Enable javascript in your browser for better experience. Need to know to enable it? Go here.
更新于 : Mar 29, 2022
不在本期内容中
这一条目不在当前版本的技术雷达中。如果它出现在最近几期中,那么它很有可能仍然具有相关参考价值。如果这一条目出现在更早的雷达中,那么它很有可能已经不再具有相关性,我们的评估将不再适用于当下。很遗憾我们没有足够的带宽来持续评估以往的雷达内容。 了解更多
Mar 2022
试验 ? 值得一试。了解为何要构建这一能力是很重要的。企业应当在风险可控的前提下在项目中尝试应用此项技术。

自从雷达上次收录了 Google BigQuery ML 之后,通过连接到 TensorFlow 和 Vertex AI 作为后台,BigQuery ML 添加了如深度神经网络以及 AutoML Tables等更复杂的模型。BigQuery 还引入了对时间序列预测的支持。之前我们关注一个问题是模型的可解释性。今年早些时候,BigQuery Explainable AI 被宣布为公众开放使用,在解决上述问题上迈出了一步。我们还可以将 BigQuery ML 模型作为 Tensorflow SavedModel 导出到 Cloud Storage,并将它们用于在线预测。但仍有一些需要权衡的事情,例如是否需要降低"机器学习持续交付"的难易程度以使其低门槛好上手,BigQuery ML 仍然是一个有吸引力的选择,特别是当数据已经存储在 BigQuery 中的时候。

May 2020
评估 ? 在了解它将对你的企业产生什么影响的前提下值得探索

通常需要先编写代码将数据带入机器学习模型,才能得出训练和预测结果。而 Google BigQuery ML能将模型带入数据,从而反转了这一模式。 Google BigQuery是一个数据仓库,能针对数据分析场景,使用 SQL 进行大规模查询。Google BigQuery ML 扩展了此功能及其 SQL 接口,通过利用 BigQuery 数据集,来创建、训练和评估机器学习模型,并最终运行模型预测,以创建新的 BigQuery 数据集。Google BigQuery ML 默认支持部分模型,例如用于预测的线性回归(linear regression),或用于分类的二元和多类回归(binary and multiclass regression)。另外,它还能导入已经训练好的TensorFlow模型(但功能有限)。尽管 BigQuery ML 及其基于 SQL 的方式,降低了使用机器学习做出预测和推荐的门槛(尤其针对一些需要快速探索的场景),但导致需要作出艰难的权衡——这种方式不利于模型训练的其他方面,例如道德偏差测试 (ethical-bias-testing),可解释性机器学习的持续交付

发布于 : May 19, 2020
Radar

下载第27期技术雷达

English | Español | Português | 中文

Radar

获取最新技术洞见

 

立即订阅

查看存档并阅读往期内容