前言:

資料存放在 BigQuery之後，我們後續的應用通常有兩種: BI or ML。

BI: 主要是使用 Dashboard 來呈現，我們在 Day 15 - Day 18 實作過。
ML: 這個是我們今天想要介紹的內容，主要是先介紹在GCP上，有哪些機器學習的方法，不過因為本次主題是 BigQuery，最後的實作會專注在 BigQuery ML。

先驗知識:

機器學習

在 GCP 的世界中，我們可以使用的 ML，可以概略分為以下三大類:

• BigQuery ML
• Vertex AI
• Pre-built APIs

BigQuery ML:

這個是我們這次主題的主軸，因此後續也會用他來實作。

BigQuery ML 是一種用 SQL 語法來實現機器學習的功能，好處主要有兩點:

• 存放在 BigQuery 中的數據不需要匯出，在查詢中直接執行 BigQuery ML 建置機器學習模型。
• 因為是使用 SQL語法，開發人員無需會新的程式語言 (一般機器學常用 python)，即可以快速實現部件模型的想法。

建置模型語法的長相如下:

使用BigQuery ML 範例: Create machine learning models in BigQuery ML

*註: BigQuery 也可以結合 Vertex AI 一起使用。

Vertex AI:

Vertex AI 是將 AutoML 和 AI platform結合的一站式服務，通過 Vertex AI這項服務，我們能夠從匯入資料、建立模型、模型佈署到端點和後續的模型調參，而且身為使用者，並不需要從頭到尾按步驟才能使用，我們也能夠只上傳先前就訓練好的模型去佈署。

AutoML:

是一種無須編寫程式就可以訓練模型的方式。

使用 AutoML 範例: Hello image data

AI platform:

則是讓使用者能夠自定義訓練的模型。

使用自定義訓練的模型範例: Hello custom training

因為目前 Google 已經將這兩者整合到 Vertex AI了，無論使用何種方式，訓練完成之後，都可以進行後續的模型保存、預測和佈署。

Vertex AI workbench

Vertex AI 底下還有一個特別的功能叫做 Vertex AI workbench，他的好處是我們前面講的匯入資料、建立模型、模型佈署到端點和後續的模型調參通通只要透過 jupyterlab 就能夠完成。不僅如此，也能選擇預設的 container 或是 自定義的 container 來訓練模型。

使用Vertex AI workbench範例: Getting started with Notebooks for machine learning

Pre-built APIs:

Pre-built APIs 是 Google 已經幫我們訓練好的 API，身為使用者只需要呼叫這個 API，即可做預測。 我們都知道好的機器學習模型常常需要大量的資料和時間來建置，使用這個方法的好處在於，他幫我們節省了資料收集、模型訓練和維運的時間，甚至在缺乏數據的情況下，他都是一個很不錯的選擇。 以下是幾個常用的 API:

Vision API:

透過 AutoML Vision 從圖片中取得深入分析結果。使用預先訓練的 Vision API 模型來偵測情緒及解讀文字。

試用範例

Text to speech API:

將文字轉換為自然流暢的語音。

試用範例

cloud natural language API

從非結構化的文字內容中取得深入分析結果。

試用範例

Speech-to-Text API:

將語音準確轉換為文字。

試用範例

Video Intelligence API:

精準分析及辨識影片中的物件、地點和動作。

Cloud Translation API:

快速的動態機器翻譯，提供多種語言的內容與應用程式。

Summary:

到這裡，我們已經看完 GCP 上能夠做機器學習的選擇了。

下一篇，我們將針對 BigQuery ML 做介紹!

Reference:

What is BigQuery ML?

Introduction to Vertex AI

Introduction to Vertex AI Workbench