Google Cloud lleva modelos Gemini a Looker para crear agentes de IA conversacionales utilizando datos privados

Apenas una semana después de actualizar una serie de sus servicios de bases de datos en la nube, Google Cloud está lanzando aún más actualizaciones centradas en datos, con el objetivo de ayudar a las empresas a crear agentes de inteligencia artificial que puedan realizar tareas en nombre de sus usuarios.

Gerrit Kazmaier, director general y vicepresidente de análisis de datos de Google Cloud, también reveló otras capacidades, incluida la compatibilidad con formatos de tablas de datos abiertos, funciones de búsqueda vectorial ampliadas, más controles de gobernanza y una experiencia de búsqueda semántica en BigQuery.

Agentes de datos impulsados ​​por Gemini

Para simplificar el proceso de creación de agentes de IA, Google está lanzando una serie de nuevas interfaces de programación de aplicaciones conversacionales diseñadas para funcionar con sus grandes modelos de lenguaje Gemini para crear chatbots que no sólo entienden perfectamente la intención del usuario, sino que también pueden hacer cualquier cosa que se les pida. a ellos.

En una sesión informativa, Peter Bailis, vicepresidente de ingeniería de Looker e IA, mostró a SiliconANGLE una demostración del nuevo agente de IA para cafeterías impulsado por sus API conversacionales, y explicó que los usuarios pueden hacer preguntas sencillas sobre cuáles son las bebidas más vendidas de la empresa y recibir una respuesta inmediata. Luego, los usuarios pueden hacer preguntas de seguimiento más complejas, como “¿Cuáles son las ventas promedio de quienes visitan por primera vez?” y obtenga una respuesta instantánea.

Sus capacidades también se amplían para hacer predicciones, dijo Bailis. Por ejemplo, el gerente de la cafetería podría preguntarle cuál es el pronóstico de ventas totales para los próximos 30 días y automáticamente ejecutará un pronóstico basado en los datos existentes para generar una respuesta.

La clave aquí es que funciona combinando las herramientas analíticas de Google, como Looker, con el poder de sus modelos Gemini, que se basan en datos de empresas privadas. “Esto es lo que lo convierte en un agente”, dijo Kazmaier. “No se trata sólo de recuperar información existente. Es como si estuvieras charlando con tu analista de datos. Eso es lo que es innovador”.

Bailis dijo que en el futuro debería ser posible crear un agente de preparación de datos dentro de BigQuery que haga todo el trabajo de preparación de datos que requiere mucho tiempo. En el caso de la cafetería, podría organizar los datos más relevantes en un nuevo archivo de tabla optimizado para búsquedas específicas, como preguntas sobre ventas de café.

“Básicamente, elimina el mayor problema de todos estos datos y cómo encontrar lo que quiero en ellos.”, añadió Bailis.

La compañía dijo que ya ha utilizado estas API para crear la experiencia de búsqueda semántica conversacional en Looker, combinando las capacidades de Gemini con la capa semántica a escala empresarial de la plataforma anterior.

Acceso ampliado a datos en BigQuery

La mayoría de las otras actualizaciones de hoy estaban relacionadas con BigQuery, que es el almacén de datos en la nube sin servidor insignia de Google Cloud que sirve como centro para cargas de trabajo de análisis de datos. Kazmaier dijo que está obteniendo una serie de nuevas capacidades, incluida una experiencia administrada que está diseñada para hacer la vida más fácil a los usuarios de los formatos de archivo Iceberg, Hudi y Delta, que son formatos de tabla estándar de código abierto para trabajar con conjuntos de datos muy grandes de manera eficiente. . Además de esto, esas fuentes de datos también obtienen soporte para tipos de datos multimodales en BigQuery, incluida información de aplicaciones de inteligencia artificial como la comprensión de documentos, la visión artificial y el procesamiento de texto a voz.

En cuanto a las nuevas herramientas de búsqueda semántica, están dirigidas principalmente a clientes que buscan utilizar datos en BigQuery para impulsar aplicaciones de IA creadas en la plataforma Vertex AI, que es la principal herramienta de desarrollo de aplicaciones de IA de Google.

Kazmaier dijo que en una actualización reciente, BigQuery agregó soporte para técnicas de generación de recuperación aumentada e incrustaciones de vectores, lo que hace posible que las aplicaciones de inteligencia artificial realicen inferencias directamente sobre los datos no estructurados que almacenan. En ese momento, la compañía también anunció una integración con LangChain para simplificar el trabajo de preprocesamiento de esos datos para que puedan transformarse en incrustaciones de vectores.

Sobre la base de esas actualizaciones, Kazmaier dijo que BigQuery ahora está obteniendo capacidades mejoradas de búsqueda de vectores con soporte para el índice de vectores ScaNN, que es una herramienta para hacer que se puedan buscar datos no estructurados, como videos, representándolos como incrustaciones de vectores. ScaNN es la misma tecnología que impulsa las búsquedas de videos e imágenes en la Búsqueda de Google, y también impulsa el motor de búsqueda de YouTube.

Búsqueda, protección y gobernanza de datos mejoradas

Pasando al gobierno de datos, Kazmaier dijo que Google está implementando varias funciones nuevas diseñadas para ayudar a las empresas a hacer que su información más confidencial sea accesible a la IA sin comprometerla.

En primer lugar, facilita a los clientes el procesamiento de datos mediante interfaces de programación de aplicaciones Python familiares a través de BigQuery DataFrames. Con DataFrames, los usuarios tienen una forma sencilla de generar datos sintéticos, basados ​​en sus conjuntos de datos patentados, de modo que puedan usarse para entrenar IA en lugar de información genuina y altamente confidencial.

En segundo lugar, Google anunció la disponibilidad general del catálogo unificado de BigQuery, una herramienta de descubrimiento de datos que funciona ingiriendo, recolectando e indexando automáticamente metadatos de todo el conjunto de datos de una empresa, incluidos modelos de inteligencia artificial, herramientas de inteligencia empresarial y bases de datos. Y para consultar esos activos, los usuarios pueden aprovechar la nueva capacidad de búsqueda semántica del catálogo de BigQuery que ahora está en versión preliminar.

Eso hace posible hacer preguntas sobre los datos en lenguaje natural. BigQuery comprenderá la intención del usuario y recuperará los resultados más relevantes, lo que hará que sea mucho más fácil encontrar lo que está buscando, afirmó Kazmaier.

En tercer lugar, hay una nueva función de metastore de BigQuery que reduce aún más la complejidad de los datos, permitiendo que varios motores se ejecuten en una sola copia de datos distribuidos en tablas de datos de objetos estructurados y no estructurados. Esto tiene el efecto de proporcionar un plano de datos único para la aplicación de políticas y la gestión del desempeño.

En cuarto lugar, BigQuery está obteniendo nuevas herramientas de gobernanza específicamente para quienes utilizan el servicio junto con Looker, la principal herramienta de inteligencia empresarial de Google. Lo que ofrece es una experiencia de autoservicio totalmente administrada para conectar e ingerir metadatos desde Looker, sin necesidad de mantener un conector de datos.

Finalmente, Google está agregando funciones de cifrado y recuperación ante desastres a BigQuery para garantizar que los clientes tengan suficiente capacidad de conmutación por error y capacidad informática redundante para sus cargas de trabajo más críticas.

Con información de Robert Hof

Imagen: SiliconANGLE/Microsoft Designer