Раньше для прогнозной аналитики требовалось создание и обучение сложных пользовательских моделей. Этот традиционный подход включал ручное создание признаков, длительную настройку и специальные навыки, что часто приводило к недостаточному использованию прогнозных моделей. Google Research представила TabFM, предварительно обученную базовую модель для табличных данных, теперь доступную в BigQuery. TabFM использует обучение в контексте для мгновенного получения высокоточных прогнозов с помощью одного SQL-запроса, устраняя отдельные этапы обучения и развертывания. Эта система обеспечивает прогнозирование в режиме zero-shot, упрощая процесс для пользователей без обширного опыта в машинном обучении. Она также улучшает агентные приложения, предоставляя прогнозные возможности без необходимости управления инфраструктурой. TabFM демонстрирует передовую точность, превосходя традиционные модели на эталонных тестах. Опыт разработчика упрощается благодаря нативной интеграции с BigQuery и простой SQL-синтаксису. TabFM автоматически обрабатывает задачи создания признаков, а ее масштабируемость позволяет быстро обрабатывать миллионы строк. Пользователи могут использовать AI.PREDICT для мгновенных прогнозов и AI.EVALUATE для оценки производительности модели. В то время как TabFM превосходно подходит для быстрого получения аналитических данных и частого переобучения, традиционные модели остаются подходящими для очень больших наборов данных или когда важна объяснимость важности признаков. Эта интеграция делает прогнозное машинное обучение таким же простым, как выполнение стандартного SQL-запроса.