通常,机器学习模型的训练和预测结果需要代码将数据输入模型。谷歌BigQuery毫升通过将模型引入数据来逆转这一点。谷歌BigQuery是一个数据仓库,旨在为使用SQL的大规模查询提供服务,用于分析用例。谷歌BigQuery ML扩展了这个函数和它的SQL接口,使用它的数据集来创建、训练和评估机器学习模型;并最终运行模型预测来创建新的BigQuery数据集。它支持一组有限的开箱即用的模型,如用于预测的线性回归或用于分类的二元和多类回归。它还支持,以有限的功能,导入以前的训练TensorFlow模型。尽管BigQuery ML及其基于sql的方法降低了使用机器学习进行预测和推荐的门槛,特别是在快速探索时,但这带来了一个困难的权衡:在模型训练的其他方面做出妥协,例如道德偏见的测试,explainability和机器学习的连续交付.