Comprendre les nouveaux paramètres d'inférence, de réglage, de mise à terre et de sécurité du modèle Gemini dans BigQuery

La croissance exponentielle des données non structurées provenant des appareils et des plateformes numériques nécessite des outils avancés pour l'analyse. BigQuery, la plateforme de données cloud prête à l'IA de Google, s'intègre avec Vertex AI pour exploiter les modèles d'IA générative pour le traitement des données non structurées. Cette intégration permet l'utilisation de modèles comme Gemini pour des tâches telles que la résumé de texte et l'analyse de sentiment. BigQuery prend également en charge l'affinage des modèles en utilisant des techniques LoRA, ce qui est utile lorsque l'ingénierie de prompt n'est pas suffisante. Les mises à jour récentes incluent l'ajout de modèles Gemini 1.5, qui améliorent les tâches NLP, vision et de nouvelles capacités telles que la transcription audio et la résumé de PDF. La fonction SQL ML.GENERATE_TEXT prend désormais en charge le positionnement avec Google Search et des paramètres de sécurité personnalisables pour garantir des sorties d'IA responsables. De plus, BigQuery étend son soutien à l'affinage et à l'évaluation des modèles Gemini 1.0, permettant des capacités d'IA adaptées. Les utilisateurs peuvent créer des modèles distants représentant les points de terminaison Vertex AI Gemini et traiter des données non structurées avec des tables d'objets dans BigQuery. Le positionnement et les paramètres de sécurité offrent un contrôle détaillé sur les réponses d'IA, garantissant la précision et l'adéquation aux seuils de sécurité définis. L'affinage avec LoRA pour les modèles Gemini permet une personnalisation précise du comportement du modèle pour des applications spécifiques.