BigQuery ML et Model Registry

BigQuery ML est un service Google Cloud qui vous permet de créer et d'exécuter des modèles de machine learning dans BigQuery ML à l'aide de requêtes SQL standards. Avec Vertex AI, vous pouvez utiliser des outils pré-entraînés et personnalisés au sein d'une plate-forme unifiée. Lorsque vous enregistrez vos modèles BigQuery ML avec Model Registry, vous pouvez les gérer avec vos autres modèles de ML pour gérer facilement les versions, les évaluer et les déployer pour la prédiction.

Cette intégration vous permet de choisir les modèles BigQuery ML à enregistrer dans Model Registry. Une fois enregistré, vous pouvez déployer votre modèle BigQuery ML sur un point de terminaison pour la prédiction en ligne.

Depuis BigQuery ML, vous pouvez enregistrer les éléments suivants :

• Modèles intégrés BigQuery ML
• Modèles TensorFlow BigQuery ML

Bien que les modèles BigQuery ML XGboost et ARIMA_PLUS puissent être enregistrés dans Vertex AI Model Registry, ils ne peuvent pas être déployés.

Pour savoir comment intégrer vos modèles BigQuery ML à Vertex AI Model Registry, consultez la page BigQuery ML et Vertex AI Model Registry.

Notebook pour Vertex AI Model Registry et BigQuery ML

Ce notebook explique comment utiliser Model Registry et BigQuery ML pour déployer et effectuer des prédictions sur vos modèles.

Ce tutoriel utilise les services et ressources Google Cloud suivants :

• Modèle Vertex AI
• Ressources Vertex AI Model Registry
• Ressources endpoint Vertex AI
• Vertex AI Explainable AI
• Vertex AI Prediction
• BigQuery ML

La procédure comprend les étapes suivantes :

• Entraîner un nouveau modèle à l'aide de BigQuery ML
• Enregistrer le modèle dans Vertex AI Model Registry
• Créez une ressource Vertex AI endpoint.
• Déployer la ressource model sur la ressource endpoint et activer XAI
• Envoyer des requêtes de prédiction au modèle endpoint