Google强化其云计算数据仓库BigQuery的机器学习功能，推出新BigQuery机器学习推理引擎，让用户可以直接在BigQuery导入外部训练的模型，借由缩短模型与资料之间的距离，加速机器学习运算。此外，用户也能够将资料指向远程托管在Vertex AI的模型，以更灵活地方式执行模型推理任务。
Google让用户无缝地在将资料预测分析集成至数据仓库中，消除了资料移动带来的成本和风险，用户还能使用熟悉的SQL语法来操作各种机器学习功能。而BigQuery的无服务器的特性，使得用户不需要在执行机器学习预测时自己配置基础设施。
过去，用户在BigQuery中导入机器学习模型的功能仅限TensorFlow模型。但Google现已扩展支持的模型格式，添加加TensorFlow Lite、XGBoost和ONNX。如此一来，用户便能够将PyTorch和scikit-learn等常用框架转换成ONNX，并将其导入到BigQuery中。现在用户可以在BigQuery使用在其他地方训练的模型，而不需要移动资料，BigQuery的分布式推理引擎能够批次执行推理工作，以提高推理执行性能。
对于一些需要特殊基础设施，以处理低延迟请求和大量参数的模型，用户可以选择将模型托管在机器学习平台Vertex AI端点，以获得GPU运算加速，Vertex AI也提供预构建容器、自定义容器等服务。用户现在可以选择直接从BigQuery内部，远程使用这些位于Vertex AI的模型进行推理。BigQuery会将资料送向远程Vertex AI进行推理，待推理完毕后的结果再送回BigQuery。
BigQuery机器学习远程模型推理，也支持图像等非结构化资料，用户可以使用Vertex AI上的图像、文本理解和翻译预训练模型进行推理。在BigQuery机器学习推理引擎中，这些模型可以使用特殊的预测函数，将文本和图像当作输入，并结果以JSON资料类型输出。