همچنین یک مفسر کد جدید به عامل تجزیه و تحلیل گفت‌وگویی خود در Looker اضافه می‌کند تا به کاربران تجاری کمک کند تجزیه و تحلیل‌های داده‌ای پیچیده‌تر را به زبان طبیعی انجام دهند.
گوگل یک سری به‌روزرسانی‌های تدریجی را به سرویس انبار دادهٔ مدیریت‌شده BigQuery خود اضافه کرده است تا به متخصصان داده در سرتاسر شرکت‌ها کمک کند تا کارهای تجزیه و تحلیل داده را بیشتر خودکار کنند.
این به‌روزرسانی‌ها برای «عوامل مهندسی داده و علم داده در BigQuery» که شرکت ابر‑مقیاس‌ساز در آوریل در طول رویداد سالانهٔ «Google Cloud Next» اعلام کرده بود، انجام شد.
عامل مهندسی داده از پایه به پیشرفته می‌رود
طبق اعلام گوگل، عامل مهندسی داده اکنون شامل ویژگی‌های بیشتری جز قابلیت‌های پایهٔ آماده‌سازی داده است.
«ما اکنون به یک قابلیت کامل عامل انتها‑به‑انتها تحول یافته‌ایم که ساختن خط لوله، تبدیل داده و رفع اشکال خط لوله را پوشش می‌دهد»، Yasmeen Ahmad، مدیر محصول داده و هوش مصنوعی در Google Cloud، به InfoWorld گفت.
این به این معناست که عامل، در حین پذیرش ورودی به زبان طبیعی، اکنون می‌تواند طرح‌ها را درک کند، از فراداده‌های موجود یاد بگیرد و روابط بین دارایی‌های دادهٔ مختلف را درک نماید و به متخصصان داده اجازه دهد تا در کل چرخهٔ حیات خط لولهٔ داده با آن تعامل داشته باشند، او افزود.
این تعاملات می‌تواند شامل درخواست از عامل برای انجام وظایفی مانند ایجاد یک خط لولهٔ داده، اصلاح خطوط لوله موجود و حتی رفع اشکال مشکلات باشد، زیرا قادر است کد و لاگ‌ها را تجزیه و تحلیل کند تا علت اصلی مشکل را شناسایی کرده و راه‌حل یا اصلاحیه‌ای پیشنهاد دهد.
عامل علم داده در نوت‌بوک BigQuery یکپارچه شد
عامل علم داده، که از طریق سرویس رایگان مبتنی بر ابر «Jupyter notebook» و «Colab» گوگل برای کمک به دانشمندان داده در خودکارسازی مهندسی ویژگی در دسترس قرار گرفته بود، اکنون در نوت‌بوک BigQuery یکپارچه شده است، احمد گفت.
این یکپارچه‌سازی به عامل امکان می‌دهد قابلیت‌های پیشرفته‌ای برای ایجاد گردش کارهای خودکار انتها‑به‑انتها در علم داده فراهم کند، از ایجاد برنامه‌های چندمرحله‌ای تا تولید و اجرای کد، استدلال درباره نتایج و ارائه یافته‌ها، او گفت.
تعبیه‌گرهای برداری خودکار و تولید داخل BigQuery
به منظور کمک به شرکت‌ها در آماده‌سازی و فهرست‌گذاری خودکار داده‌های چندرسانه‌ای در BigQuery برای جستجوی برداری، گوگل تعبیه‌گرهای برداری خودکار و قابلیت تولید را داخل انبار داده معرفی کرده است.
«وقتی می‌گوییم ‘خودکار’، به خودکارسازی کارهای سنگین، پیچیده و نامتمایز مهندسی داده و MLOps اشاره داریم»، احمد توضیح داد. «در یک گردش کار سنتی، تیم علم داده مجبور می‌شد داده‌ها را به‌صورت دستی استخراج کند، محاسبات را تنظیم کند، داده‌ها را برای تماس‌های API دسته‌بندی کند و فهرست‌های برداری را بسازد و تنظیم کند.»
این ویژگی به شرکت‌ها کمک خواهد کرد تا تیم‌های علم داده را آزاد سازند تا بر کارهای با ارزش بالاتر مانند انتخاب مدل‌های مناسب و اعتبارسنجی اثرگذاری آنها نسبت به نتایج تجاری تمرکز کنند، او افزود.
علاوه بر این، او بر این باور است که این تعبیه‌گرها به کاربران سازمانی کمک می‌کند تا حافظه معنایی بلندمدتی برای عوامل داده ایجاد کنند.
HyperFrame Research تحلیل‌گر Stephanie Walter با ارزیابی احمد از این قابلیت موافقت کرد.
«تعبیه‌گرهای برداری خودکار داده‌های ساختاری‌نشده و چندرسانه‌ای سازمانی را به بردار تبدیل می‌کنند و جستجوی معنایی، مقایسات شباهت، پیشنهادات محتوا و تشخیص ناهنجاری را در مقیاس بزرگ ممکن می‌سازند. این قابلیت‌ها برای ساخت و تسریع راهکارهای پیشرفته مبتنی بر هوش مصنوعی حیاتی هستند»، والتر گفت.
او افزود که ابر‑مقیاس‌سازها و فروشندگان رقیب نیز محصولات مشابهی دارند، از جمله Azure Cognitive Search و Synapse مایکروسافت، Amazon OpenSearch Serverless AWS، Cortex اسنو‌فلِیک، و Lakehouse AI دیتابریکس.
عامل پرس و جوی هوش مصنوعی هم‌اکنون در پیش‌نمایش
در Cloud Next، گوگل همچنین موتور پرس و جوی هوش مصنوعی را داخل «BigQuery» معرفی کرد تا به متخصصان داده کمک کند داده‌های ساختاریافته و غیرساختاریافته را همراه هم تجزیه و تحلیل کنند.
این موتور پرس و جوی هوش مصنوعی که در مرحلهٔ آزمایش اولیه برای برخی مشتریان بوده است، اکنون به‌صورت رسمی در پیش‌نمایش برای تمام مشتریان در دسترس است.
عامل تحلیل گفتگویی Looker یک مفسّر کد دریافت می‌کند
علاوه بر این، در کنفرانس آوریل شرکت اعلام کرد که عامل تحلیل گفتگویی به Looker اضافه شده است تا به کاربران کسب‌وکار اجازه دهد سوالات خود را درباره داده‌ها به «زبان طبیعی» بپرسند.
گوگل در حال حاضر این عامل را با یک مفسّر کد جدید به‌روزرسانی می‌کند تا به کاربران کسب‌وکار اجازه دهد سوالات پیچیده‌تری درباره داده‌های خود به زبان طبیعی بپرسند، بدون نیاز به پشتیبانی فناوری اطلاعات.
قابلیت مفسّر کد جدید مبتنی بر Gemini که در حال حاضر در پیش‌نمایش است، طبق گفت‌وگوی احمد، به عامل کمک می‌کند کد تولید کند، توضیحات واضح به زبان طبیعی ارائه دهد و در ایجاد تجسم‌های تعاملی یاری رساند.
«مفسّر کد به کاربران امکان می‌دهد سوالات «اگر» پیچیده‌تر و بر پایه سناریوهای زبان طبیعی بپرسند که اکنون می‌تواند از طریق کد پیشرفته و جریان‌های کاری نوشته شده در پایتون توسط عامل پردازش شود»، او گفت.
مفسّر همچنین برای API تحلیل گفتگویی در دسترس قرار می‌گیرد که می‌توان از آن برای ادغام قابلیت پردازش زبان طبیعی Looker در برنامه‌ها و جریان‌های کاری یک سازمان استفاده کرد.
این API که در پیش‌نمایش خصوصی در Cloud Next ’۲۵ اعلام شده بود، اکنون به‌صورت پیش‌نمایش عمومی برای تمام مشتریان و شرکای تجاری در دسترس قرار گرفته است.
پست های مرتبط
گوگل عوامل را در BigQuery به‌روزرسانی می‌کند تا وظایف تحلیل را بیشتر خودکارسازی کند.
گوگل عوامل را در BigQuery به‌روزرسانی می‌کند تا وظایف تحلیل را بیشتر خودکارسازی کند.
گوگل عوامل را در BigQuery به‌روزرسانی می‌کند تا وظایف تحلیل را بیشتر خودکارسازی کند.