Descripción general de la IA generativa

En este documento, se describen las funciones de inteligencia artificial (IA) generativas que admite BigQuery ML. Estos atributos te permiten realizar tareas de IA en BigQuery ML mediante modelos de Vertex AI previamente entrenados y modelos integrados de BigQuery ML.

Entre las tareas admitidas, se incluyen las siguientes:

Accede a un modelo de Vertex AI para realizar una de estas funciones mediante la creación de un modelo remoto en BigQuery ML que representa el extremo del modelo de Vertex AI. Una vez que hayas creado un modelo remoto sobre el modelo de Vertex AI que deseas usar, debes acceder a las capacidades de ese modelo mediante la ejecución de una función de BigQuery ML en el modelo remoto.

Este enfoque te permite usar las capacidades de estos modelos de Vertex AI en las consultas de SQL para analizar datos de BigQuery.

Flujo de trabajo

Puedes usar modelos remotos en modelos de Vertex AI y modelos remotos en servicios de Cloud AI junto con BigQuery. funciones de AA para realizar tareas de IA generativa y análisis de datos complejas.

En el siguiente diagrama, se muestran algunos flujos de trabajo típicos en los que puedes usar estas capacidades juntas:

Diagrama que muestra flujos de trabajo comunes para modelos remotos que usan modelos de Vertex AI o servicios de Cloud AI.

Generar texto

La generación de texto es una forma de IA generativa en la que el texto se genera en función de una instrucción o del análisis de datos. Puedes realizar la generación de texto con datos multimodales y de texto.

Estos son algunos casos de uso comunes de la generación de texto:

  • Generar contenido creativo
  • Generación de código.
  • Generar respuestas por correo electrónico o chat
  • Intercambio de ideas, como sugerir vías para productos o servicios futuros.
  • Personalización del contenido, como sugerencias de productos
  • Clasificar los datos aplicando una o más etiquetas al contenido para ordenarlo en categorías
  • Identificar los sentimientos clave expresados en el contenido
  • Resumir las ideas o impresiones clave que transmite el contenido
  • Identificar una o más entidades destacadas en datos visuales o de texto
  • Traducir el contenido de datos de texto o audio a otro idioma
  • Generar texto que coincida con el contenido verbal en los datos de audio
  • Subtítulos o preguntas y respuestas sobre datos visuales

El enriquecimiento de datos es un paso común después de la generación de texto, en el que enriqueces las conclusiones del análisis inicial combinándolas con datos adicionales. Por ejemplo, puedes analizar imágenes de artículos de decoración para el hogar para generar texto para una columna design_type, de modo que el SKU de los artículos de decoración tenga una descripción asociada, como mid-century modern o farmhouse.

Modelos compatibles

Para realizar tareas de IA generativa, puedes usar modelos remotos en BigQuery ML para hacer referencia a modelos implementados en Vertex AI o alojados en esta plataforma. Puedes crear los siguientes tipos de modelos remotos:

Cómo usar modelos de generación de texto

Después de crear un modelo remoto, puedes usar la función ML.GENERATE_TEXT para interactuar con ese modelo:

  • En el caso de los modelos remotos basados en modelos de Gemini, puedes hacer lo siguiente:

    • Usa la función ML.GENERATE_TEXT para generar texto a partir de una instrucción que especifiques en una consulta o extraigas de una columna en una tabla estándar. Cuando especificas la instrucción en una consulta, puedes hacer referencia a los siguientes tipos de columnas de tabla en la instrucción:

    • Usa la función ML.GENERATE_TEXT para analizar contenido de texto, imagen, audio, video o PDF a partir de una tabla de objetos con una instrucción que proporcionas como argumento de una función.

  • Para todos los demás tipos de modelos remotos, puedes usar la función ML.GENERATE_TEXT con una instrucción que proporciones en una consulta o desde una columna en una tabla estándar.

Atributos de puesta a tierra y seguridad

Puedes usar puesta a tierra y atributos de seguridad cuando usas modelos de Gemini con la función ML.GENERATE_TEXT, siempre que uses una tabla estándar para la entrada. Grounding lets the Gemini model use additional information from the internet to generate more specific and factual responses. Safety attributes let the Gemini model filter the responses it returns based on the attributes you specify.

Ajuste supervisado

Cuando creas un modelo remoto que hace referencia a cualquiera de los siguientes modelos, puedes optar por configurar el ajuste supervisado al mismo tiempo:

  • gemini-2.0-flash-001
  • gemini-2.0-flash-lite-001
  • gemini-1.5-pro-002
  • gemini-1.5-flash-002

Todas las inferencias se producen en Vertex AI. Los resultados se almacenan en BigQuery.

Usa los siguientes temas para probar la generación de texto en BigQuery ML:

Genera datos estructurados

La generación de datos estructurados es muy similar a la generación de texto, excepto que, además, puedes dar formato a la respuesta del modelo especificando un esquema de SQL.

Para generar datos estructurados, crea un modelo remoto sobre cualquiera de los modelos de Gemini disponibles de forma general o en versión preliminar. Luego, puedes usar la función AI.GENERATE_TABLE para interactuar con ese modelo. Si quieres probar la creación de datos estructurados, consulta Genera datos estructurados con la función AI.GENERATE_TABLE.

Puedes especificar atributos de seguridad cuando usas modelos de Gemini con la función AI.GENERATE_TABLE para filtrar las respuestas del modelo.

Genera valores de un tipo específico por fila

Puedes usar funciones de IA generativa escalar con modelos de Gemini para analizar datos en tablas estándar de BigQuery. Los datos incluyen datos de texto y datos no estructurados de columnas que contienen valores ObjectRef. Para cada fila de la tabla, estas funciones generan resultados que contienen un tipo específico.

Las siguientes funciones de IA están disponibles:

Genera embeddings

Una incorporación es un vector numérico de alta dimensión que representa una entidad determinada, como un fragmento de texto o un archivo de audio. Generar incorporaciones te permite capturar la semántica de tus datos de una manera que facilita su razonamiento y comparación.

Estos son algunos casos de uso comunes para la generación de incorporaciones:

  • Usar la generación de aumento de recuperación (RAG) para mejorar las respuestas del modelo a las consultas de los usuarios haciendo referencia a datos adicionales de una fuente confiable La RAG proporciona una mejor exactitud fáctica y coherencia de las respuestas, y también brinda acceso a datos más recientes que los datos de entrenamiento del modelo.
  • Realizar una búsqueda multimodal Por ejemplo, usar la entrada de texto para buscar imágenes.
  • Realizar una búsqueda semántica para encontrar elementos similares para recomendaciones, sustitución y anulación de duplicación de registros
  • Crear incorporaciones para usar con un modelo de k-means para el agrupamiento

Modelos compatibles

Se admiten los siguientes modelos:

Para una incorporación de texto más ligera y pequeña, prueba usar un modelo previamente entrenado de TensorFlow, como NNLM, SWIVEL o BERT.

Usa modelos de generación de incorporaciones

Después de crear el modelo, puedes usar la función ML.GENERATE_EMBEDDING para interactuar con él. Para todos los tipos de modelos compatibles, ML.GENERATE_EMBEDDING funciona con datos estructurados en tablas estándar. En el caso de los modelos de incorporación multimodales, ML.GENERATE_EMBEDDING también funciona con el contenido visual de las columnas de tablas estándar que contienen valores ObjectRef o de las tablas de objetos.

En los modelos remotos, toda la inferencia se produce en Vertex AI. Para otros tipos de modelos, toda la inferencia se produce en BigQuery. Los resultados se almacenan en BigQuery.

Usa los siguientes temas para probar la generación de texto en BigQuery ML:

Previsión

La previsión es una técnica que te permite analizar datos históricos de series temporales para realizar una predicción fundamentada sobre tendencias futuras. Puedes usar el modelo de series temporales TimesFM integrado en BigQuery ML (versión preliminar) para realizar previsiones sin tener que crear tu propio modelo. El modelo TimesFM integrado funciona con la función AI.FORECAST para generar pronósticos basados en tus datos.

Ubicaciones

Las ubicaciones admitidas para los modelos de generación de texto y de incorporación varían según el tipo y la versión del modelo que uses. Para obtener más información, consulta Ubicaciones. A diferencia de otros modelos de IA generativa, la compatibilidad con la ubicación no se aplica al modelo de series temporales TimesFM integrado. El modelo TimesFM está disponible en todas las regiones compatibles con BigQuery.

Precios

Se te cobra por los recursos de procesamiento que usas para ejecutar consultas en los modelos. Los modelos remotos realizan llamadas a los modelos de Vertex AI, por lo que las consultas a los modelos remotos también generan cargos de Vertex AI.

Para obtener más información, consulta los precios de BigQuery ML.

¿Qué sigue?