direttamente in BigQuery senza dover spostare i dati o preoccuparti dell'infrastruttura di addestramento sottostante. Puoi creare previsioni in batch per i modelli BigQuery ML per ottenere insight dai tuoi dati BigQuery.
Puoi anche accedere ai modelli di Agent Platform utilizzando BigQuery ML. Puoi creare un modello remoto BigQuery ML su un modello integrato di Agent Platform come Gemini o su un modello personalizzato di Agent Platform. Puoi interagire con il modello remoto utilizzando SQL in BigQuery, proprio come qualsiasi altro modello BigQuery ML, ma tutto l'addestramento e l'inferenza per il modello remoto vengono elaborati in Agent Platform.
Lingua disponibile:
- GoogleSQL
- Librerie client di BigQuery
Per scoprire di più sui vantaggi dell'utilizzo di BigQuery ML, consulta Introduzione all'AI e al ML in BigQuery.
Vantaggi della gestione dei modelli BigQuery ML in Agent Platform
Puoi registrare i tuoi modelli BigQuery ML in Model Registry per gestirli in Agent Platform. La gestione dei modelli BigQuery ML in Agent Platform offre due vantaggi principali:
Erogazione del modello online: BigQuery ML supporta solo le previsioni in batch per i tuoi modelli. Per ottenere previsioni online, puoi addestrare i tuoi modelli in BigQuery ML ed eseguirne il deployment negli endpoint della piattaforma dell'agente tramite Model Registry.
Funzionalità MLOps: i modelli sono più utili quando vengono mantenuti aggiornati tramite l'addestramento continuo. Agent Platform offre strumenti MLOps che automatizzano il monitoraggio e il riaddestramento dei modelli per mantenere l'accuratezza delle previsioni nel tempo. Con le pipeline di Agent Platform, puoi utilizzare gli operatori BigQuery per collegare qualsiasi job BigQuery (incluso BigQuery ML) a una pipeline ML. Con il monitoraggio dei modelli di Gemini Enterprise Agent Platform, puoi monitorare le tue previsioni BigQuery ML nel tempo.
Per scoprire come registrare i modelli BigQuery ML in Model Registry, consulta Gestisci i modelli BigQuery ML con Agent Platform.
Tutorial sui notebook correlati
| Che cosa vuoi fare? | Risorsa |
|---|---|
| Utilizza BigQuery ML per generare testo su tabelle BigQuery o dati non strutturati con i foundation model su Agent Platform | Genera testo utilizzando BigQuery ML e i foundation model in Agent Platform |
| Genera vector embedding con BigQuery ML su testo e immagini | Chiama un endpoint di embedding multimodale in Agent Platform da BigQuery ML per generare embedding per la ricerca semantica |
| Utilizza due pipeline di flussi di lavoro tabulari di Agent Platform per addestrare un modello AutoML utilizzando configurazioni diverse. | Tabular Workflow: AutoML Tabular Pipeline |
| Utilizza l'SDK Agent Platform per Python per addestrare un modello AutoML per la regressione tabulare e ottenere previsioni in batch dal modello. | SDK Agent Platform per Python: modello di regressione tabulare di addestramento AutoML per le previsioni in batch utilizzando BigQuery |
| Addestrare e valutare un modello di propensione in BigQuery ML per prevedere la fidelizzazione utenti in un gioco mobile. | Previsione del tasso di abbandono per gli sviluppatori di giochi utilizzando Google Analytics 4 e BigQuery ML |
| Utilizza BigQuery ML per eseguire l'ottimizzazione dei prezzi sui dati sui prezzi di CDM. | Analisi dell'ottimizzazione dei prezzi sui dati dei prezzi di CDM |
Passaggi successivi
- Per iniziare a utilizzare Gemini Enterprise Agent Platform, consulta: