O Google está aprimorando suas plataformas de banco de dados e análise para capacitar desenvolvedores e organizações com as funcionalidades da inteligência artificial generativa. Em 2024, o Google introduziu várias atualizações em seu modelo de linguagem grande (LLM) Gemini, ampliando sua utilidade. Recentemente, foi anunciada a integração dos modelos Gemini com o serviço de análise BigQuery, juntamente com novos recursos para preparação de dados com IA e geração aumentada por recuperação (RAG). Além disso, o Google está expandindo significativamente suas capacidades de banco de dados com IA ao introduzir suporte a busca vetorial em todos os bancos de dados na nuvem.
“Acreditamos que a indexação vetorial e a busca vetorial devem ser fundamentais para todos os bancos de dados”, afirmou Andi Gutmans, GM e VP de Bancos de Dados do Google Cloud. “Os bancos de dados desempenham um papel crucial na geração aumentada por recuperação e maximizam os benefícios da IA nas empresas.”
Busca Vetorial Agora Disponível em Todos os Bancos de Dados do Google
Embora o Google já oferecesse suporte a vetores em alguns bancos de dados, agora está estendendo esse recurso para todas as suas ofertas. O banco de dados Google AlloyDB, que já demonstrava capacidades de vetor e IA, agora está disponível de forma geral. Adicionalmente, o serviço de Busca Vetorial do Vertex AI, um banco de dados dedicado a vetores, complementa esses avanços.
As novas capacidades incluem suporte prévio para vetores no Memorystore para Redis em memória, CloudSQL, bancos de dados relacionais Spanner, banco de dados de documentos Firestore e banco de dados key-value Bigtable.
A integração da busca vetorial em todos os bancos de dados do Google exige um esforço considerável de engenharia. Gutmans ressaltou que para o AlloyDB, construído sobre a estrutura open-source PostgreSQL, o Google utilizou a tecnologia open-source pgvector para implementar o suporte a vetores. No entanto, o Google realizou um trabalho extenso para otimizar desempenho e recursos para os usuários.
“Precisamos inovar em várias frentes de trabalho adaptadas a cada banco de dados devido às suas nuances arquitetônicas específicas”, observou Gutmans.
Para facilitar consultas com busca vetorial, os bancos de dados normalmente requerem indexação adicional. Gutmans enfatizou que a força do Google reside na construção de índices capazes de vetores, baseando-se em anos de experiência em escala para serviços principais. “Operando em larga escala, entendemos profundamente as capacidades vetoriais, utilizando-as internamente por mais de uma década em nossas divisões de publicidade e busca”, explicou ele.
BigQuery Aprimorado com Modelos Gemini Pro
No campo da análise, o Google está fortalecendo o BigQuery com suporte para seus mais recentes modelos Gemini Pro. “Isso abre um novo conjunto de cenários analíticos”, declarou Gerrit Kazmaier, GM e VP de Análise de Dados do Google Cloud, durante uma recente mesa-redonda com a imprensa.
Essas capacidades avançadas abrangem melhor resumação, extração de sentimentos, classificação, enriquecimento e tradução de dados estruturados e não estruturados. Kazmaier destacou que grande parte dos dados corporativos permanece subutilizada, especialmente os dados não estruturados. “Com Gemini Pro e BigQuery, os usuários agora podem analisar dados não estruturados ricos junto com dados estruturados de maneira integrada”, acrescentou.
Classificação
