Google добавляет новые возможности в свои платформы баз данных и аналитики, чтобы помочь разработчикам и организациям извлечь выгоду из возможностей генеративного искусственного интеллекта.
В 2024 году Google был занят многочисленными обновлениями своей модели большого языка Gemini (LLM), которые не совсем шли по плану. Сегодня Google объявила, что внедряет возможности своих моделей Gemini в свой аналитический сервис BiqQuery, а также новые обновления функций для подготовки и извлечения данных AI (RAG). Идя еще дальше, Google значительно расширяет возможности своих баз данных для ИИ: поддержка векторного поиска теперь доступна во всех ее облачных базах данных.
«По сути, мы говорим, что векторное индексирование и векторный поиск должны быть примитивными в любой базе данных», — сказал VentureBeat Энди Гутманс, генеральный директор и вице-президент по базам данных Google Cloud. «Базы данных очень важны как часть расширенной генерации данных и действительно позволяют получить реальную выгоду от ИИ на предприятии».
Каждая база данных Google теперь является базой данных с векторной поддержкой.
Google уже имеет поддержку векторов в некоторых своих базах данных.
В базе данных Google AlloyDB предварительно реализованы возможности векторной обработки и искусственного интеллекта, и теперь она общедоступна. У Google также есть служба Vertex AI Vector Search, которая представляет собой специально созданную базу данных векторов.
В настоящее время эта линейка расширяется за счет поддержки предварительной версии векторов в базе данных Memorystore для Redis в памяти, реляционных базах данных CloudSQL и Spanner, а также базе данных документов Firestore и базе данных «ключ-значение» Bigtable.
Добавление поддержки векторов во все базы данных Google — нетривиальная операция, требующая большой инженерной работы со стороны Google. Гутманс отметил, что для AlloyDB, основанной на базе данных PostgreSQL с открытым исходным кодом, Google может получить некоторую выгоду от технологии pgvector с открытым исходным кодом, которая обеспечивает поддержку векторов. Тем не менее, даже с AlloyDB Google пришлось проделать большую работу, чтобы обеспечить максимально возможную производительность и возможности для пользователей.
«Нам приходится внедрять инновации в разных потоках работы для разных баз данных, потому что каждая база данных имеет свои особенности построения», — сказал Гутманс.
При векторном поиске в базе данных обычно также требуется дополнительный индекс для облегчения запросов. Гутманс сказал, что большая часть отличия Google от других поставщиков, создающих векторные возможности, заключается в том, как Google создает векторные индексы.
«Мы считаем, что эта область является нашей сильной стороной, потому что нам фактически приходилось делать это в очень больших масштабах для себя в течение многих лет», — сказал он. «У нас есть немалый опыт подобных действий в масштабах Google с миллиардами пользовательских сервисов».
Хотя конечные пользователи не всегда были в курсе этого, Гутманс отметил, что Google уже 12 лет использует возможности векторного поиска в рамках своих рекламных и поисковых бизнес-подразделений.
BigQuery получает поддержку Gemini Pro
Что касается аналитики, Google расширяет BigQuery за счет поддержки своих последних моделей Gemini Pro.
«Это открывает совершенно новый набор аналитических сценариев», — сказал Геррит Казмайер, генеральный директор и вице-президент по аналитике данных Google Cloud, во время круглого стола для прессы, подробно описывающего новости.
Расширенные возможности включают улучшенное обобщение и извлечение настроений, классификацию, обогащение, а также перевод структурированных и неструктурированных данных. Казмайер отметил, что подавляющее большинство данных неструктурировано и часто не полностью используется для анализа корпоративных данных, поскольку с ними невозможно работать осмысленно.
«Теперь с помощью Gemini Pro и BigQuery вы можете выполнять практически всю обширную аналитику неструктурированных данных и комбинировать ее со своими структурированными данными», — сказал он.
