برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
Google Cloud اعلام کرد تعداد قابل توجهی از ویژگی های جدید هفته گذشته در رویداد Google Cloud Next با حداقل 229 اعلامیه جدید.
در آن کوه از اخبار دفن شده است ، که شامل تراشه های جدید AI و قابلیت های AI عامل AI ، و همچنین به روزرسانی پایگاه دادهES ، Google Cloud همچنین با سرویس انبار داده BigQuery خود حرکات بزرگی انجام داد. از جمله قابلیت های جدید ، حاکمیت یکپارچه BigQuery است که به سازمان ها کمک می کند تا دارایی های داده خود را کشف ، درک و اعتماد کنند. ابزارهای حاکمیتی با اطمینان از کیفیت داده ها ، دسترسی و اعتماد به نفس ، به موانع کلیدی در پذیرش هوش مصنوعی کمک می کنند.
سهام برای Google بسیار زیاد است زیرا رقبای موجود در فضای داده سازمانی را به خود اختصاص می دهد.
BigQuery از سال 2011 در بازار بوده است و در سالهای اخیر هم از نظر قابلیت ها و هم از نظر کاربری به میزان قابل توجهی رشد کرده است. ظاهراً BigQuery همچنین یک تجارت بزرگ برای Google Cloud است. در Google Cloud Next ، برای اولین بار فاش شد که واقعاً تجارت چقدر بزرگ است. به گفته گوگل ، BigQuery پنج برابر تعداد مشتریان هر دو Snowflake و Databricks داشت.
یاسمین احمد ، مدیر عامل تجزیه و تحلیل داده ها در Google Cloud ، به VentureBeat گفت: “این اولین سالی است که به ما اجازه داده شده است که واقعاً یک آمار مشتری را ارسال کنیم ، که برای من لذت بخش بود.” “Databricks و Snowflake ، آنها تنها نوع دیگری از سیستم عامل های انبار داده های سازمانی در بازار هستند. ما پنج برابر مشتری بیشتر از هر یک از آنها داریم.”
چگونه Google در حال بهبود BigQuery برای پیشبرد پذیرش شرکت است
در حالی که Google اکنون ادعا می کند که یک پایگاه کاربر گسترده تر از رقبای خود دارد ، اما پای خود را نیز از گاز خارج نمی کند. در ماه های اخیر و به ویژه در Google Cloud Next ، Hyperscaler چندین قابلیت جدید برای پیشبرد تصویب شرکت را اعلام کرده است.
یک چالش مهم برای شرکت هوش مصنوعی ، دسترسی به داده های صحیح است که موافقت نامه های سطح خدمات تجاری (SLA) را برآورده می کند. براساس تحقیقات گارتنر که توسط Google ذکر شده است ، سازمانهایی که موارد استفاده از هوش مصنوعی خود را از طریق یک عمل داده AI آماده نمی کنند و از آنها پشتیبانی نمی کنند ، بیش از 60 ٪ از پروژه های هوش مصنوعی در ارائه SLA های تجاری و رها شدن از آن استفاده نمی کنند.
این چالش از سه مشکل مداوم ناشی می شود که مدیریت داده های سازمانی را طاعون می کند:
- سیلوهای داده تکه تکه شده
- به سرعت در حال تغییر نیازهای
- فرهنگ های داده سازمانی متناقض که تیم ها یک زبان مشترک را در مورد داده ها به اشتراک نمی گذارند.
راه حل مدیریت یکپارچه BigQuery Google نشان دهنده عزیمت قابل توجهی از رویکردهای سنتی با تعبیه قابلیت های حاکمیتی به طور مستقیم در بستر BigQuery به جای نیاز به ابزارها یا فرآیندهای جداگانه است.
BigQuery مدیریت یکپارچه: یک شیرجه عمیق فنی
در هسته اعلامیه Google ، حاکمیت یکپارچه BigQuery است که توسط کاتالوگ جدید جهانی BigQuery ساخته شده است. بر خلاف کاتالوگ های سنتی که فقط حاوی اطلاعات اصلی جدول و ستون هستند ، کاتالوگ جهانی سه نوع متفاوت از ابرداده را ادغام می کند:
- ابرداده فیزیکی/فنی: تعاریف طرحواره ، انواع داده ها و آمار پروفایل.
- ابرداده تجاری: اصطلاحات واژه نامه تجارت ، توضیحات و متن معنایی.
- ابرداده زمان اجرا: الگوهای پرس و جو ، آمار استفاده و اطلاعات خاص قالب برای فناوری هایی مانند Apache Iceberg.
این رویکرد یکپارچه به BigQuery اجازه می دهد تا درک کاملی از دارایی های داده را در سراسر شرکت حفظ کند. آنچه این سیستم را به خصوص قدرتمند می کند این است که چگونه Google Gemini ، مدل پیشرفته هوش مصنوعی خود را به طور مستقیم در لایه حاکمیت از طریق آنچه که آنها موتور دانش می نامند ، یکپارچه کرده است.
موتور دانش با کشف روابط بین مجموعه داده ها ، غنی سازی ابرداده با زمینه تجارت و نظارت بر کیفیت داده ها به طور فعال ، حاکمیت را افزایش می دهد.
قابلیت های کلیدی شامل جستجوی معنایی با درک زبان طبیعی ، تولید خودکار ابرداده ، کشف روابط با هوش مصنوعی ، محصولات داده برای بسته بندی دارایی های مرتبط ، یک واژه نامه تجاری ، فهرست نویسی خودکار داده های ساختاری و بدون ساختار و تشخیص خودکار ناهنجاری است.
معیارها را فراموش کنید ، AI Enterprise یک مسئله بزرگتر است
استراتژی Google از رقابت مدل AI فراتر می رود.
احمد گفت: “من فکر می کنم بیش از حد صنعت فقط روی رسیدن به آن تابلوی شخصی متمرکز شده است ، و در واقع گوگل به طور کامل در مورد این مشکل فکر می کند.”
این رویکرد جامع به کل چرخه عمر داده های سازمانی ، پاسخ می دهد و به سؤالات مهم مانند: چگونه اعتماد را ارائه می دهید؟ چگونه در مقیاس ارائه می دهید؟ چگونه مدیریت و امنیت را تحویل می دهید؟
Google با نوآوری در هر لایه از پشته و جمع آوری این نوآوری ها ، آنچه را احمد می نامد ، یک پروانه فعال سازی داده در زمان واقعی را ایجاد کرده است ، جایی که به محض گرفتن داده ها ، صرف نظر از نوع یا قالب یا جایی که در آن ذخیره می شود ، تولید ابرداده فوری ، سلسله و کیفیت وجود دارد.
گفته می شود ، مدل ها مهم هستند. احمد توضیح داد که با ظهور مدل های تفکر مانند Gemini 2.0 ، یک بازه بزرگ برای سیستم عامل های داده Google وجود داشته است.
وی گفت: “یک سال پیش ، هنگامی که شما از Genai می خواستید به یک سؤال تجاری پاسخ دهد ، هر چیزی که کمی پیچیده تر شود ، واقعاً باید آن را در چندین مرحله تجزیه کنید.” “ناگهان ، با مدل تفکر می تواند یک برنامه ارائه دهد … شما نیازی به کدگذاری سخت برای ساختن یک برنامه ندارید. این می داند که چگونه برنامه ها را بسازید.”
در نتیجه ، وی گفت که اکنون می توانید به راحتی یک عامل مهندسی داده خط لوله ای را ایجاد کنید که سه مرحله یا 10 مرحله باشد. ادغام با قابلیت های هوش مصنوعی Google ، آنچه را که ممکن است با داده های سازمانی ممکن است تغییر داده است.
تأثیر دنیای واقعی: چگونه بنگاه ها از آن بهره مند می شوند
Levi Strauss & Company نمونه ای قانع کننده از چگونگی مدیریت داده های یکپارچه می تواند عملیات تجاری را تغییر دهد. این شرکت 172 ساله از قابلیت های حاکمیت داده های Google استفاده می کند زیرا از این که در درجه اول یک تجارت عمده فروشی به یک برند مستقیم به مصرف کننده تبدیل می شود ، تغییر می کند. در جلسه ای در Google Cloud Next ، Vinay Narayana ، که داده ها و مهندسی پلت فرم AI را در Levi اجرا می کند ، مورد استفاده سازمان خود را شرح می دهد.
نارایانا گفت: “ما آرزو می کنیم که تحلیلگران تجارت خود را توانمند کنیم تا به داده های زمان واقعی که دقیق هستند نیز دسترسی داشته باشند.” “قبل از اینکه سفر خود را برای ساختن یک بستر جدید آغاز کنیم ، چالش های مختلفی را کشف کردیم. کاربران مشاغل ما نمی دانستند که داده ها در کجا زندگی می کنند ، و اگر آنها منبع داده را می دانستند ، آنها نمی دانستند که چه کسی متعلق به آن است. اگر به نوعی دسترسی پیدا کنند ، هیچ مستندی وجود ندارد.”
Levi یک بستر داده در Google Cloud ساخته است که محصولات داده را توسط دامنه تجاری سازماندهی می کند و آنها را از طریق HUB Analytics (بازار داده های Google) قابل کشف می کند. هر محصول داده با مستندات دقیق ، اطلاعات مربوط به اصل و نسب و معیارهای کیفیت همراه است.
نتایج چشمگیر بوده است: “ما 50 برابر سریعتر از پلت فرم داده های میراث خود هستیم و این در پایان کم است. تعداد قابل توجهی از تجسم 100 برابر سریعتر است.” “ما بیش از 700 کاربر در حال حاضر به صورت روزانه از این سیستم عامل استفاده می کنیم.”
مثال دیگر از Verizon آمده است ، که از ابزارهای حاکمیتی Google به عنوان بخشی از ابتکار عمل Verizon Data برای متحد کردن داده های قبلی خاموش در واحدهای تجاری استفاده می کند.
Arvind Rajagopalan ، AVP مهندسی داده ، معماری و محصولات در Verizon گفت: “این بزرگترین انبار داده Telco در آمریکای شمالی خواهد بود که در BigQuery اجرا می شود.”
املاک داده این شرکت گسترده است و شامل 3500 کاربر است که تقریباً 50 میلیون پرس و جو ، 35000 خط لوله داده و بیش از 40 پتابیت داده را اجرا می کنند.
در یک جلسه Spotlight در Google Cloud Next ، احمد همچنین نمونه های بی شماری دیگر را ارائه داد. گروه هتل Radisson تبلیغات خود را در مقیاس شخصی سازی کرده و مدل های Gemini را در داده های BigQuery آموزش می دهد. تیم ها 50 ٪ افزایش بهره وری را تجربه کردند ، در حالی که درآمد حاصل از کمپین های AI بیش از 20 ٪ افزایش یافت. سرویس غذایی گوردون به BigQuery مهاجرت کرد و اطمینان حاصل کرد که داده های آنها برای هوش مصنوعی و افزایش پذیرش برنامه های مشتری مداری 96 ٪ آماده است
تفاوت “بزرگ” چیست: کاوش در چشم انداز رقابتی
چندین فروشنده در فضای انبار داده های سازمانی از جمله Databricks ، Snowflake ، Microsoft با Synapse و Amazon با Redshift وجود دارد. همه این فروشندگان در سالهای اخیر اشکال مختلفی از ادغام های هوش مصنوعی را توسعه داده اند.
Databricks دارای پلت فرم جامع داده دریاچه داده و در حال گسترش است قابلیت های هوش مصنوعی خود ، تا حدودی از خرید 1.3 میلیارد دلاری آن از موزائیک تشکر می کند. آمازون Redshift پشتیبانی از AI تولیدی را در سال 2023 با آمازون اضافه کرد q به کاربران کمک می کند تا نمایش داده شود و پاسخ های بهتری بدست آورند. از طرف خود ، Snowflake مشغول توسعه ابزارها و همکاری با مدل بزرگ زبان (LLM) است ارائه دهندگان ، از جمله انسان شناسی.
احمد وقتی به مقایسه های خاص به پیشنهادات مایکروسافت فشار می آورد ، استدلال می کند که سیناپس یک بستر داده سازمانی برای انواع موارد استفاده نیست که مشتریان از آن استفاده می کنند.
وی گفت: “من فکر می کنم ما کل صنعت را جهش داده ایم ، زیرا ما روی همه قطعات کار کرده ایم.” “ما بهترین مدل را به دست آورده ایم ، به هر حال ، این بهترین مدل است که در یک پشته داده یکپارچه شده است که نحوه کار نمایندگان را می فهمد.”
این ادغام باعث اتخاذ سریع قابلیت های هوش مصنوعی در BigQuery شده است. به گفته گوگل ، استفاده مشتری از مدل های هوش مصنوعی Google در BigQuery برای تجزیه و تحلیل چندمودال 16 برابر نسبت به سال گذشته افزایش یافته است.
این به معنای این برای شرکت هایی است که AI را اتخاذ می کنند
برای شرکت هایی که قبلاً با اجرای AI دست و پنجه نرم می کنند ، رویکرد یکپارچه Google به حاکمیت ممکن است مسیری ساده تر را برای موفقیت ارائه دهد تا اینکه مدیریت داده های جداگانه و سیستم های هوش مصنوعی را با هم جمع کنند.
ادعای احمد مبنی بر اینکه گوگل در این فضا رقم “جهش یافته” دارد ، با بررسی روبرو خواهد شد زیرا سازمان ها این قابلیت های جدید را برای کار می کنند. با این حال ، نمونه های مشتری و جزئیات فنی نشان می دهد که گوگل پیشرفت چشمگیری در پرداختن به یکی از چالش برانگیزترین جنبه های پذیرش AI شرکت داشته است.
برای تصمیم گیرندگان فنی که سیستم عامل های داده را ارزیابی می کنند ، سؤالات کلیدی این خواهد بود که آیا این رویکرد یکپارچه ارزش اضافی کافی را برای توجیه مهاجرت از سرمایه گذاری های موجود در سیستم عامل های تخصصی ، مانند Snowflake یا Databricks ارائه می دهد ، و اینکه آیا Google می تواند سرعت نوآوری فعلی خود را حفظ کند.