在这些新增功能中，BigQuery ML (BQML) 应运而生。 BQML 是一组函数，允许您直接在BigQuery 中创建、训练和使用机器学习和人工智能模型。 BQML 的革命性之处在于，您无需使用Python 或R 等语言编写复杂的代码。德国WhatsApp 号码数据相反，您可以使用SQL（一种更易于访问的查询语言）将机器学习算法应用于您的数据。
- 将您的数据上传到BigQuery（csv、表格、存储、集成）
- 您发起2 或3 个查询
- 而且您已经获得了应用这些复杂工具的结果。
给你一个概念，这有点像使用笔记本，但没有代码、没有API、也没有数据限制（我们都知道，如果在Colab 中输入了太多数据，它会告诉你“谢谢，但是不行……”）。
使用BQML，您可以执行以下任务：
- 创建预测模型：例如，预测客户购买或离开您的网站的可能性。
- 对信息进行分类：例如，将电子邮件分类为垃圾邮件或非垃圾邮件，或自动分配类别和重定向。
- 聚类数据：例如，将客户细分为具有相似特征的群体，或根据产品的盈利能力或与流量的亲和力来了解您的产品，或根据所有关键字的实际含义对其进行自动分类。
- 执行时间序列分析：例如，根据过去的销售额预测未来的销售额，或者简单地创建明年的预测。
- 通过查询批量将提示应用于Gemini 模型（Flash、Pro 等）：假设您想为在线目录生成产品描述。使用BQML 和Gemini，您可以编写一个包含变量的提示，这些变量定义了所需的样式和信息，然后通过单个查询将其应用于数千种产品。
- 运用嵌入并充分发挥其潜力：嵌入是数据（例如文本或图像）的向量表示，用于捕捉其语义含义。 BQML 允许您生成并使用嵌入，以执行语义搜索、产品推荐或情感分析等任务。
Vertex AI：它是什么？它与BigQuery ML 有何关系？
Vertex AI 是Google Cloud 的统一AI 和ML 平台。店铺托管：您应该注意什么 它允许您使用最新的Google AI，连接到一些开源AI（Meta、Gemma 等），甚至在单一界面中使用Anthropic 的Claude。借助Vertex，您还可以完全不受限制地创建、训练和部署机器学习模型。它是Google 的AI 聚合器，并且每天都在不断发展壮大。
您可以使用Vertex AI 来：
- 使用TensorFlow、PyTorch 和scikit-learn等流行框架训练模型。
- 使用AutoML训练模型，无需编写代码。
- 将模型部署为端点以进行实时预测。
- 监控模型性能并在整个生命周期内进行管理。
在你的Google Cloud 帐户中找到它。你会在左侧的工具菜单中看到它（徽标下方）。
从那里您可以尝试Gemini 或Model Garden 模型等等。
Vertex AI 也是BigQuery ML 能够集成的功能之一。它的功能并不全面（Vertex 的功能比BigQuery ML 的功能更多），但功能相当丰富。
Google Cloud 中的权限和API 管理是什么？
总结一下这些概念，即使您只是想开始尝试使用BigQuery ML，也有必要讨论一下Google Cloud 中需要探索的两个部分，以便您能够顺利使用。您不会经常探索这两个部分，在本文中，我将告诉您需要在这两个部分执行哪些操作，但如果您不熟悉它们或不知道如何找到它们，很容易陷入困境。
您还可以在Google Cloud 工具菜单中找到它们：
IAM（身份和访问管理）
IAM 是一项Google Cloud 服务，可让您控制对资源的访问权限。本质上，IAM 可以帮助您回答“谁有权在我的Google Cloud 项目中执行哪些操作？ ”这个问题。
借助IAM，您可以管理身份验证（验证用户身份）和授权（确定用户可以执行的操作）。虽然繁琐，但这对于Google Cloud 上数据和应用程序的安全至关重要。
IAM 的一些关键概念包括：
- 服务帐号：这些是用于允许应用程序访问Google Cloud 服务的特殊用户帐号。这些帐号拥有很长的电子邮件地址，并且仅在内部使用，以便应用程序之间相互通信。
- 角色：这些权限集合定义了用户可以对资源执行的操作。例如，“BigQuery 数据编辑者”角色允许用户在BigQuery 中创建、修改和删除数据。
- 单一权限：每种现有的访问类型。购买线索一个角色可以同时包含多项服务，但在正规公司中，这些服务通常是单独定义的（例如，“您有权运行查询，但无权生成表”）。
IAM 允许您在项目、组织或资源级别以及单个用户级别授予权限。您可以使用IAM 控制对各种Google Cloud 服务的访问，包括BigQuery、Vertex AI 和存储。最终，由于我们希望BigQuery 与Vertex AI 进行通信，因此我们需要对这部分进行一些调整，以授予它们相互通信的权限