Google Cloud Database bietet weitere Funktionen für künstliche Intelligenz

Google Cloud erweitert seine Analyse- und Transaktionsdatenbanken, darunter BigQuery, AlloyDB und Spanner, mit dem Ziel, die Entwicklung seiner kundengenerierten Anwendungen für künstliche Intelligenz voranzutreiben.

BigQuery ist der fortschrittliche Datenbankdienst von Google Cloud, der zur Unterstützung von Analysen und Aufgaben der künstlichen Intelligenz entwickelt wurde. Der Dienst führt mehrere Verbesserungen der künstlichen Intelligenz ein. Zunächst veröffentlichte Google Cloud eine Vorschauversion der Integration von BigQuery und Vertex AI, die sich auf Text- und Sprachfunktionen konzentrierte. Durch diese Integration können Benutzer wertvolle Erkenntnisse aus unstrukturierten Daten wie Bildern und Dokumenten gewinnen.

Das leistungsstärkste Modell der künstlichen Intelligenz des Unternehmens, Gemini, wurde BigQuery-Kunden über Vertex AI zur Verfügung gestellt. Das Modell löste letzte Woche einige Kontroversen aus, nachdem es auf dem Verbrauchermarkt kein herausragendes Debüt gegeben hatte.

Diese KI-Funktionen folgen der früheren Ankündigung von BigQuery zu Vektorsuchfunktionen. Die Vektorsuchfunktion in der Vorschau ist eine Schlüsselkomponente von GenAI-Anwendungen und unterstützt die Ähnlichkeitssuche und Retrieval-Augmented Generation (RAG) unter Verwendung großer Sprachmodelle.

Der direkte Zugriff auf Vertex AI in BigQuery bietet Google Cloud AI-Kunden in mehrfacher Hinsicht Benutzerfreundlichkeit, sagte Gerrit Kazmaier, General Manager und Vice President für Datenanalyse bei Google Cloud AI.

In der Pressekonferenz erwähnte Kazmaier, dass Sie als Datenanalyse-Praktiker über die SQL-Befehlszeile oder die in BigQuery eingebettete Python-API auf alle Vertex-KI-Modelle, einschließlich Gemini-Modelle, zugreifen können. Dies erleichtert den Zugriff auf diese Modelle, ohne auf einen Datenwissenschaftler oder eine Plattform für maschinelles Lernen angewiesen zu sein. Sie können mit den vorhandenen Daten direkt in Ihrem Arbeitsbereich darauf zugreifen. Das Aufkommen dieser neuen Technologie bringt mehr Möglichkeiten und Flexibilität in die Datenanalyse.

Kazmaier wies darauf hin, dass ein zweiter Vorteil der Integration der einfachere Zugriff auf die für KI-Modelle benötigten Daten sei. Vor der Integration erforderte die Übertragung von Daten an KI-Modelle häufig den Aufbau und die Wartung von Datenpipelines, um die Daten zu verschieben. Jetzt, sagt er, sei das nicht mehr nötig. „Alle komplizierten Verfahren wurden vereinfacht.“

In Vertex können Datenanalysten durch die Nutzung der Funktionen text- und bildbasierter künstlicher Intelligenzmodelle mehr Datenanalysevorteile durch BigQuery erzielen und den Kunden mehr Vorteile bieten.

„Dies eröffnet eine neue Phase der Szenarioanalyse.“ Er sagte, dass die Zusammenfassung, Emotionsextraktion, Klassifizierung, Konzentration und Übersetzung strukturierter und unstrukturierter Daten eine große Sache seien. Grob gesagt sind 90 % der Daten unstrukturiert. Diese Daten werden normalerweise nicht für die Analyse von Unternehmensdaten verwendet, da sie nicht sinnvoll verarbeitet werden können.

Auf der transaktionalen (oder betrieblichen) Seite kündigte Google Cloud die allgemeine Verfügbarkeit von AlloyDB AI an, der KI-spezifischen Version der gehosteten Postgres-Datenbank, die das Unternehmen letztes Jahr auf der Next 23-Konferenz angekündigt hatte. AlloyDB AI verfügt über die Fähigkeit, Vektoreinbettungen zu speichern und Vektorsuchfunktionen auszuführen, was Google Cloud als eine Kernkomponente der GenAI-Anwendungsfälle seiner Kunden betrachtet.

Google Cloud hat außerdem eine neue Integration mit LangChain eingeführt, einem beliebten Open-Source-Framework, das dabei hilft, Kundendaten in große Sprachmodelle (LLMs) zu integrieren. Andi Gutmans, General Manager und Vizepräsident für Datenbanken bei Google Cloud, sagte, dass alle Google Cloud-Datenbanken in LangChain integriert werden.

Gutmans sagte, die neuen Funktionen seien eine Reaktion auf die Nachfrage der Kunden, einen Weg zu finden, mehr GenAI-Wert aus ihren Daten zu ziehen.

Das Unternehmen kündigte außerdem an, dass es Vektorsuchfunktionen zu anderen Datenbanken hinzufügen wird, die in seiner Cloud für Kunden gehostet werden, darunter Redis und MySQL. Cloud Spanner, Firestore und Bigtable werden ebenfalls Vektorfähigkeiten erhalten, sagte Gutmans.

„Das Besondere an Spanner ist, dass es über die Möglichkeit zur Suche nach nächsten Nachbarn verfügt, was eine etwas andere Variante ist“, sagte Gutmans. „Was wirklich spannend ist, sind die Kunden, die wirklich große Anwendungsfälle haben – z. B. Billionen von Vektoren.“ als Höhenpartitionierung basierend auf Benutzern. Sie können sich vorstellen, dass einige der internen Anwendungen von Google nach Benutzern partitioniert sind – sie werden in der Lage sein, Vektoren im Maßstab von Billionen (Vektoren) zu speichern und zu durchsuchen“, sagte er. : „Wir glauben, dass jede Datenbank Jeder Ort, an dem Betriebsdaten gespeichert werden, die Sie in einem GenAI-Anwendungsfall benötigen, sollte auch über Vektorfunktionen verfügen.“ Behalten Sie einfach die Grundfunktionalität der Datenbank bei.“