סקירה כללית של הסקת מסקנות ממודלים
במאמר הזה מתוארים סוגי ההסקה באצווה שנתמכים ב-BigQuery ML, כולל:
הסקת מסקנות באמצעות למידת מכונה היא תהליך שבו מזינים נקודות על הגרף במודל למידת מכונה כדי לחשב פלט, כמו ציון מספרי יחיד. התהליך הזה נקרא גם "תפעול מודל למידת מכונה" או "העברת מודל למידת מכונה לסביבת הייצור".
חיזוי באצווה
בקטעים הבאים מתוארות הדרכים הזמינות לביצוע חיזוי ב-BigQuery ML.
הסקת מסקנות באמצעות מודלים שאומנו ב-BigQuery ML
חיזוי ב-BigQuery ML משמש לא רק למודלים של למידה בפיקוח, אלא גם למודלים של למידה לא בפיקוח.
אפשר להשתמש בפונקציות החיזוי של BigQuery ML באמצעות הפונקציה ML.PREDICT, עם המודלים הבאים:
| קטגוריית המודל | סוגי מודלים | מה ML.PREDICT עושה |
|---|---|---|
| למידה מונחית |
רגרסיה לינארית ורגרסיה לוגיסטית עצים משופרים יער אקראי רשתות עצביות עמוקות רחב ועמוק AutoML Tables |
לחזות את התווית, ערך מספרי למשימות רגרסיה או ערך קטגורי למשימות סיווג. |
| למידה לא מפוקחת | K-means | מקצים את האשכול לישות. |
| PCA | מפעילים הפחתת ממדים על הישות על ידי הפיכתה למרחב שמשתרע על פני הווקטורים העצמיים. | |
| מקודד אוטומטי | המרת הישות למרחב המוטמע. |
הסקת מסקנות באמצעות מודלים מיובאים
בגישה הזו, יוצרים ומאמנים מודל מחוץ ל-BigQuery, מייבאים אותו באמצעות ההצהרה CREATE MODEL ואז מריצים עליו הסקה באמצעות הפונקציה ML.PREDICT.
כל עיבוד ההסקה מתרחש ב-BigQuery, באמצעות נתונים מ-BigQuery. מודלים מיובאים יכולים לבצע למידה מפוקחת או למידה לא מפוקחת.
ב-BigQuery ML אפשר לייבא את סוגי המודלים הבאים:
- Open Neural Network Exchange (ONNX) למודלים שאומנו ב-PyTorch, ב-scikit-learn ובמסגרות פופולריות אחרות של למידת מכונה.
- TensorFlow
- TensorFlow Lite
- XGBoost
הגישה הזו מאפשרת להשתמש במודלים מותאמים אישית שפותחו במגוון מסגרות של למידת מכונה, וגם ליהנות ממהירות ההסקה של BigQuery ML ומהמיקום המשותף עם הנתונים.
כדי לקבל מידע נוסף, אפשר לנסות את אחד מהמדריכים הבאים:
- יצירת חיזויים באמצעות מודלים מיובאים של TensorFlow
- איך יוצרים חיזויים באמצעות מודלים של scikit-learn בפורמט ONNX
- יצירת חיזויים באמצעות מודלים של PyTorch בפורמט ONNX
הסקת מסקנות באמצעות מודלים מרוחקים
בגישה הזו, אתם יכולים ליצור הפניה למודל שמתארח ב-Vertex AI Inference באמצעות ההצהרה CREATE MODEL, ואז להריץ עליו הסקה באמצעות הפונקציה ML.PREDICT.
כל עיבוד ההסקה מתרחש ב-Agent Platform, באמצעות נתונים מ-BigQuery. מודלים מרוחקים יכולים לבצע למידה מפוקחת או למידה לא מפוקחת.
הגישה הזו מתאימה להרצת הסקות במודלים גדולים שדורשים תמיכה בחומרת GPU, כמו זו שקיימת ב-Agent Platform. אם רוב המודלים שלכם מתארחים ב-Agent Platform, תוכלו גם להריץ היקש על המודלים האלה באמצעות SQL, בלי שתצטרכו ליצור באופן ידני פייפליינים של נתונים כדי להעביר נתונים ל-Agent Platform ולהחזיר את תוצאות החיזוי ל-BigQuery.
הוראות מפורטות זמינות במאמר יצירת חיזויים באמצעות מודלים מרוחקים ב-Agent Platform.
הסקת מסקנות באצווה באמצעות מודלים של BigQuery ב-Agent Platform
ב-BigQuery ML יש תמיכה מובנית בחיזוי באצ'ים, בלי צורך להשתמש ב-Agent Platform. אפשר גם לרשום מודל של BigQuery ML במרשם המודלים כדי לבצע חיזוי באצווה ב-Agent Platform, באמצעות טבלה ב-BigQuery כקלט. עם זאת, אפשר לעשות את זה רק באמצעות Agent Platform API והגדרת InstanceConfig.instanceType לערך object.
חיזוי מיידי
יכולת ההסקה המובנית של BigQuery ML מותאמת לתרחישים לדוגמה בקנה מידה גדול, כמו חיזוי באצווה. BigQuery ML מספק תוצאות הסקה עם זמן אחזור קצר כשמטפלים בנתוני קלט קטנים, אבל אפשר להשיג חיזוי אונליין מהיר יותר באמצעות שילוב חלק עם Gemini Enterprise Agent Platform.
אתם יכולים לנהל מודלים של BigQuery ML בסביבה של Gemini Enterprise Agent Platform, וכך לא צריך לייצא מודלים מ-BigQuery ML לפני שפורסים אותם כנקודות קצה (endpoints) של Gemini Enterprise Agent Platform. כשמנהלים מודלים ב-Gemini Enterprise Agent Platform, מקבלים גישה לכל יכולות ה-MLOps של Gemini Enterprise Agent Platform, וגם לתכונות כמו Vertex AI Feature Store.
בנוסף, אתם יכולים לייצא מודלים של BigQuery ML ל-Cloud Storage כדי שיהיו זמינים בפלטפורמות אחרות לאירוח מודלים.
המאמרים הבאים
- מידע נוסף על שימוש במודלים של Agent Platform ליצירת טקסט ואמבדינג זמין במאמר סקירה כללית על AI גנרטיבי.
- למידע נוסף על השימוש בממשקי API של AI ב-Cloud לביצוע משימות AI, ראו סקירה כללית על אפליקציות AI.
מידע נוסף על פונקציות והצהרות SQL שנתמכות בסוגי מודלים שונים זמין במסמכים הבאים: