เปรียบเทียบ GKE cluster แบบ Regional vs. zonal: เลือกสิ่งที่ดีที่สุดสำหรับเวิร์กโหลดของคุณ

Google Kubernetes Engine (GKE) ช่วยให้ธุรกิจสามารถจัดระเบียบ จัดการ และปรับสเกลแอปพลิเคชันในรูปแบบคอนเทนเนอร์ภายใน Google Cloud ได้อย่างมีประสิทธิภาพ และเมื่อต้องออกแบบสภาพแวดล้อม GKE ของคุณ การตัดสินใจครั้งสำคัญที่เลี่ยงไม่ได้คือ การเลือกระหว่างคลัสเตอร์แบบ regional หรือ zonal ซึ่งตัวเลือกนี้จะส่งผลอย่างมากต่อความพร้อมใช้งานของแอปพลิเคชัน ความสามารถในการขยายขนาด และความคุ้มค่าด้านต้นทุน อ่านเพิ่มเติม

รัน AI บน GKE แบบบริการจัดการเต็มรูปแบบ พร้อมตัวเลือกการประมวลผล การกำหนดราคา และการจองทรัพยากรใหม่

Google ประกาศเปิดตัว คลาสการประมวลผล Accelerator ใหม่ใน Autopilot ที่ช่วยปรับปรุงการรองรับ GPU ด้วยความสามารถในการจองทรัพยากร และ ราคาที่ถูกลงสำหรับเวิร์กโหลด GPU ส่วนใหญ่ (คุณสามารถเลือกใช้ราคานี้ได้ตั้งแต่วันนี้ และเวิร์กโหลดทั้งหมดจะถูกย้ายระบบในที่สุด) นอกจากนี้ คลาสการประมวลผล Performance ใหม่ ยังช่วยให้เวิร์กโหลดที่ต้องการประสิทธิภาพสูงสามารถรันบนโหมด Autopilot ได้ในระดับขนาดที่ต้องการ ทั้งสองคลาสการประมวลผลนี้ยังมีพื้นที่จัดเก็บข้อมูลชั่วคราว (ephemeral storage) เพิ่มขึ้นบนบูตดิสก์ ช่วยให้คุณมีพื้นที่มากขึ้นในการดาวน์โหลดโมเดล AI และอื่นๆ ก่อนที่จะต้องกำหนดค่าพื้นที่จัดเก็บเพิ่มเติมผ่าน ephemeral volume ทั่วไป ด้วยการปรับปรุงเหล่านี้ การใช้แพลตฟอร์ม Kubernetes ที่ได้รับการจัดการอย่างเต็มรูปแบบของเราสำหรับการอนุมาน (inference) และเวิร์กโหลดที่ต้องใช้การประมวลผลสูงจึงดียิ่งขึ้นไปอีก อ่านเพิ่มเติม

ปลดปล่อยพลังของ generative AI ด้วย BigQuery และ Vertex AI

Google ประกาศนวัตกรรมใหม่ที่เชื่อมต่อข้อมูลและ AI เข้าด้วยกันด้วยขนาดและประสิทธิภาพที่เพิ่มขึ้นโดยใช้ BigQuery และ Vertex AI ซึ่งช่วยให้คุณสามารถ:

• ลดความซับซ้อนของ multimodal generative AI สำหรับข้อมูลองค์กร โดยทำให้โมเดล Gemini ใช้งานได้ผ่าน BigQuery ML

• ปลดล็อกมูลค่าจากข้อมูลที่ไม่มีโครงสร้างโดยขยายการเชื่อมต่อของ BigQuery เข้ากับระบบประมวลผลเอกสารและ Speech-to-Text API ของ Vertex AI

• สร้างและเปิดใช้งานการค้นหาข้อมูลธุรกิจด้วยพลัง AI ผ่านระบบค้นหาเวกเตอร์ (vector search) ใน BigQuery

การนำ AI มาใช้กับข้อมูลของคุณโดยตรงผ่านการผสานรวมโมเดลแบบ first-party ร่วมกับ BigQuery และ Vertex AI ช่วยให้ทีมข้อมูลทุกคนสามารถเข้าถึงพลังของ generative AI และช่วยให้คุณเปิดใช้งานข้อมูลองค์กรกับโมเดลภาษาขนาดใหญ่ (LLM) ได้อย่างราบรื่น ซึ่งทำให้การสร้างการวิเคราะห์ที่ขับเคลื่อนด้วย AI นั้นง่ายขึ้น รวดเร็วขึ้น และปลอดภัยยิ่งขึ้น ในขณะเดียวกันก็ใช้ประโยชน์จากสถาปัตยกรรม serverless ที่เป็นเอกลักษณ์ของ BigQuery เพื่อประสิทธิภาพและรองรับการขยายขนาด อ่านเพิ่มเติม

เจาะลึกการใช้งาน Gemini ร่วมกับ BigQuery และ Vertex AI

เมื่อเร็วๆ นี้ Google ได้ประกาศนวัตกรรมที่เชื่อมต่อข้อมูลและ AI เข้าด้วยกันเพิ่มเติมโดยใช้ BigQuery และ Vertex AI มาเจาะลึกนวัตกรรมเหล่านั้นและแสดงวิธีใช้ Gemini 1.0 Pro ใน BigQuery กัน อ่านเพิ่มเติม

ผสานการวิเคราะห์ด้วยขั้นตอนของ Spark ใน BigQuery พร้อมใช้งานทั่วไปแล้ววันนี้

วันนี้ Google ประกาศเปิดตัว Apache Spark stored procedures ใน BigQuery ให้ใช้งานได้ทั่วไป (GA) แล้ว สำหรับผู้ใช้ BigQuery ที่ต้องการขยายการค้นหาข้อมูลด้วยการประมวลผลข้อมูลโดยใช้ Spark ตอนนี้สามารถใช้ BigQuery API เพื่อสร้างและดำเนินการ Spark stored procedures ได้แล้ว ซึ่งเป็นการรวม Spark เข้ากับ BigQuery ภายใต้ประสบการณ์เดียวกัน ทั้งในด้านการจัดการ ความปลอดภัย และการเรียกเก็บเงิน โดยกระบวนการของ Spark ได้รับการรองรับผ่านโค้ด PySpark, Scala และ Java อ่านเพิ่มเติม

แนะนำฟีเจอร์ใหม่ใน BigQuery เพื่อลดความยุ่งยากในการวิเคราะห์ข้อมูลอนุกรมเวลา (time-series)

Google ขอเชิญชวนลูกค้าเข้าร่วมทดสอบเวอร์ชันพรีวิวของฟีเจอร์ SQL ใหม่ที่จะช่วยลดความซับซ้อนในการวิเคราะห์ข้อมูลอนุกรมเวลาใน BigQuery ฟีเจอร์ใหม่เหล่านี้ช่วยลดความยุ่งยากในการเขียนคำสั่งคิวรีเพื่อดำเนินการสองอย่างที่พบบ่อยที่สุดในข้อมูลอนุกรมเวลา นั่นคือ windowing และ gap filling นอกจากนี้ เรายังขอแนะนำประเภทข้อมูล RANGE และฟังก์ชันที่รองรับ โดยประเภท RANGE จะแสดงช่วงเวลาที่ต่อเนื่องกัน และมีประโยชน์สำหรับการบันทึกสถานะตามเวลาของค่าใดค่าหนึ่ง เมื่อรวมกันแล้ว ฟีเจอร์เหล่านี้จะช่วยให้เขียนคิวรีข้อมูลอนุกรมเวลาบน BigQuery ได้ง่ายขึ้น อ่านเพิ่มเติม

ฐานข้อมูล Google Cloud พร้อมขับเคลื่อนแอป gen AI ของคุณด้วยความสามารถใหม่ๆ แล้ววันนี้

Google ประกาศเปิดตัวการใช้งานทั่วไป (GA) ของ AlloyDB AI ชุดความสามารถแบบผสานรวมใน AlloyDB เพื่อสร้าง gen AI สำหรับองค์กรได้อย่างง่ายดาย นอกจากนี้ Google ยังประกาศเปิดตัวความสามารถในการค้นหาเวกเตอร์ (vector search) ในฐานข้อมูลต่างๆ ของเราเพิ่มเติม เช่น Spanner, MySQL และ Redis เพื่อช่วยให้นักพัฒนาสามารถสร้างแอป gen AI ด้วยฐานข้อมูลโปรดของตนเอง และเรากำลังเพิ่มการทำงานร่วมกับ LangChain ซึ่งเป็นเฟรมเวิร์กยอดนิยมสำหรับการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วยโมเดลภาษา อ่านเพิ่มเติม

สร้างแอปพลิเคชัน generative AI ด้วยการค้นหาความคล้ายคลึง (similarity search) ใน Cloud SQL สำหรับ MySQL

ตอนนี้ Cloud SQL ช่วยให้คุณสามารถจัดเก็บเวกเตอร์ในอินสแตนซ์ Cloud SQL สำหรับ MySQL เดียวกับที่คุณใช้งานอยู่ได้แล้ว จากนั้นค้นหาข้อมูลเวกเตอร์ที่จัดเก็บไว้โดยใช้การค้นหาแบบ exact nearest neighbor (KNN) หรือ approximate nearest neighbor (ANN) อ่านเพิ่มเติม

สร้างแอปพลิเคชัน generative AI และระบบค้นหาความคล้ายคลึงในขนาดที่ไร้ขีดจำกัดด้วย Spanner

ค้นพบว่าการค้นหาเวกเตอร์สามารถปรับปรุงแอปพลิเคชัน gen AI ได้อย่างไร และสถาปัตยกรรมเบื้องหลังของ Spanner รองรับการติดตั้งระบบค้นหาเวกเตอร์ขนาดใหญ่พิเศษได้อย่างไร นอกจากนี้ เราจะพูดถึงประโยชน์ด้านการดำเนินงานมากมายของการใช้ Spanner แทนฐานข้อมูลเวกเตอร์โดยเฉพาะอีกด้วย อ่านเพิ่มเติม