Google Cloud potenzia BigQuery con Gemini: nuove frontiere per l'analisi dati e IA

Il 1 marzo 2024, con un blog post di Gerrit Kazmaier, GM & VP of Engineering, Data & Analytics, Google Cloud ha annunciato l'integrazione delle capacità di Gemini in BigQuery, portando significativi avanzamenti sia nell'analisi dei dati che nella gestione dei database, con un focus particolare sull'intelligenza artificiale generativa (GenAI).

Queste integrazioni sono progettate per facilitare il lavoro di data engineer e data analyst, consentendo loro di sfruttare le funzionalità avanzate di ragionamento e analisi multimodale offerte dai modelli Gemini direttamente sui loro dati in BigQuery.

L'obiettivo è di potenziare vari settori, migliorando l'assistenza sanitaria, l'efficienza delle supply chain e la qualità dell'engagement con i clienti in ambiti come telecomunicazioni, servizi finanziari e retail.

Le principali novità introdotte includono:

• Accesso a Gemini 1.0 Pro tramite Vertex AI: questa integrazione consente l'utilizzo di funzionalità di IA avanzate, come il ragionamento multimodale, per analizzare e interpretare i dati in BigQuery, offrendo nuove possibilità di insight e ottimizzazione in vari campi applicativi.

• Integrazione di BigQuery con Vertex AI per l'analisi di testo e parlato: questa funzionalità estende le capacità di BigQuery all'elaborazione di dati non strutturati, come immagini e video, oltre a testo e parlato. Un'applicazione pratica è l'analisi delle registrazioni audio nei call center per estrarre dati e insight preziosi, migliorando così l'efficienza e la qualità del servizio offerto.

• Per quanto riguarda AlloyDB, un database ottimizzato per la GenAI, Google Cloud ha annunciato che, dopo un periodo in modalità preview, è ora disponibile per tutti gli utenti. Questo database è progettato per gestire in modo efficiente i dati legati all'intelligenza artificiale, offrendo prestazioni e scalabilità superiori.

Inoltre, Google Cloud ha esteso le funzionalità di ricerca vettoriale ad altri database come Spanner, MySQL e Redis. La ricerca vettoriale, che consente di identificare dati simili a un vettore di input specifico, è cruciale per applicazioni di IA e machine learning, come la ricerca semantica e visiva. Questo tipo di ricerca può essere impiegato per migliorare le raccomandazioni di prodotti nei negozi online, per riassumere automaticamente le soluzioni ai problemi più frequenti nei ticket di assistenza o per identificare tendenze in vasti set di documenti, ampliando così le possibilità di applicazione dell'IA in ambito aziendale.