현대 데이터 플랫폼은 특히 에이전트 워크로드가 증가함에 따라 쿼리 성능 튜닝 및 시스템 가격 대비 성능에 대한 과제에 직면해 있습니다. 데이터의 양, 다양성, 속도가 증가하고 에이전트에 의해 쿼리가 자동으로 생성됨에 따라 수동 쿼리 최적화는 비현실적이 되고 있습니다. BigQuery는 에이전트 AI 시대의 주요 엔진으로 발전했으며, 자율 쿼리 처리에 중점을 두고 있습니다. 분산된 스토리지 및 컴퓨팅 아키텍처, 서버리스 처리, 세분화된 컴퓨팅 관리는 최적의 가격 대비 성능에 기여합니다. 주요 혁신에는 과거 쿼리 실행으로부터 학습하여 사용자 개입 없이 유익한 최적화를 자동으로 적용하는 History-Based Optimizations(HBO)을 갖춘 Self-Learning Engine이 포함됩니다. 이 시스템은 회귀를 방지하기 위한 안전 가드레일을 포함하며, 성능을 개선하지 않는 최적화를 거부합니다. 고급 런타임은 벡터화를 향상시키고 짧은 쿼리 최적화를 구현하여 적격 쿼리를 가속화하고 슬롯 사용량을 줄입니다. 이러한 개선 사항은 개방형 레이크하우스 아키텍처를 포함한 다양한 데이터 형식에 걸쳐 일관되게 적용됩니다. 유연한 스케일링은 자동 스케일링을 향상시켜 컴퓨팅 리소스에 대한 초당 요금 청구를 가능하게 하고 비용을 절감합니다. 이러한 자율 기능은 AI 에이전트가 인간 사용자보다 훨씬 높은 쿼리 지연 시간과 동시성을 요구하므로 데이터 플랫폼의 미래에 중요합니다. BigQuery의 목표는 쿼리를 자동으로 안전하게 최적화하여 사용자가 수동 인프라 관리 및 쿼리 최적화 대신 더 나은 경험을 제공하는 데 집중할 수 있도록 하는 것입니다.