Implementación de Modelos de Machine Learning con BigQuery API

¿Cómo se aprovechan los modelos en Google Cloud?

¡Vamos a sumergirnos en el fascinante mundo de los modelos en Google Cloud! Hemos aprendido cómo BigQuery nos ofrece una forma sencilla y eficiente de generar y personalizar modelos, ya sea usando TensorFlow o aprovechando modelos pre-entrenados. Ahora, exploraremos cómo poner estos modelos a disposición de otros servicios mediante la API de BigQuery.

¿Cómo utilizamos la API de BigQuery?

Comenzar con la API de BigQuery es sencillo, dado que está disponible para la mayoría de los lenguajes de programación más utilizados hoy en día. Puedes utilizarla con bibliotecas disponibles para Python, JavaScript, .NET y más. Incluso si tu lenguaje preferido no tiene una biblioteca oficial, puedes usar la API REST, que es compatible con cualquier lenguaje que pueda hacer solicitudes HTTP.

Pasos para utilizar la API de BigQuery:

1. Instalación de la biblioteca:

   • Usa un gestor de paquetes para descargar la biblioteca correspondiente a tu lenguaje de programación.

2. Creación de una cuenta de servicio:

   • Puede hacerse vía la interfaz de usuario de Google Cloud o usando la línea de comandos con Google Cloud SDK.
   • Ejemplo de comando para crear una cuenta de servicio:

     gcloud iam service-accounts create {nombre-cuenta}
     

3. Asignación de roles:

   • Utiliza políticas de IAM (Identity and Access Management) para definir qué puede hacer esta cuenta en Google Cloud.
   • Se recomienda aplicar el principio de mínimo privilegio al asignar roles, eligiendo el más apropiado para la tarea (ej., administrador de BigQuery).

4. Autenticación del servicio:

   • Descarga la clave de autenticación en formato JSON y configúrala como una variable de entorno:

     export GOOGLE_APPLICATION_CREDENTIALS="ruta/del/archivo.json"
     

¿Cómo se ejecutan consultas y predicciones?

Vamos a ver cómo ejecutamos una consulta SQL para realizar predicciones con nuestro modelo de machine learning en BigQuery. Estos pasos son esenciales para interactuar con los modelos utilizando el ejemplo de Python.

Ejemplo de código en Python:

from google.cloud import bigquery

# Crear un cliente BigQuery
client = bigquery.Client()

# Definir la consulta con predicción
query = """
SELECT
  *
FROM
  ML.PREDICT(MODEL `tu-proyecto.tu-dataset.tu-modelo`, 
  (
    SELECT ...
  ))
"""

# Ejecutar la consulta
query_job = client.query(query)

# Mostrar resultados
for row in query_job:
    print(row)

Conceptos clave:

• Las tareas como consultas y predicciones en BigQuery se consideran jobs.
• Utiliza la sentencia ML.PREDICT para hacer predicciones con tu modelo. Aquí debe especificarse el conjunto de datos y el modelo a usar.

¿Qué sigue después de escribir el código?

Después de estos pasos fundamentales, estás listo para comenzar a escribir tus consultas y ejecutar predicciones. Con este sistema, puedes usar cualquier lenguaje de programación gracias a las API y bibliotecas disponibles. ¿Te animas a más? Te invito a continuar aprendiendo y descubrir cómo puedes almacenar los resultados de tus predicciones en otros servicios de Google Cloud en la próxima lección. ¡La exploración apenas comienza!