Google verbessert seine Datenbank- und Analyseplattformen, um Entwicklern und Unternehmen die Möglichkeiten von generativer KI zu bieten.
Im Jahr 2024 wurden mehrere Updates für das große Sprachmodell Gemini eingeführt, die seine Nützlichkeit erweitern. Kürzlich gab Google die Integration der Gemini-Modelle in den BigQuery-Analytics-Dienst bekannt, zusammen mit neuen Funktionen für die AI-Datenvorbereitung und Retrieval-Augmented Generation (RAG). Zudem erweitert Google seine KI-Datenbankfähigkeiten erheblich, indem es die Unterstützung für Vektorsuche in allen Cloud-Datenbanken einführt.
„Wir glauben, dass Vektor-Indizierung und Vektor-Suche grundlegend für jede Datenbank sein sollten“, sagte Andi Gutmans, GM und VP für Datenbanken bei Google Cloud. „Datenbanken spielen eine entscheidende Rolle für effektive Retrieval-Augmented Generation und maximieren die Vorteile von KI in Unternehmen.“
Vektorsuche jetzt in allen Google-Datenbanken verfügbar
Während Google zuvor Vektorunterstützung in einigen Datenbanken angeboten hat, wird dieses Feature nun auf alle Angebote ausgeweitet. Die Google AlloyDB-Datenbank, die bereits Vektor- und KI-Funktionen aufwies, ist jetzt allgemein verfügbar. Darüber hinaus ergänzt der Vertex AI Vector Search-Dienst von Google, eine spezielle Vektordatenbank, diese Fortschritte.
Zu den neuen Funktionen gehört die Vorschau-Unterstützung für Vektoren im In-Memory Memorystore für Redis, CloudSQL, Spanner relationale Datenbanken, Firestore Dokumenten-Datenbank und Bigtable Key-Value-Datenbank.
Die Integration der Vektorsuche in alle Google-Datenbanken erfordert erheblichen Ingenieureinsatz. Gutmans wies darauf hin, dass Google für AlloyDB, das auf dem Open-Source-PostgreSQL-Framework basiert, die Open-Source-Technologie pgvector verwendet hat, um die Vektorunterstützung zu implementieren. Google hat jedoch umfangreiche Arbeiten durchgeführt, um die Leistung und Funktionen für die Benutzer zu optimieren.
„Wir müssen in verschiedenen Arbeitsströmen innovativ sein, die auf die spezifischen architektonischen Nuancen jeder Datenbank zugeschnitten sind“, bemerkte Gutmans.
Um Abfragen mit Vektorsuche zu erleichtern, benötigen Datenbanken typischerweise zusätzliche Indizierung. Gutmans betonte, dass die Stärke von Google darin liegt, vektorfähige Indizes zu erstellen, basierend auf jahrelanger Erfahrung im großen Maßstab für wichtige Dienste.
„Da wir in diesem Maßstab gearbeitet haben, verstehen wir Vektor-Funktionen tiefgehend, nachdem wir sie über ein Jahrzehnt hinweg intern in unseren Werbe- und Suchabteilungen genutzt haben“, erklärte er.
BigQuery mit Gemini Pro-Modellen verbessert
Im Bereich Analytics stärkt Google BigQuery mit Unterstützung für die neuesten Gemini Pro-Modelle.
„Das eröffnet eine neue Reihe von Analyse-Szenarien“, erklärte Gerrit Kazmaier, GM und VP für Datenanalysen bei Google Cloud, während einer kürzlichen Pressekonferenz.
Diese erweiterten Funktionen umfassen verbesserte Zusammenfassungen, Sentiment-Extraktion, Klassifikation, Bereicherung und Übersetzung sowohl strukturierter als auch unstrukturierter Daten. Kazmaier betonte, dass ein Großteil der Unternehmensdaten, insbesondere unstrukturierte Daten, ungenutzt bleibt.
„Mit Gemini Pro und BigQuery können Benutzer nun reichhaltige unstrukturierte Daten nahtlos neben strukturierten Daten analysieren“, fügte er hinzu.