Il est possible qu'une partie ou l'ensemble des informations de cette page ne s'appliquent pas au Cloud de confiance S3NS. Pour en savoir plus, consultez Différences par rapport à Google Cloud.

Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Parcours utilisateur de bout en bout pour les modèles d'IA générative

Ce document décrit les parcours utilisateur pour les modèles distants BigQuery ML, y compris les instructions et les fonctions que vous pouvez utiliser pour travailler avec des modèles distants. BigQuery ML propose les types de modèles distants suivants :

Parcours utilisateur des modèles distants

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour créer, évaluer et générer des données à partir de modèles distants :

Catégorie de modèle	Type de modèle	Création du modèle	Évaluation	Inférence	Tutoriels
Modèles d'IA générative distants	Modèle distant basé sur un modèle de génération de texte Gemini¹	`CREATE MODEL`	`ML.EVALUATE`	`AI.GENERATE_TEXT` `AI.GENERATE_TABLE` `AI.GENERATE`² `AI.GENERATE_BOOL`² `AI.GENERATE_DOUBLE`² `AI.GENERATE_INT`²	Générer du texte à l'aide de vos données Générer des données structurées à l'aide de vos données Générer du texte avec Gemini et des données publiques Gérer les erreurs de quota en appelant `ML.GENERATE_TEXT` de manière itérative Analyser des images avec un modèle Gemini Essayer le réglage de modèle à l'aide de données publiques
	Modèle distant basé sur un modèle de génération de texte partenaire	`CREATE MODEL`	`ML.EVALUATE`	`AI.GENERATE_TEXT`	N/A
	Modèle distant basé sur un modèle de génération de texte ouvert³	`CREATE MODEL`	`ML.EVALUATE`	`AI.GENERATE_TEXT`	Générer du texte avec Gemma et des données publiques
	Modèle distant basé sur un modèle de génération d'embeddings Google	`CREATE MODEL`	N/A	`AI.GENERATE_EMBEDDING`	Générer des embeddings textuels à l'aide de vos données Générer des embeddings d'images à l'aide de vos données Générer des embeddings vidéo à l'aide de vos données Gérer les erreurs de quota en appelant `ML.GENERATE_EMBEDDING` de manière itérative Générer et rechercher des embeddings multimodaux à l'aide de données publiques
	Modèle distant basé sur un modèle de génération d'embeddings ouvert³	`CREATE MODEL`	N/A	`AI.GENERATE_EMBEDDING`	Générer des embeddings textuels à l'aide d'un modèle ouvert et de la fonction `AI.GENERATE_EMBEDDING`
Modèles d'IA distants Cloud	Modèle distant sur l'API Cloud Vision	`CREATE MODEL`	N/A	`ML.ANNOTATE_IMAGE`	Annoter des images
	Modèle distant sur l'API Cloud Translation	`CREATE MODEL`	N/A	`ML.TRANSLATE`	Traduire du texte
	Modèle distant sur l'API Cloud Natural Language	`CREATE MODEL`	N/A	`ML.UNDERSTAND_TEXT`	Comprendre du texte
	Modèle distant sur l'API Document AI	`CREATE MODEL`	N/A	`ML.PROCESS_DOCUMENT`	Traiter des documents Analyser des PDF dans un pipeline RAG
	Modèle distant sur l'API Speech-to-Text	`CREATE MODEL`	N/A	`ML.TRANSCRIBE`	Transcrire des fichiers audio
Modèle distant basé sur un modèle personnalisé déployé sur Gemini Enterprise Agent Platform	Modèle distant basé sur un modèle personnalisé déployé sur Gemini Enterprise Agent Platform	`CREATE MODEL`	`ML.EVALUATE`	`ML.PREDICT`	Effectuer des prédictions avec un modèle personnalisé

¹ Certains modèles Gemini sont compatibles avec le réglage supervisé.

² Cette fonction appelle un modèle Gemini hébergé et ne nécessite pas de créer un modèle séparément à l'aide de l'instruction CREATE MODEL.

³ Vous pouvez déployer automatiquement un modèle ouvert lorsque vous créez le modèle distant BigQuery ML en spécifiant l'ID Hugging Face ou Agent Platform Model Garden du modèle. BigQuery gère les ressources Agent Platform des modèles ouverts déployés de cette manière et vous permet d'interagir avec ces ressources Agent Platform à l'aide des instructions BigQuery ML ALTER MODEL et DROP MODEL. Il vous permet également de configurer le non-déploiement automatique du modèle. Pour en savoir plus, consultez la section Modèles déployés automatiquement.