Verständnis für neue Gemini-Modellinferenz, Tuning, Grounding und Sicherheitseinstellungen in BigQuery

Der exponentielle Anstieg an unstrukturierter Daten von digitalen Geräten und Plattformen erfordert fortschrittliche Tools für die Analyse. BigQuery, Googles AI-fähige Cloud-Datenplattform, integriert mit Vertex AI, um generative KI-Modelle für die Verarbeitung unstrukturierter Daten zu nutzen. Diese Integration ermöglicht die Verwendung von Modellen wie Gemini für Aufgaben wie Textzusammenfassung und Sentiment-Analyse. BigQuery unterstützt auch das Feintuning von Modellen mithilfe von LoRA-Techniken, was nützlich ist, wenn die Prompt-Engineering nicht ausreicht. Neuere Updates umfassen die Hinzufügung von Gemini 1.5-Modellen, die NLP-, Sichtbarkeitsaufgaben und neue Fähigkeiten wie Audio-Transkription und PDF-Zusammenfassung verbessern. Die ML.GENERATE_TEXT-SQL-Funktion unterstützt nun die Verankerung mit Google-Suche und anpassbare Sicherheitseinstellungen, um verantwortungsvolle KI-Ausgaben zu gewährleisten. Darüber hinaus erweitert BigQuery die Unterstützung für Gemini 1.0-Modell-Tuning und -Bewertung, um maßgeschneiderte KI-Fähigkeiten zu ermöglichen. Benutzer können Remote-Modelle erstellen, die Vertex AI Gemini-Endpunkte repräsentieren, und unstrukturierte Daten mit Objekt-Tabellen in BigQuery verarbeiten. Verankerung und Sicherheitseinstellungen bieten detaillierte Kontrolle über die KI-Antworten, um Genauigkeit und Einhaltung der definierten Sicherheitsschwellen zu gewährleisten. Das Feintuning mit LoRA für Gemini-Modelle ermöglicht eine präzise Anpassung des Modellverhaltens für spezifische Anwendungen.