BigQueryのAIでモデル学習

この実例は、BigQuery Studio内の他のエージェント—パイプライン向けのData Engineering Agent、クレンジング向けのData Preparation Agent、探索向けのConversational Analytics—とData Science Agentがどう共存するかを示しており、ユーザーはタスクごとに適切な支援機能へ振り分けられる。実務上の注意点も浮かび上がる。生成されたSQLは特徴量とターゲット間のデータリークがないか確認する必要があり、デフォルトの0.5しきい値はキャンペーンに応じて再現率寄りか適合率寄りかに調整すべきで、学習コストはデータ量に比例するため事前にドライラン見積もりをエージェントに依頼するとコスト管理に役立つ。特徴量を追加したv2モデルを生成し、v1と指標を比較できる点は、自然言語プロンプトによる反復的な改善サイクルを示唆している。