ธุรกิจต่างๆ มุ่งหวังที่จะค้นพบข้อมูลเชิงลึกที่แปลกใหม่และขับเคลื่อนประสิทธิภาพการทำงานผ่านขุมพลังของ AI ซึ่งการจะบรรลุเป้าหมายนี้ได้นั้น จำเป็นต้องมีแพลตฟอร์มข้อมูลและ AI ที่ล้ำสมัย ซึ่งช่วยให้เข้าถึงข้อมูลองค์กรทั้งแบบมีโครงสร้างและไม่มีโครงสร้างได้อย่างราบรื่น ภายใต้ระบบรักษาความปลอดภัยและสอดคล้องกับข้อกำหนด

เพื่อช่วยเหลือองค์กรต่างๆ ในความพยายามนี้ Google จึงนำเสนอความก้าวหน้าครั้งสำคัญที่ช่วยยกระดับการผสานรวมข้อมูลและ AI ในขนาดที่ใหญ่ขึ้นและมีประสิทธิภาพที่เพิ่มขึ้นด้วย BigQuery และ Vertex AI นวัตกรรมเหล่านี้ช่วยให้คุณสามารถ:

• ปรับปรุงการประยุกต์ใช้งาน AI เชิงสร้างสรรค์แบบมัลติโมดอลกับข้อมูลองค์กร โดยการรวมโมเดล Gemini เข้ากับ BigQuery ML

• เพิ่มมูลค่าสูงสุดจากข้อมูลที่ไม่มีโครงสร้างด้วยการขยายการผสานรวมของ BigQuery เข้ากับ APIs การประมวลผลเอกสารและการแปลงคำพูดเป็นข้อความของ Vertex AI

• ใช้ประโยชน์จากพลังการค้นหาที่ขับเคลื่อนด้วย AI สำหรับข้อมูลธุรกิจของคุณผ่านการค้นหาแบบเวกเตอร์ใน BigQuery

ด้วยการผสานรวมความสามารถของ AI เข้ากับสภาพแวดล้อมข้อมูลของคุณอย่างราบรื่นผ่านการผสานรวมโมเดลจากผู้ให้บริการรายแรก (first-party model) ร่วมกับ BigQuery และ Vertex AI การทำให้ AI เชิงสร้างสรรค์เป็นเรื่องที่ทุกคนเข้าถึงได้จะช่วยช่วยให้ทีมข้อมูลสามารถใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ และปลดล็อกขอบเขตใหม่ของการวิเคราะห์ที่ขับเคลื่อนด้วย AI แนวทางที่คล่องตัวนี้ไม่เพียงแต่ช่วยลดความยุ่งยากและเร่งกระบวนการสร้างข้อมูลเชิงลึกที่ขับเคลื่อนด้วย AI เท่านั้น แต่ยังช่วยให้มั่นใจได้ถึงความปลอดภัยที่เพิ่มขึ้น ทั้งหมดนี้ในขณะเดียวกันยังได้ประโยชน์จากความสามารถในการปรับขนาดและประสิทธิภาพของสถาปัตยกรรมแบบ Serverless ของ BigQuery

ลดความยุ่งยากของกรณีการใช้งาน generative AI ด้วยโมเดล Gemini

BigQuery ML ช่วยให้ผู้ใช้สามารถพัฒนา ฝึกฝน และรันโมเดลแมชชีนเลิร์นนิงภายใน BigQuery โดยใช้ SQL ที่คุ้นเคย ด้วยจำนวนการค้นหาเพื่อคาดการณ์และการฝึกฝนที่เพิ่มขึ้นอย่างมากในแต่ละปีโดยลูกค้าของ Google การใช้ ML ในตัวของ BigQuery จึงมีการเติบโตเพิ่มขึ้นถึง 250% เมื่อเทียบเป็นรายปีอย่างน่าทึ่ง

วันนี้ Google กำลังยกระดับความสามารถของ BigQuery ด้วยการเปิดตัวการผสานรวม Gemini 1.0 Pro ผ่าน Vertex AI โดยโมเดล Gemini 1.0 Pro ได้รับการสร้างขึ้นโดยเฉพาะเพื่อรองรับขนาดอินพุต/เอาท์พุตที่สูงขึ้น และส่งมอบผลลัพธ์ที่มีคุณภาพเหนือกว่าในงานต่างๆ เช่น การสรุปข้อความและการวิเคราะห์ความรู้สึก ซึ่งสามารถเข้าถึงได้ผ่านคำสั่ง SQL ง่ายๆ หรือ API ของ DataFrame ที่ฝังอยู่ใน BigQuery โดยตรงภายในคอนโซล BigQuery การผสานรวมนี้ช่วยให้ผู้ใช้สามารถสร้างไปป์ไลน์ข้อมูลที่ผสมผสานข้อมูลที่มีโครงสร้าง ข้อมูลที่ไม่มีโครงสร้าง และโมเดล generative AI ได้อย่างราบรื่น เพื่อปลดล็อกขอบเขตใหม่ของแอปพลิเคชันเชิงวิเคราะห์ ตัวอย่างเช่น การวิเคราะห์ความคิดเห็นของลูกค้าแบบเรียลไทม์ร่วมกับประวัติการซื้อและความพร้อมของสินค้า สามารถนำไปสู่การสร้างข้อความและข้อเสนอแบบเฉพาะบุคคลได้ภายใน BigQuery

เมื่อมองไปข้างหน้า Google มุ่งมั่นที่จะช่วยเหลือลูกค้าในการสำรวจกรณีการใช้งานมัลติโมดอล generative AI โดยการขยายการรองรับสำหรับโมเดล Gemini 1.0 Pro Vision การปรับปรุงนี้ช่วยให้ผู้ใช้สามารถวิเคราะห์ข้อมูลที่ซับซ้อน เช่น รูปภาพ วิดีโอ และอื่นๆ โดยใช้การค้นหาด้วย SQL ที่คุ้นเคย ตัวอย่างเช่น การใช้ประโยชน์จากโมเดล Gemini 1.0 Pro Vision กับชุดข้อมูลรูปภาพขนาดใหญ่ใน BigQuery จะช่วยให้สามารถสร้างคำอธิบายรูปภาพ การจัดหมวดหมู่ที่ได้รับการปรับปรุงเพื่อการค้นหาที่ดีขึ้น การเพิ่มคำอธิบายประกอบของคุณลักษณะสำคัญ สี ความสวยงาม และอื่นๆ อีกมากมาย

ใช้ประโยชน์จากพลังของ AI เพื่อดึงข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้าง

ข้อมูลที่ไม่มีโครงสร้าง ตั้งแต่รูปภาพไปจนถึงเอกสารและวิดีโอ ถือเป็นแหล่งขุมทรัพย์ศักยภาพอันมหาศาลที่ยังไม่ได้รับการนำมาใช้ในชุดข้อมูลขององค์กร ทว่า การถอดรหัสข้อมูลที่ไม่มีโครงสร้างนี้อาจเป็นเรื่องท้าทาย ซึ่งขัดขวางการดึงข้อมูลเชิงลึกอันมีค่าออกไป

ขอแนะนำ BigLake - โซลูชันปฏิวัติวงการที่รวมดาต้าเลก (data lakes) และคลังข้อมูลเข้าไว้ในกรอบการจัดการที่เป็นหนึ่งเดียว การผสานรวมนี้ช่วยให้องค์กรต่างๆ ไม่เพียงแต่สามารถวิเคราะห์ ค้นหา และรักษาความปลอดภัยของข้อมูลที่ไม่มีโครงสร้างเท่านั้น แต่ยังสามารถกำกับดูแลและแชร์ข้อมูลได้อย่างราบรื่นอีกด้วย ด้วยปริมาณข้อมูลที่เพิ่มขึ้น การใช้งาน BigLake จึงพุ่งสูงขึ้นถึงหลายร้อย petabytes ช่วยให้ลูกค้าสามารถเจาะลึกการวิเคราะห์รูปภาพโดยใช้โมเดล AI ที่หลากหลาย รวมถึง vision APIs ของ Vertex AI, โมเดล TensorFlow Hub หรือโซลูชันที่ปรับแต่งมาโดยเฉพาะ

เพื่อต่อยอดจากความสามารถเหล่านี้ ตอนนี้ Google กำลังขยายการรองรับเพื่อดึงข้อมูลเชิงลึกจากเอกสารและไฟล์เสียงได้อย่างง่ายดาย โดยใช้ APIs การประมวลผลเอกสารและการแปลงคำพูดเป็นข้อความของ Vertex AI การปรับปรุงเหล่านี้จะช่วยปูทางไปสู่การพัฒนาแอปพลิเคชัน generative AI สำหรับการสร้างเนื้อหา การจัดประเภท การวิเคราะห์ความรู้สึก การดึงข้อมูลเอนทิตี การสรุปผล การสร้าง embeddings และอื่นๆ อีกมากมาย

ตัวอย่างเช่น ลองจินตนาการถึงการเจาะลึกการวิเคราะห์ทางการเงินที่ครอบคลุม โดยการคาดการณ์ตัวชี้วัดหลัก เช่น รายได้ กำไร และสินทรัพย์จากรายงานทางการเงิน และรวมเข้ากับชุดข้อมูลผลการดำเนินงานของหุ้นในอดีตใน BigQuery ในทำนองเดียวกัน การยกระดับการบริการลูกค้าจะกลายเป็นเรื่องง่ายเมื่อคุณวิเคราะห์ความรู้สึกจากบันทึกการโทรสนับสนุนลูกค้า ระบุปัญหาทั่วไป และเชื่อมโยงข้อมูลเชิงลึกเหล่านี้กับประวัติการซื้อเพื่อแนวทางที่เป็นส่วนตัวมากยิ่งขึ้น

ปรับปรุงความสามารถในการค้นหาแบบเวกเตอร์ของข้อมูลที่ไม่มีโครงสร้างของคุณ

เมื่อเร็วๆ นี้ Google ได้เปิดตัวพรีวิวการค้นหาแบบเวกเตอร์ของ BigQuery ที่ผสานรวมกับ Vertex AI อย่างราบรื่น ซึ่งจะช่วยปฏิวัติวิธีการค้นหาความคล้ายคลึงกันภายในข้อมูล BigQuery ของคุณ ฟีเจอร์นี้มักเรียกกันว่าการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณ (approximate nearest-neighbor search) ซึ่งเปิดประตูสู่แอปพลิเคชันข้อมูลและ AI ที่เป็นนวัตกรรมใหม่ๆ มากมาย เช่น การค้นหาเชิงความหมาย (semantic search) การตรวจหาความคล้ายคลึงกัน และการสร้างแบบสืบค้นข้อมูลเสริม (retrieval-augmented generation หรือ RAG) ด้วยโมเดลภาษาขนาดใหญ่ (LLM) การใช้ประโยชน์จากการค้นหาแบบเวกเตอร์จะช่วยให้คุณสามารถยกระดับความแม่นยำและความลึกของโมเดล AI ของคุณ ปรับปรุงความเข้าใจในบริบท ลดความกำกวม รับประกันความแม่นยำของข้อเท็จจริง และปรับให้เข้ากับงานและโดเมนต่างๆ ได้อย่างราบรื่น

ลองจินตนาการถึงความเป็นไปได้สำหรับผู้ค้าปลีกที่ต้องการปรับปรุงการแนะนำผลิตภัณฑ์ให้กับลูกค้า นึกภาพนักช้อปที่กำลังเลือกดูชุดเดรสสีแดงบนร้านค้าออนไลน์ของผู้ค้าปลีก ด้วยการค้นหาแบบเวกเตอร์ ขณะนี้ลูกค้าสามารถเจาะลึกความชอบในสไตล์ของตน เช่น สี ทรง หรือโอกาสในการสวมใส่ได้อย่างง่ายดาย การใช้เทคโนโลยีล้ำสมัยนี้จะช่วยให้ผู้ค้าปลีกสามารถแนะนำชุดเดรสที่คล้ายกันตามความชอบเหล่านี้ได้ แม้ว่าจะไม่มีคำอธิบายที่เหมือนกันทุกประการก็ตาม ฟีเจอร์อัจฉริยะนี้จะช่วยยกระดับประสบการณ์การช้อปปิ้งโดยช่วยให้ลูกค้าค้นหาสิ่งที่ต้องการได้อย่างง่ายดาย ในขณะเดียวกันก็ช่วยให้ผู้ค้าปลีกสามารถแสดงสินค้าที่ตรงกับความต้องการของลูกค้าได้อย่างใกล้ชิด

ด้วยขุมพลังจากความสามารถด้าน text embeddings ขั้นสูงของเรา และได้รับการออกแบบมาเพื่อให้สอดคล้องกับนโยบายการกำกับดูแล AI และการควบคุมการเข้าถึงของคุณ การค้นหาแบบเวกเตอร์ของ BigQuery จะเปิดโลกทัศน์ใหม่ของความเป็นไปได้ด้านข้อมูลและ AI ซึ่งรวมถึง:

• Retrieval-augmented generation (RAG): ค้นพบข้อมูลที่เกี่ยวข้องสำหรับการค้นหาหรืองานใดๆ และส่งข้อมูลดังกล่าวพร้อมบริบทให้กับ LLM ตัวอย่างเช่น ใช้ตั๋วการสนับสนุนเพื่อระบุเคสในอดีตที่เกี่ยวข้องอย่างใกล้ชิดสิบเคส และนำเสนอเคสเหล่านั้นต่อ LLM เพื่อสรุปบริบทและเสนอแนะแนวทางแก้ไข

• การค้นหาเชิงความหมาย (Semantic search): ค้นหาเอกสารที่มีความคล้ายคลึงกันในเชิงความหมายกับคำค้นหาที่กำหนด แม้ว่าจะไม่ได้ใช้คำจำกัดความเดียวกันก็ตาม ฟีเจอร์นี้มีประโยชน์สำหรับงานต่างๆ เช่น การค้นหาบทความที่เกี่ยวข้อง ผลิตภัณฑ์ที่คล้ายคลึงกัน หรือคำตอบสำหรับคำถามต่างๆ

• การจัดกลุ่มข้อความ (Text clustering): จัดกลุ่มเอกสารออกเป็นกลุ่มเนื้อหาที่คล้ายกัน ฟีเจอร์นี้ช่วยในการจัดระเบียบเอกสาร การระบุเอกสารที่ซ้ำกัน และการตรวจหาแนวโน้มภายในคอลเลกชันเอกสาร

• การสรุปผล (Summarization): สรุปเอกสารโดยการดึงเอกสารที่คล้ายกับเอกสารต้นฉบับมากที่สุดและเน้นประเด็นสำคัญ ฟังก์ชันนี้เหมาะอย่างยิ่งสำหรับงานต่างๆ เช่น การสร้างบทสรุปผู้บริหาร บทคัดย่อ หรือการย่อข่าว

เชื่อมต่อกับเราเพื่ออนาคตของข้อมูลและ generative AI

เมื่อพูดถึงการเพิ่มพูนข้อมูลธุรกิจของคุณด้วย generative AI เราเพิ่งจะเริ่มต้นเท่านั้น มาร่วมพูดคุยกับเราเกี่ยวกับวิธีที่เราสามารถสำรวจกรณีการใช้งาน Generative AI ของคุณ เพื่อนำพาบริษัทของคุณก้าวสู่อนาคต