在《数据科学与机器学习平台魔力象限™》报告中，Gartner® 将 Google 评为业界领导者。

Google Cloud 上的数据科学

统一平台整合数据管理、分析和机器学习工具，加速实现从数据到 AI 的工作流。

4:52

Google Cloud 数据科学实用指南

使用入门

客户案例

为什么选择 Google Cloud 进行数据科学工作

Google Cloud 统一的数据与 AI 平台

提高业务速度与敏捷性，创造短期和长期价值。

3 倍

更经济高效，数据移动量降至最低

4 倍

更快速地完成模型训练、微调与部署

10 倍的

降低 AI 成本，从而使 ROI 目标更易达成

面向端到端数据科学工作流的统一平台

基于多模态数据基础构建，为整个数据科学和机器学习生命周期提供统一的解决方案，并确保统一治理。借助 BigQuery SQL 和 Spark 等强大的分析引擎，再使用 BigQuery ML 或 Vertex AI 构建模型。借助 AI 优先的 Colab Enterprise 笔记本和强大的 MLOps，在行业领先 AI 技术的支持下简化开发流程。

以 AI 优先的笔记本为核心的集中式工作区

从一系列适用于企业数据科学的笔记本解决方案中进行选择。Colab Enterprise 提供安全、受管理的集成环境，可与 Vertex AI 和 BigQuery 集成。Vertex AI Workbench 提供可自定义的 JupyterLab 实例，而 Cloud Workstations 支持完整的 IDE。扩展程序还可以将自托管工具直接连接到 Google Cloud 服务。

6:00

集成式数据科学代理

借助智能体能力，加速数据科学开发，促进数据探索、转换与机器学习建模。先用通俗英文给出高层目标，随后数据科学智能体将生成详尽计划，涵盖数据科学建模的各个环节：数据加载、探索、清理、可视化、特征工程、数据拆分、模型训练/优化与评估。

AI 辅助的数据准备，消除数据孤岛

利用统一的数据基础，通过 SQL 管理结构化和非结构化数据（图片、文档等）进行分析，并借助 AI 功能进行处理。AI 辅助数据准备功能可提供数据清理和转换建议。数据工程智能体通过自然语言指令自动执行数据工程任务，包括数据导入和流水线创建。

使用多个引擎灵活处理数据

可任选处理引擎——无论是 BigQuery 的 SQL 引擎，还是 Apache Spark 等开源框架——直接在单一且统一的数据副本上工作。由此无需为不同系统维护多份独立数据副本。

借助适用于 Python 的 BigQuery DataFrames 扩展数据科学工作

更偏好 Python 原生库吗？BigQuery DataFrames 提供类 pandas 的 API，可将 Python 代码转换为优化后的 SQL，并在 BigQuery 引擎上执行。因此，您可灵活选用最合适的工具——无论是 SQL、PySpark，还是 pandas 风格的 DataFrame——同时始终基于同一底层数据工作。

构建、训练、调优和运行机器学习模型

使用 SQL 借助 BigQuery ML 构建、训练、评估并部署模型，无需移动数据。利用内置预训练模型，或通过 SQL 函数调用 Gemini，完成数据分析/丰富。对于自定义模型，Vertex AI 支持 PyTorch、TensorFlow 等主流机器学习库。无缝集成使您可在 BigQuery 中进行特征工程、在 Vertex AI 中进行自定义模型训练，并通过 SQL 回到 BigQuery 完成推理。

生成嵌入并启用向量搜索

生成并使用多模态嵌入执行向量搜索，实现多模态数据的语义理解和相似度检索。这样，您就可以构建复杂的语义搜索、推荐或细分系统，而无需管理单独的专用向量数据库。

8:00

借助集成式 MLOps，让模型快速走向生产。

BigQuery 与 Vertex AI 深度集成，简化 MLOps 的“最后一公里”。将特征集中管理于 Vertex AI Feature Store，避免训练与线上服务的偏差与重复工作。使用 Vertex AI AutoML，自动化构建表格数据模型。所有模型（无论来自 BigQuery ML 还是 Vertex AI），都会自动注册到 Vertex AI Model Registry。之后，您可轻松完成版本管理、评估与部署，在单一平台上构建无缝的端到端生命周期。