ייצוא מאפיינים

במאמר הזה מוסבר על האפשרויות להפיכת תכונות לזמינות לאימון מודלים ולהסקת מסקנות ב-BigQuery ML. בכל האפשרויות, השלב הראשון הוא לשמור את התכונות בטבלאות BigQuery.

נכונות בנקודת זמן

לרוב, הנתונים שמשמשים לאימון מודל כוללים תלות בזמן. כשיוצרים טבלת מאפיינים למאפיינים שרגישים לזמן, צריך לכלול עמודה של חותמת זמן כדי לייצג את ערכי המאפיינים כפי שהם היו בזמן נתון לכל שורה. לאחר מכן, תוכלו להשתמש בפונקציות של חיפוש נקודתי בזמן כשאתם שולחים שאילתות לטבלאות התכונות האלה, כדי לוודא שלא מתרחש דליפת נתונים בין שלבי האימון וההצגה. התהליך הזה מאפשר נכונות של נתונים בנקודת זמן מסוימת.

אפשר להשתמש בפונקציות הבאות כדי לציין נקודות זמן להפסקת השימוש כשמאחזרים תכונות שרגישות לזמן:

• ML.FEATURES_AT_TIME
• ML.ENTITY_FEATURES_AT_TIME

הצגת פיצ'רים ב-BigQuery ML

כדי לאמן מודלים ולבצע הסקה (inference) של קבוצות נתונים ב-BigQuery ML, אפשר לאחזר פיצ'רים באמצעות אחת מפונקציות החיפוש של נקודת זמן שמתוארות בקטע דיוק של נקודת זמן. אפשר לכלול את הפונקציות האלה בסעיף query_statement של הצהרת CREATE MODEL לצורך אימון, או בסעיף query_statement של פונקציה מתאימה להחזרת ערך של טבלה, כמו ML.PREDICT, לצורך הצגה.

הצגת תכונות באמצעות Vertex AI Feature Store

כדי להציג פיצ'רים למודלים של BigQuery ML שרשומים ב-Gemini Enterprise Agent Platform, אפשר להשתמש ב-Vertex AI Feature Store. ‫Vertex AI Feature Store פועל על טבלאות של תכונות ב-BigQuery כדי לנהל ולהכניס לשימוש בסביבת הייצור תכונות עם חביון נמוך. אפשר להשתמש במילוי בקשה באופן מיידי כדי לאחזר תכונות בזמן אמת לצורך חיזוי אונליין, ובמילוי בקשות אופליין כדי לאחזר תכונות לצורך אימון המודל.

מידע נוסף על הכנת נתוני תכונות ב-BigQuery לשימוש ב-Vertex AI Feature Store זמין במאמר בנושא הכנת מקור נתונים.