Google 在没有ML训练的情况下给BigQuery带来预测性AI

本期编译精选。

TabFM可以通过去除模型培训和部署成本来简化预测分析，并使预测分析更便宜，但企业在每个工作量中可能不会看到同样的节省。

功劳：Michael Vi/ Shutterstock

Google正在向BigQuery添加一个表格数据预先训练的基础模型，使企业团队能够从结构化数据中生成预测，而无需从零开始培训和部署机器学习模型。

TabFM模型由Google Research开发，现可预览使用，可以进行分类和回归，是预测机学习的两种常见类型。

虽然分类被用来预测一个类别或结果，例如，一个客户是有可能崩溃，还是交易可能是欺诈，但回归通常被用来预测一个数值，如客户的预期价值或未来索赔的数额。

传统上，在典型的机器学习工作流程中，企业团队需要为其所要处理的每个使用案例培训和部署单独的ML模型。TabFM使用历史数据作为缩写例子，

这意味着团队可以提供标有标签的历史数据，如果结果已经知道，以及他们想要预测的新数据，并利用BigQuery的AI.PREDICT功能来生成这些预测。

该函数使用历史数据作为实例来识别规律，然后将其学到的应用到新数据上，而不需要团队单独培训和部署机器学习模型。

TabFM根据Google的说法，也可以自动与以类别表示的数据一起工作，如客户类型或产品类别，以及缺少值的数据集，减少在作出预测前所需的准备。

（原文共 7 张图片，此处展示前 3 张，更多图片请前往原文查看）

（编译自 InfoWorld；原文