API 是允许不同应用程序相互通信的接口。它们就像信使一样，允许程序以标准化的方式交换信息并执行操作。
API 通常围绕执行特定操作的方法集合进行组织。希腊 WhatsApp 号码数据 例如，BigQuery API 包含用于插入行、列出表和执行 SQL 查询的方法。
出于安全考虑，Google Cloud 默认不包含所有连接的 API。开发中的规则是，如果用不到，最好不要用（禁止）。
因此，为了深入了解 Google Cloud 的某些功能，我们需要访问这项服务并激活一些 API。幸运的是，这非常简单：前往 Google Cloud 工具菜单中的 API 库，找到所需的 API，然后点击“启用”。
让我们开始了解使用 BigQuery ML 的意义
优点：BigQuery ML 的优势
如果您正在考虑利用 BigQuery 提供的这项特殊优势，请允许我总结一下您将获得的所有好处中最重要的几点。具体来说，它的好处很多，也不太明确，但我们可以总结为以下几个关键点：
- 简洁：
您无需学习新的编程语言或搭建复杂的基础架构。您无需逐个步骤、逐个功能地规划数据处理。您可以使用 SQL 执行高级分析，并通过修改几个语句来修正错误。 - 可扩展性：
BQML 继承了 BigQuery 处理海量数据的能力。 您可以轻松处理数 TB 级的数据。显然，数据越多，创建模型所需的时间就越长（使用如此多数据的成本也越高），但您会惊喜地发现，在其他语言无法胜任的情况下，BQML 的表现非常出色。 - 集成：
BQML 与 BigQuery 和 Vertex AI（Google Cloud 的 AI 套件）无缝集成。数据存储在 BigQuery 中，因此查询选项丰富多样（几乎适用于任何工具）。 - 效率：
直接在 BigQuery 中工作，可以减少在不同平台之间移动数据的需要。如果您使用 BigQuery 作为数据集市或数据湖，几乎必须尝试此解决方案。 - 可访问性：
BQML 使机器学习更加普及，即使没有编程经验的用户也能轻松上手。查询和模型可重复使用，部分用户的进步可以相互促进。
缺点：开始使用 BigQuery ML 的风险和挑战
虽然 BQML 有很多优势，但在开始使用它时，更重要的是要注意使用过程中可能遇到的一些潜在挑战。这些是你需要牢记的，它们会给你带来挑战。
- 查询复杂性：
BQML 函数可能比传统的 SQL 查询更复杂。您需要了解模型和表函数的工作原理，以及如何为它们准备数据。这并非“SELECT url WHERE …”那么简单，也并非需要获得人工智能硕士学位。 - 权限设置：
如果您是 Google Cloud 新手，设置权限可能会让您感到困惑。了解如何授予创建和使用 BQML 模型所需的权限至关重要。 - 成本控制：
BigQuery 是一种按需付费服务，而 BQML 则需要额外付费。监控您的支出非常重要，以避免 BigQuery 和您使用的模型出现意外。建立合作伙伴关系 这很容易做到，但您需要创建自己的验证协议。请记住，对于新用户，Google 会提供免费订阅，这足以让您无需花费一分钱就能了解这项技术是否适合您。
我可以帮你解决一些 BQML 入门的经典问题吗？当然可以。
我亲身经历过机器学习 (ML) 世界中迈出的第一步是多么令人沮丧。因此，为了帮助您入门 BQML，我们将解决一些您可能会遇到的常见问题，并解释如何解决每个问题：
1. 必须在使用前创建 AI 和 ML 模型
要在 BigQuery 中使用人工智能和机器学习，您需要学习如何创建模型。模型是预先训练和配置好的系统和算法，您可以将其应用于数据以丰富数据。
- 一个模型可以专门用于完成你的转化趋势。但它会基于你过去转化的训练来实现这一点。
- 另一个模型可以根据语义相似性自动将您的 URL 分类。它将根据您的定义和您提供的样本数据执行此操作。
- 另一个模型可以使用 Gemini Flash 自动生成文本或解决方案。这将基于 Vertex AI 中现有的模型完成，我们需要将其导入 BigQuery。
因此，要使用模型，首先必须创建它。 要创建模型，必须使用特定的查询。此查询的语法 对于所有模型类型都是相同的， 但您提供的数据或使用的配置变量会因模型类型而异。
要在 BigQuery 中创建模型，我们使用函数 CREATE OR REPLACE MODEL。例如，要创建线性回归模型：