כאן מוסבר מה ההבדלים בין Gemini Enterprise Agent Platform לבין BigQuery, ואיך משלבים את Gemini Enterprise Agent Platform בתהליכי העבודה הקיימים ב-BigQuery. פלטפורמת הסוכנים של Gemini Enterprise ו-BigQuery פועלות יחד כדי לתת מענה לתרחישי השימוש שלכם בלמידת מכונה וב-MLOps.
במאמר בחירת שיטת אימון מוסבר על ההבדלים באימון המודלים בין Gemini Enterprise Agent Platform לבין BigQuery.
ההבדלים בין פלטפורמת הסוכנים של Gemini Enterprise לבין BigQuery
בקטע הזה מוסבר על Gemini Enterprise Agent Platform, BigQuery ו-BigQuery ML.
Gemini Enterprise Agent Platform: פלטפורמת AI/ML מקצה לקצה
Agent Platform היא פלטפורמת AI/ML לפיתוח מודלים ולפיקוח עליהם. תרחישים נפוצים לדוגמה:
- משימות של למידת מכונה, כמו חיזוי, המלצה וזיהוי אנומליות
משימות AI גנרטיבי, כמו:
- יצירה, סיווג, סיכום וחילוץ של טקסטים
- יצירה והשלמה של קוד
- יצירת תמונות
- יצירת הטמעה
אתם יכולים להשתמש ב-BigQuery כדי להכין נתוני אימון למודלים של Agent Platform, ואז להפוך אותם לזמינים כמאפיינים ב-Agent Platform Feature Store.
יש שלוש דרכים לאמן מודלים ב-Agent Platform:
- AutoML: אימון מודלים על קבוצות נתונים של תמונות, טבלאות וסרטונים בלי לכתוב קוד.
- אימון בהתאמה אישית: הפעלת קוד אימון בהתאמה אישית שמתאים לתרחיש לדוגמה הספציפי שלכם.
- Ray ב-Agent Platform: שימוש ב-Ray כדי לשנות את קנה המידה של אפליקציות AI ו-Python, כמו למידת מכונה.
אפשר גם לייבא מודל שאומן בפלטפורמה אחרת, כמו BigQuery ML או XGBoost.
אתם יכולים לרשום מודלים עם אימון בהתאמה אישית ב-Model Registry. אתם יכולים גם לייבא מודלים שאומנו מחוץ ל-Gemini Enterprise Agent Platform ולרשום אותם ב-מרשם המודלים. אין צורך לרשום מודלים של AutoML, הם נרשמים באופן אוטומטי בזמן היצירה.
במרשם אפשר לנהל את גרסאות המודלים, לפרוס אותם בנקודות קצה (endpoints) כדי לקבל תחזיות אונליין, להעריך את המודלים, לעקוב אחרי הפריסות באמצעות Gemini Enterprise Agent Platform Model Monitoring ולהשתמש ב-Vertex Explainable AI.
השפות הזמינות:
- ערכת ה-SDK של Agent Platform תומכת ב-Python, ב-Java, ב-Node.js וב-Go.
BigQuery: מחסן נתונים (data warehouse) ארגוני ללא שרת (serverless) שפועל בכמה עננים
BigQuery הוא מחסן נתונים (data warehouse) ארגוני מנוהל, שמאפשר לנהל ולנתח את הנתונים באמצעות תכונות מובנות כמו למידת מכונה, ניתוח נתונים גיאו-מרחביים ובינה עסקית (BI). אפשר לשלוח שאילתות לטבלאות ב-BigQuery באמצעות SQL, ומדעני נתונים שמשתמשים בעיקר ב-SQL יכולים להריץ שאילתות גדולות עם כמה שורות קוד בלבד.
אתם יכולים גם להשתמש ב-BigQuery כמאגר נתונים שאתם מפנים אליו כשאתם יוצרים מודלים טבלאיים ומודלים בהתאמה אישית ב-Agent Platform. למידע נוסף על השימוש ב-BigQuery כמאגר נתונים, קראו את המאמר סקירה כללית על אחסון ב-BigQuery.
השפות הזמינות:
- ערכות SDK ל-BigQuery. למידע נוסף, קראו את המאמר ספריות הלקוח של BigQuery API.
- GoogleSQL
- SQL מדור קודם
מידע נוסף זמין במאמר דיאלקטים של SQL ב-BigQuery.
BigQuery ML: למידת מכונה ישירות ב-BigQuery
בעזרת BigQuery ML אפשר לפתח מודלים ולהפעיל אותם ב-BigQuery. בעזרת BigQuery ML, אתם יכולים להשתמש ב-SQL כדי לאמן מודלים של למידת מכונה ישירות ב-BigQuery, בלי להעביר נתונים או לדאוג לתשתית האימון הבסיסית. אתם יכולים ליצור חיזויים באצווה למודלים של BigQuery ML כדי להפיק תובנות מהנתונים ב-BigQuery.
אתם יכולים גם לגשת למודלים של Agent Platform באמצעות BigQuery ML. אתם יכולים ליצור מודל מרוחק של BigQuery ML על בסיס מודל מובנה של Agent Platform כמו Gemini, או על בסיס מודל מותאם אישית של Agent Platform. אתם יכולים להשתמש במודל המרוחק באמצעות SQL ב-BigQuery, כמו בכל מודל אחר של BigQuery ML, אבל כל האימון וההסקה של המודל המרוחק מעובדים ב-Agent Platform.
השפות הזמינות:
- GoogleSQL
- ספריות הלקוח של BigQuery
במאמר מבוא ל-AI ול-ML ב-BigQuery מוסבר בהרחבה על היתרונות של השימוש ב-BigQuery ML.
היתרונות של ניהול מודלים של BigQuery ML ב-Agent Platform
אתם יכולים לרשום את המודלים של BigQuery ML במרשם המודלים כדי לנהל אותם ב-Agent Platform. לניהול מודלים של BigQuery ML ב-Agent Platform יש שני יתרונות עיקריים:
פרסום מודלים אונליין: BigQuery ML תומך רק בחיזויים באצווה למודלים. כדי לקבל חיזוי מיידי, אתם יכולים לאמן את המודלים ב-BigQuery ML ולפרוס אותם בנקודות קצה של Agent Platform דרך מרשם המודלים.
יכולות MLOps: המודלים הכי יעילים כשהם מעודכנים באמצעות אימון מתמשך. ב-Agent Platform יש כלי MLOps שמבצעים אוטומציה של המעקב אחרי המודלים ואימון מחדש שלהם, כדי לשמור על הדיוק של החיזויים לאורך זמן. באמצעות Agent Platform Pipelines, אתם יכולים להשתמש באופרטורים של BigQuery כדי לחבר כל משימה של BigQuery (כולל BigQuery ML) לצינור עיבוד נתונים של למידת מכונה. באמצעות Gemini Enterprise Agent Platform Model Monitoring, אתם יכולים לעקוב אחרי החיזויים של BigQuery ML לאורך זמן.
במאמר ניהול מודלים של BigQuery ML באמצעות Agent Platform מוסבר איך לרשום את המודלים של BigQuery ML ב-מרשם המודלים.
מדריכים קשורים ל-Notebook
| מה את רוצה לעשות? | משאב |
|---|---|
| איך משתמשים ב-BigQuery ML כדי ליצור טקסט דינמי מבוסס-AI בטבלאות ב-BigQuery או בנתונים לא מובְנים באמצעות מודלים בסיסיים ב-Agent Platform | יצירת טקסט דינמי מבוסס-AI באמצעות BigQuery ML ומודלים בסיסיים ב-Agent Platform |
| יצירת הטמעות וקטורים באמצעות BigQuery ML על טקסט ותמונות | קריאה לנקודת קצה (endpoint) של הטמעה מולטי-מודאלית ב-Agent Platform מ-BigQuery ML כדי ליצור הטמעות לחיפוש סמנטי |
| שימוש בשני צינורות עיבוד נתונים של Agent Platform Tabular Workflows כדי לאמן מודל AutoML באמצעות הגדרות שונות. | תהליך עבודה בטבלה: צינור עיבוד נתונים בטבלה של AutoML |
| משתמשים ב-Agent Platform SDK ל-Python כדי לאמן מודל AutoML לרגרסיה בטבלה ולקבל חיזויים באצווה מהמודל. | Agent Platform SDK for Python: אימון מודל רגרסיה טבלאי של AutoML לחיזוי באצווה באמצעות BigQuery |
| לאמן ולהעריך מודל נטייה ב-BigQuery ML כדי לחזות את שימור המשתמשים במשחק לנייד. | חיזוי שיעור נטישה למפתחי משחקים באמצעות Google Analytics 4 ו-BigQuery ML |
| להשתמש ב-BigQuery ML כדי לבצע אופטימיזציה של התמחור בנתוני התמחור של CDM. | ניתוח של אופטימיזציית מחירים בנתוני התמחור של CDM |
המאמרים הבאים
- כדי להתחיל להשתמש ב-Gemini Enterprise Agent Platform, עיינו במאמרים הבאים: