Google Cloud Blog на русском Заметка

Google Cloud Blog на русском

cloud.google.com/blog - это официальный блог Google Cloud. В нем публикуются новости, обновления и мнения о продуктах и услугах Google Cloud, а также о тенденциях и инновациях в индустрии облачных вычислений. В блоге публикуются статьи, написанные экспертами, инженерами и идейными вдохновителями Google Cloud, охватывающие широкий спектр тем, таких как искусственный интеллект, машинное обучение, аналитика данных, безопасность и многое другое. Статьи часто содержат технические руководства, тематические исследования и лучшие практики, что делает блог ценным ресурсом для разработчиков, ИТ-специалистов и руководителей компаний, которые используют Google Cloud или интересуются им. Блог хорошо организован, статьи разделены на категории по темам, продуктам и отраслям. Посетители могут просматривать последние статьи, искать конкретные темы или подписаться на RSS-канал блога, чтобы всегда быть в курсе последних новостей и обновлений. Некоторые из ключевых особенностей блога включают: - Подробные статьи о продуктах и сервисах Google Cloud, таких как Google Cloud Platform, Google Cloud Storage и Google Cloud AI Platform. - Технические руководства и инструкции по использованию сервисов Google Cloud - тематические исследования и истории успеха клиентов Google Cloud - Аналитические материалы о тенденциях и инновациях в отрасли - Новости и обновления о партнерствах и сотрудничестве Google Cloud - Интервью с экспертами и идейными вдохновителями Google Cloud В целом, блог Google Cloud - это ценный ресурс для всех, кто интересуется облачными вычислениями, искусственным интеллектом и смежными технологиями.

Трэд заметок

Спрос на инфраструктуру ИИ, особенно на ускорители, чрезвычайно высок, что приводит к дефициту и фрагментации вычислительных мощностей в глобальных центрах обработки данных. Современные рабочие нагрузки ИИ с большими контекстными окнами быстро потребляют память ускорителей, усугубляя проблемы с утилизацией. Для решения этой проблемы была разработана многоуровневая архитектура маршрутизации, позволяющая рассматривать разрозненные глобальные мощности как единый пул. Эта система включает в себя многокластерный GKE Inference Gateway для глобального распределения трафика и маршрутизатор LLM-d для планирования с учетом памяти. Архитектура разработана так, чтобы быть независимой от типов среды выполнения, моделей и ускорителей. Тестирование на крупном многорегиональном развертывании GKE продемонстрировало почти линейное масштабирование пропускной способности и 99,9% успешных операций. GKE Inference Gateway добавил менее 1% накладных расходов, обеспечив 99,5% пропускной способности прямых вызовов кластера. Трафик маршрутизируется на основе сигналов активного приложения, в частности, использования токенов KV-кэша, что позволяет системе интеллектуально перераспределять трафик между регионами. Эта маршрутизация с учетом памяти обеспечивает эффективное использование, предотвращая простой ускорителей из-за переполнения памяти. Результатом является максимальная "интеллектуальная мощность на доллар" за счет достижения почти пропорционального прироста производительности от добавленных ускорителей и избежания пустых капиталовложений. Ключевые выводы подчеркивают важность интеллектуальной балансировки нагрузки, учета узких мест памяти в агентских рабочих нагрузках, адаптации к задержкам трафика ИИ, интеграции маршрутизации с нативными шаблонами обслуживания и выбора открытых, переносимых стеков.
CdXz5zHNQW_9A043hK4t9.jpeg
Современные рабочие нагрузки искусственного интеллекта сталкиваются с дилеммой производительности и стоимости из-за длительного времени инициализации. Большие языковые модели и мгновенное выполнение кода требуют быстрой подготовки, что часто приводит к перерасходу средств на инфраструктуру. Снимки подов Google Kubernetes Engine (GKE) предлагают решение, сохраняя и восстанавливая состояния запущенных рабочих нагрузок. Эта функция значительно сокращает время запуска инференса ИИ, загружая большие модели за секунды. Холодные старты, проблема для многих приложений, особенно остро стоят в ИИ из-за значительной загрузки памяти GPU. Традиционные методы включают избыточное выделение ресурсов или сложные пользовательские решения для восстановления состояния. Снимки подов GKE обеспечивают эффективное масштабирование инференса ИИ, устраняя избыточную загрузку моделей для новых реплик. Одна инициализация создает постоянный снимок, позволяя новым экземплярам мгновенно восстанавливаться. Это ускоряет масштабирование и снижает потребность в дорогостоящем избыточном выделении ресурсов. Для агентных рабочих процессов снимки подов сокращают задержку при запуске и эффективно управляют неактивными песочницами. Снимки быстро инициализируют новые среды агентов и позволяют неактивным песочницам мгновенно приостанавливаться и возобновляться. Эта функция адаптируется для различных рабочих нагрузок с длительными фазами инициализации. Снимки подов GKE бесшовно интегрируются с рабочими процессами Kubernetes через декларативные политики для управления снимками.
CdXz5zHNQW_gnoVam6umv.jpeg
Безопасная цепочка поставок программного обеспечения жизненно важна для безопасных инноваций и современной доставки. Атаки на цепочки поставок программного обеспечения значительно участились. Google Cloud Secure Source Manager (SSM) помогает противостоять этим угрозам, объединяя управление исходным кодом и системами CI/CD. SSM теперь предлагает две новые возможности для улучшения рабочих процессов разработки и CI/CD. Он может блокировать несанкционированный доступ к системам CI/CD, даже если корпоративная сеть скомпрометирована. Кроме того, новая система Code Owners обеспечивает детальный контроль над утверждающими запросы на слияние для каждого файла и ветки. Эта функция позволяет назначать конкретных утверждающих для разных разделов кода. Она также поддерживает управление, специфичное для веток, и вложенные файлы владения. Более того, независимые разделы утверждения могут требовать подтверждения от нескольких отделов перед слиянием. SSM также интегрируется с Developer Connect для безопасных подключений систем CI/CD и сред выполнения.
Растущий спрос на вычислительные мощности из-за развития ИИ создает нагрузку на конвейеры обработки данных и Apache Spark, что приводит к ограничениям доступности. Управляемый сервис Google для Apache Spark предлагает гибкие виртуальные машины для решения этой проблемы, позволяя кластерам использовать ранжированный список приемлемых семейств машин. Такой подход гарантирует, что конвейеры останутся работоспособными даже во время дефицита мощностей, который возникает, когда спрос превышает доступную емкость для конкретных типов машин. Гибкие виртуальные машины позволяют смешивать несколько семейств, объединяя узлы из разных поколений и типов машин. Они также поддерживают смешанное хранилище, динамически адаптируясь к типам дисков семейства хостов, и обеспечивают полное покрытие кластера для всех типов узлов. Успешная реализация требует тщательного ранжирования предпочтительных семейств машин для снижения рисков дефицита без ручного вмешательства. Пример стратегии многоуровневого подхода показывает, как приоритизировать семейства машин и рекомендации по хранению для производственных конвейеров. Для устаревших рабочих нагрузок многоуровневая стратегия помогает перейти к более новым, более доступным архитектурам. Использование современного хранилища, такого как Hyperdisk Balanced, может обеспечить максимальную доступность с новыми семействами экземпляров. Ключевые соображения включают обеспечение достаточных квот для всех указанных типов машин и использование гибких скидок на зарезервированные мощности Compute для экономии средств. Производительность может варьироваться между поколениями машин и типами хранилищ, что требует тестирования рабочих нагрузок. Дополнительные рекомендации по улучшению доступности ресурсов включают внедрение AutoZone, использование меньших форм машин, развертывание автомасштабирования, настройку частичного создания кластера и создание региональных резервных вариантов. Используя гибкие виртуальные машины и эти стратегии, пользователи могут защитить рабочие нагрузки Spark от нехватки оборудования и обеспечить непрерывную работу критически важных конвейеров.
Векторный поиск необходим для генеративного ИИ и RAG, но он испытывает трудности с точными буквенно-цифровыми идентификаторами. Гибридный поиск, сочетание семантического векторного поиска и точного полнотекстового поиска по ключевым словам, устраняет это ограничение. Ранее для получения ранжирования BM25 с помощью AlloyDB или Cloud SQL требовался отдельный бэкенд полнотекстового поиска, что приводило к усложнению и разрозненности данных. Теперь в предварительной версии для AlloyDB и Cloud SQL для PostgreSQL 17+ доступен нативный индекс BM25, основанный на расширении с открытым исходным кодом pg_textsearch. Это устраняет необходимость в избыточных системах, предоставляя стандартное отраслевое ранжирование по ключевым словам непосредственно в базе данных. Нативный индекс BM25 обеспечивает оптимизированное для C быстрое ранжирование и устраняет дублирование данных и задержки синхронизации. AlloyDB также предлагает улучшенный векторный поиск с типами индексов ScaNN и HNSW. В отличие от ts_rank в PostgreSQL, BM25 обеспечивает превосходное ранжирование релевантности, учитывая обратную частоту документов и насыщение частоты терминов. Гибридный поиск объединяет семантическое понимание с точным совпадением ключевых слов, гарантируя приоритет конкретных, релевантных результатов. Теперь и AlloyDB, и Cloud SQL поддерживают нативный BM25 и предлагают методы его интеграции с векторным поиском для унифицированного гибридного поиска.
CdXz5zHNQW_xgeNdfJHzi.png
Безграничный Lakehouse обеспечивает унифицированный доступ ко всему массиву данных организации в нескольких облаках. Ранее интеграция распределенных данных требовала сложных ETL-конвейеров и дорогостоящей передачи данных. Lakehouse позволяет запрашивать данные на месте, федеративно подключаясь к различным облачным каталогам, и предлагает снижение затрат на передачу данных через Partner Cross-Cloud Interconnect. Новые усовершенствования дополнительно оптимизируют затраты на межоблачные запросы, минимизируя передачу данных.Межоблачное кэширование для Lakehouse прозрачно ускоряет запросы и снижает затраты на удаленную передачу данных за счет локального кэширования часто используемых данных. Это кэширование работает на уровне блоков данных, шифрует данные при хранении и обеспечивает изоляцию арендаторов и регионов. Проверки актуальности данных гарантируют их точность, проверяя, изменились ли удаленные данные, прежде чем предоставлять кэшированные результаты. На практике такое кэширование значительно сокращает объем передаваемых данных, часто до менее чем 5% обрабатываемых данных.Эта эффективность приводит к снижению общей стоимости владения, делая межоблачную аналитику и ИИ жизнеспособными в масштабах предприятия. Сочетание этого с сжатием Iceberg может сократить сетевые передачи до менее чем 3% от общего объема обрабатываемых данных. Межоблачные соединения BigQuery также доступны в предварительной версии, позволяя напрямую запрашивать не-Iceberg данные в других облаках и ускоряя рабочие нагрузки. Эти соединения используют вычислительные рабочие процессы BigQuery в регионах Google Cloud, предлагая глобальную доступность и полное соответствие функциям BigQuery.
Google повышает безопасность программного обеспечения, интегрируя ИИ-агентов непосредственно в процесс разработки. Этот проактивный подход направлен на предотвращение уязвимостей по мере написания кода, а не на их обнаружение позже. Система использует повсеместное сканирование перед отправкой, оценивая каждое изменение кода в реальном времени перед его фиксацией. Это контрастирует с традиционными, более медленными, разовыми сканированиями, которые часто выявляют проблемы слишком поздно. Для повышения точности используются локализованные модели угроз, использующие метаданные живой кодовой базы и информацию о зависимостях. Специализированные агенты триажа затем выполняют быструю, легкую валидацию для подтверждения потенциальных уязвимостей. Этот двухэтапный процесс обеспечивает низкую задержку без ущерба для точности. Автоматизированные агенты исправления ошибок автономно генерируют исправления кода на основе результатов сканирования. Эти исправления затем отправляются на проверку человеком, что значительно сокращает цикл от обнаружения до устранения. Эта ИИ-ориентированная стратегия предотвратила попадание сотен уязвимостей в кодовую базу Google ежемесячно. Организации могут применять аналогичные принципы, разделяя системы, разумно используя контекст, создавая надежные средства проверки и автоматизируя исправления.
CdXz5zHNQW_BwTiVcdDAQ.png
Сезон DevFest начался в Google Hudson Square в Нью-Йорке с участием 80 инженеров. Этот семинар представил новый подход под названием Workbench, который ставит во главу угла понимание основных концепций, а не механическое запоминание кода. Участники сосредоточились на ментальных моделях для графового инжиниринга, саморазвивающихся архитектур и автоматизированных самоисправляющихся систем. День был посвящен созданию долгосрочных, саморазвивающихся многоагентных систем с использованием стека агентов Google. Рики Роббинетт объяснил, почему промпт-инжиниринг не является достаточным механизмом безопасности для агентов. Рэйчел Франсуа и организаторы GDG Brooklyn подчеркнули важность местных сообществ разработчиков и поделились шаблонами. Энни Ванг и Кристина Лин провели лабораторную работу, где участники использовали набор для разработки агентов Google (Agent Development Kit) и другие инструменты. Эта сессия продемонстрировала разделение состояния и вычислений для эффективного выполнения долгосрочных задач. Позже Логан Хеннесси и Картик Дерасари провели лабораторную работу по интеграции данных BigQuery в автономные конвейеры для улучшения стратегий ставок. Это включало внедрение самоисправляющихся систем для обнаружения и исправления аномалий расходов, а быстрые викторины добавляли элемент соревновательного вовлечения. Опыт DevFest Workbench этой осенью пройдет еще в пяти городах, и места для регистрации быстро заполняются.
Государственные и местные органы власти стремятся предоставлять отзывчивые, справедливые и доступные услуги, но сталкиваются с устаревшими системами, изолированными данными и административными трудностями. Эти проблемы создают операционные узкие места, такие как ручной ввод данных и повторяющиеся процессы проверки для граждан. ИИ теперь признан главным приоритетом для государственных CIO, которые считают его ключевым для увеличения численности персонала и улучшения предоставления услуг. Проблема заключается в преодолении разрыва между старыми системами и современной предоставлением услуг на базе ИИ. Google предлагает стек ИИ, который помогает правительствам преодолевать сложности интеграции. Примеры включают, что Департамент транспорта Юты использует ИИ для картирования участков, что экономит годы ручной работы. Город Хартфорд использует ИИ для перевода в реальном времени на публичных собраниях, увеличивая участие и снижая расходы. Чаттануга использует ИИ для анализа данных о авариях, повышая безопасность на улицах. INDOT автоматизирует аудиты соответствия с помощью ИИ, экономя инженерные часы. Лос-Анджелес внедряет Gemini в отделы для управления крупными мероприятиями и многоязычными сервисами. Штат Мэриленд разработал приложение для чистой воды за пять недель с использованием Gemini, автоматизируя административные задачи. Google Public Sector сотрудничает с этими организациями для использования искусственного интеллекта для улучшения функций правительства.
Предприятия испытывают трудности с внедрением генеративного ИИ, поскольку разработчики сталкиваются с проблемами настройки и возвращаются к своим обычным задачам, что препятствует успешной реализации. Традиционные методы обучения, такие как недельные тренинги, неэффективны, учитывая ограниченное время разработчиков на обучение. Google Cloud Consulting выступает за четырехкомпонентный подход к обучению ИИ, ориентированный на быструю ежедневную практику. Это включает разбиение обучения на короткие, одноцелевые задачи вместо длительных учебных сессий. Предварительно настроенные браузерные песочницы устраняют препятствия, связанные с настройкой, позволяя немедленно приступить к кодированию. Включение ежедневных серий и командных соревнований превращает практику в обычную рабочую деятельность. Каждое упражнение должно приводить к созданию функционального компонента, который постепенно пополняет общую библиотеку кода. Программа "Advent of Agents" продемонстрировала это, предлагая ежедневные пятиминутные браузерные упражнения без необходимости настройки, что привело к значительному участию разработчиков и успешному созданию компонентов агентов. Эти данные свидетельствуют о том, что разработчики будут участвовать в обучении, когда оно вписывается в их существующее расписание, при условии устранения барьеров, связанных с настройкой и планированием. Эффективное обучение ИИ требует постоянной практики и инструментов, которые интегрируются с обычной работой, а не нарушают ее. Google Cloud предлагает мастер-классы "Build with Gemini" и программу "Gemini Enterprise Agent Ready" (GEAR) для облегчения этого микрообучения. Начиная с малого, с ежедневными привычками и готовыми к использованию инструментами, организации могут эффективно развивать возможности ИИ.
CdXz5zHNQW_1EmQcSTy9K.gif
Pine59 управляет крупными конвейерами данных для анализа местоположения, генерируя метрики с почасовой до квартальной периодичностью. Их метрика "Ежедневный трафик" обрабатывает до 14 миллионов местоположений за задание, работая на Google Cloud с BigQuery и Managed Service for Apache Airflow, оркестрованным Airflow 3. Для обработки растущих объемов данных и рабочих нагрузок машинного обучения Pine59 модернизировали свой монорепозиторий, содержащий сотни направленных ациклических графов (DAG). Этот переход значительно улучшил их возможности MLOps, рабочий процесс разработчиков и скорость конвейеров.Они провели стресс-тестирование производственных рабочих нагрузок на новой архитектуре Managed Airflow (Gen 3) и отметили немедленное улучшение скорости обработки, планирования задач и стабильности. Миграция оптимизировала MLOps за счет интеграции выделенного кластера Google Kubernetes Engine для инференса моделей, отделяя оркестрацию от выполнения тяжелых задач машинного обучения. Улучшенный рабочий процесс разработчиков и пользовательский интерфейс Airflow 3 были использованы с помощью пользовательских плагинов, таких как "BigQuery Auto-linkify" и "DAG Run Configuration Search", для более быстрой отладки и устранения неполадок. Промежуточный слой совместимости упростил миграцию операторов между версиями Airflow.Количественные результаты включают резкое снижение задержки очереди для запусков DAG, при этом задачи начинаются почти немедленно. Время завершения конвейера "Ежедневный трафик" сократилось почти на 32%, с 38 минут до менее чем 26 минут. Pine59 теперь запускает все производственные рабочие нагрузки на своем экземпляре Gen 3, создавая более быструю и устойчивую основу для будущих конвейеров данных и ИИ. Этот шаг позволил их инженерной команде больше сосредоточиться на предоставлении ценности, а не на управлении инфраструктурой.
CdXz5zHNQW_DVdc0yCXPw.jpeg
Google назван лидером в области услуг внешней разведки угроз по версии Forrester. Компания получила наивысшие оценки по нескольким критериям за свои передовые возможности в области разведки угроз. Google Threat Intelligence использует специализированных ИИ-агентов для быстрого автономного расследования и анализа вредоносного ПО. Это подкрепляется данными об реагировании на инциденты от Mandiant и краудсорсинговой видимостью от VirusTotal. Мониторинг глубокой и темной паутины является ключевым преимуществом, позволяющим выявлять угрозы до их эскалации. ИИ-агенты Google работают на основе передовых моделей, таких как Gemini, что обеспечивает постоянное развитие и более быстрый контекст угроз. Их платформа позволяет автономно атрибутировать кампании и проводить сложный анализ вредоносного ПО. Исследователи Google в области разведки угроз предоставляют основанную на доказательствах атрибуцию, сопоставленную с MITRE ATT&CK. Эти возможности повышают качество обнаружения и упрощают создание правил для центров безопасности. Клиенты сообщают о значительном улучшении проактивного выявления угроз и эффективности команд благодаря Google Threat Intelligence.
CdXz5zHNQW_l3Nu0XTbxj.png
Lucius AI использует глобальную платформу анализа тендеров на базе AlloyDB для PostgreSQL, объединяя реляционные данные, журналы аудита и векторные представления. Такой унифицированный подход устраняет необходимость в отдельных системах баз данных. Миграция их семантического поиска на индекс ScaNN значительно улучшила задержку запросов. Время выполнения запросов сократилось с 1,14 секунды до всего лишь 24 миллисекунд, что представляет собой ускорение в 47 раз. Компания также подключает ИИ-агента к AlloyDB, используя протокол контекста модели (MCP). Эта интеграция автоматизирует важные административные задачи, такие как анализ запросов и проверка актуальности данных. Были реализованы строгие разрешения с минимальными привилегиями для обеспечения безопасной работы базы данных. Платформа Lucius AI охватывает более 210 000 тендеров на нескольких континентах. Такая архитектура позволяет единственному основателю эффективно управлять обширной операционной координацией. Будущие планы включают использование автоматизированных векторных представлений и колоночного движка AlloyDB. Управление операциями через AlloyDB и MCP обеспечивает отказоустойчивую мультирегиональную платформу, управляемую одним инженером.
CdXz5zHNQW_1VJpYYb8f6.png
Корпоративные приложения часто сталкиваются с узкими местами ввода-вывода хранилища и доступа к памяти, что приводит к избыточному выделению вычислительных ядер и увеличению затрат на лицензирование программного обеспечения. Новая серия машин M4N от Google Cloud в Compute Engine разработана для решения этих проблем. Эти экземпляры специально созданы для интенсивных по вводу-выводу, требовательных к памяти рабочих нагрузок, предлагая значительное преимущество перед конкурентами. M4N обеспечивает наивысшую производительность ввода-вывода на ядро и пропускную способность для экземпляров с большим объемом памяти. Он также предлагает снижение общей стоимости владения базами данных Oracle более чем на 20%.Экземпляры M4N отличаются более высокими соотношениями памяти, до 26:1, и могут масштабироваться до 6 ТБ памяти. Работающие на процессорах Intel 5-го поколения Xeon Scalable и пользовательской архитектуре разгрузки Titanium от Google Cloud, они обеспечивают исключительную производительность хостового хранилища. В сочетании с Hyperdisk Extreme экземпляры M4N достигают совокупной производительности хранилища до 25 ГБ/с и 1 миллиона операций ввода-вывода в секунду. Это новое предложение дополняет существующие семейства, оптимизированные для памяти, специально ориентируясь на узкие места хранилища и сети.M4N идеально подходит для критически важных баз данных, слоев данных генеративного ИИ, корпоративного здравоохранения и аналитики в реальном времени. Высокое соотношение памяти к ядрам обеспечивает быструю загрузку данных и циклы резервного копирования без простоев. Экземпляры также поддерживают поиск сходства с задержкой менее миллисекунды для огромных векторных индексов и пропускную способность сети 400 Гбит/с. Эта возможность имеет решающее значение для распределенного извлечения моделей в генеративном ИИ.Для корпоративного здравоохранения и систем ERP M4N обеспечивает устойчивый запас производительности ввода-вывода, предотвращая всплески задержек во время пиковой нагрузки. Это жизненно важно для таких приложений, как Epic Systems и SAP S/4HANA. Аналитика в реальном времени и автоматизация проектирования электронных схем выигрывают от высокой емкости памяти и максимальной пропускной способности хранилища для загрузки огромных наборов данных. Это позволяет эффективно выполнять контрольные точки и обработку в памяти.Экземпляры M4N значительно оптимизируют затраты на лицензирование Oracle, позволяя правильно масштабировать инфраструктуру. Предприятия могут сократить избыточное выделение ядер, по-прежнему удовлетворяя требования к плотности производительности. Это приводит к существенному снижению общей стоимости владения по сравнению с другими гиперскейлерами. Благодаря большему объему памяти на ядро, большие части баз данных могут находиться в глобальной области системы, сокращая дорогостоящие операции ввода-вывода.Первоначальный опыт клиентов подчеркивает роль M4N в трансформации рабочих нагрузок, обеспечивая высокую пропускную способность в различных размерах экземпляров. Новая вычислительная платформа демонстрирует потенциал для масштабируемых, отказоустойчивых и производительных корпоративных развертываний Oracle. M4N устраняет разрыв между большими объемами памяти и экстремальной производительностью ввода-вывода, минимизируя узкие места без дополнительной инфраструктуры. Это делает его мощным решением для требовательных сред данных. Экземпляры M4N теперь доступны в избранных регионах по всему миру.
CdXz5zHNQW_LQt4VF9jfM.png
В этой статье рассматривается двойная роль Google как разработчика ИИ и компании по обеспечению безопасности, что дает уникальное представление об угрозах, связанных с ИИ. Сандра Джойс выделяет три ключевых изменения: ИИ трансформирует разработку программного обеспечения, расширяет поверхности атаки и повышает возможности злоумышленников. Злоумышленники загрязняют инструменты кодирования с помощью ИИ и нацеливаются на ИИ-агентов с помощью таких методов, как внедрение подсказок. Google встраивает безопасность непосредственно в конвейеры разработки ИИ с помощью функций "проверки орфографии для кибербезопасности" в реальном времени. Единой модели ИИ для безопасности недостаточно; Google использует мультимодельный подход для комплексного обнаружения уязвимостей. Противники используют рабочие нагрузки ИИ, нацеливаясь на доступ к ГП и крадя ценные данные ИИ, модели и учетные данные. Google выступает за унифицированный граф безопасности, соединяющий код, модели, данные и идентификаторы для защиты от этих растущих угроз. Ручное реагирование на инциденты заменяется операциями на скорости машины для противодействия атакам, управляемым ИИ. Защитники имеют преимущество благодаря своему глубокому внутреннему контексту, который может быть использован моделями ИИ для более быстрой и точной защиты. Google активно защищает экосистему, отключая вредоносную инфраструктуру, укрепляя свои модели ИИ, автоматизируя поиск уязвимостей и разрабатывая передовые средства защиты. В статье подчеркивается, что обеспечение безопасности в эпоху ИИ требует защиты на основе ИИ и перехода к непрерывной защите на скорости машины.
CdXz5zHNQW_9YlgJZyPnD.jpeg
SeaVerse — игровой стартап, создающий платформу для интерактивных ИИ-опытов, создаваемых пользователями по простым запросам. Пользователи могут играть в игры, общаться с ИИ-персонажами или создавать собственные интерактивные приложения и визуальные паттерны. Платформа ориентирована на быстрый и простой цикл создания, где идеи могут быть быстро доработаны и опубликованы без традиционного кодирования. Для достижения этой цели SeaVerse требовалась надежная инфраструктура, способная выполнять динамические, многопользовательские ИИ-нагрузки с сильной изоляцией и низкой задержкой. Для удовлетворения этих требований они внедрили Google Kubernetes Engine (GKE) и GKE Agent Sandbox. GKE предоставил управляемую основу для операций Kubernetes, освободив их инженеров от обслуживания кластеров. GKE Agent Sandbox обеспечил глубокую изоляцию на уровне ядра для динамических рабочих нагрузок в песочнице с использованием таких технологий, как Kata Containers и gVisor. Это решение позволило SeaVerse достичь надежных границ безопасности без ущерба для скорости пользовательского опыта. Теперь платформа может похвастаться улучшенной наблюдаемостью производительности песочницы, что позволяет быстрее устранять проблемы. Эта улучшенная видимость превратила ранее непрозрачные сбои песочницы в прозрачные процессы. Кроме того, GKE Agent Sandbox обеспечил гибкость в отношении затрат, позволив SeaVerse лучше сопоставлять ресурсы с рабочими нагрузками и сократить расходы на инфраструктуру до 60%. Теперь платформа поддерживает постоянное хранилище для развивающихся творений, улучшая опыт создателей. SeaVerse стремится сделать ИИ-опыты мгновенными, выразительными и связанными, а GKE и GKE Agent Sandbox обеспечивают прочную основу для будущего роста и инноваций.
"Orange, французский телекоммуникационный гигант, успешно справляется с проблемами расходов на облачные сервисы с помощью "FinOps Clean Days". Эти мероприятия включают в себя приостановку инженерами своих обычных задач для совместной оптимизации облачных затрат, часто с использованием соревновательной таблицы лидеров и вознаграждений. Опытные практики наставляют новичков, способствуя обучению через практическое применение и демонстрируя ощутимые результаты спонсорам. Этот геймифицированный подход значительно повысил вовлеченность и удовлетворенность сообщества FinOps Orange, достигнув высокого показателя Net Promoter Score.Успех компании коренится в двух основных принципах FinOps: общей ответственности за облачные расходы и необходимости коммуникации для осуществления изменений. Orange подчеркивает, что FinOps, как и облачная безопасность, затрагивает каждого участника проекта. Для облегчения этого был создан FinOps Community of Practice, использующий стандартизированные каналы связи и предоставляющий действенные обновления для обеспечения постоянной ценности.Концепция Clean Days возникла из понимания операционных реалий гибких команд, где оптимизация часто откладывается из-за приоритетов доставки. Создавая выделенное, совместное и приятное время для этих мероприятий, Orange преодолевает это распространенное препятствие. Эта стратегия соответствует фреймворку McKinsey по управлению изменениями, затрагивая убежденность, формальные механизмы, ролевые модели и развитие талантов. Геймификация и видимые успехи формируют убежденность и ролевые модели, в то время как наставничество со стороны коллег развивает навыки.Расширение этого взаимодействия за пределы основной группы из 100 человек требует использования ИИ-агентов. Эти агенты могут выполнять трудоемкие задачи, снижать нагрузку на инженеров и решать постоянные проблемы, такие как пробелы в осведомленности, ограничения пропускной способности или сложность отчетности. Стратегическое внедрение ИИ-агентов должно начинаться с информирования и предложения возможностей, постепенно переходя к агентам, которые выполняют изменения после установления доверия и управления операционными рисками.Создание этих ИИ-решений может осуществляться с различным уровнем кодирования, например, с помощью no-code Gemini Enterprise App или более продвинутой Gemini Enterprise Agent Platform для разработчиков. В конечном итоге, эффективный Cloud FinOps переходит от централизованной отчетности к децентрализованным действиям, основанным на прочном культурном фундаменте, дополненном ИИ-агентами. Достижение Orange подчеркивает важность развития этого подхода, основанного на сообществе, как решающего первого шага."
CdXz5zHNQW_EBXVCy1fDZ.jpeg
Google Cloud улучшил управление сессиями для повышения безопасности и предотвращения кражи учетных данных. Теперь всем клиентам, которые ранее не настраивали собственную продолжительность сессии, по умолчанию устанавливается 16 часов. Этот стандарт безопасности был распространен на глобальном уровне для обеспечения более широкой защиты. Управление сессиями вышло за рамки простых административных настроек и стало детализированной функцией, интегрированной с контекстно-зависимым доступом. Это обновление предоставляет администраторам повышенную гибкость, лучшую автоматизацию и более оптимизированный рабочий процесс безопасности. Поддержка инфраструктуры как кода через Terraform, gcloud CLI и REST API позволяет программно управлять политиками сессий. Теперь политики могут быть точно нацелены с использованием групп Google, что позволяет устанавливать различные продолжительности сессий для разных групп пользователей, например, для пользователей с повышенными привилегиями. Управление сессиями также может применяться к конкретным приложениям, таким как Google Cloud Console и gcloud CLI, предотвращая чрезмерно ограничительные общие политики. Администраторы теперь могут управлять этими политиками непосредственно в Google Cloud Console через Access Context Manager, обеспечивая унифицированный опыт. Эти изменения позволяют установить более строгие границы повторной аутентификации в зонах высокого риска, не снижая производительности разработчиков.
Телекоммуникационная отрасль переходит к автономным сетевым операциям, что обусловлено растущей сложностью современных сетей. Традиционные ручные методы и базовое машинное обучение недостаточны для автоматизации этих сложных систем. Агенты ИИ обладают возможностями рассуждения, но испытывают трудности с огромным объемом сетевых данных. Чтобы преодолеть этот разрыв, графовые нейронные сети (GNN) интегрируются с агентами ИИ для обработки крупномасштабных временных и реляционных данных. Эта комбинация позволяет проводить продвинутую диагностику, такую как анализ первопричин и планирование мощностей, наряду с рассуждением и выполнением действий. Фреймворк Google Cloud для автономных сетевых операций использует трехкомпонентный подход: Данные, МО и ИИ. Основой является цифровой двойник сети, динамическое графовое представление реальной сети, размещенное на Spanner Graph от Google Cloud для масштабируемости и поддержки мультимоделей. Слой МО использует Distributed Graph Flow (DGF), библиотеку Python с открытым исходным кодом для управления жизненным циклом GNN, обеспечивающую предиктивные инсайты. DGF упрощает разработку моделей GNN, позволяя создавать такие приложения, как обнаружение аномалий, анализ первопричин и предиктивное обслуживание. Он также облегчает анализ "что, если", моделируя изменения в сети и их последствия. Пятиэтапный процесс описывает реализацию анализа первопричин с использованием DGF и GNN, включая подключение к цифровому двойнику, обучение прогнозной модели и ее развертывание для инференса в реальном времени. Эта эволюция на основе GNN обещает сокращение времени простоя, оптимизацию мощностей и улучшение качества обслуживания клиентов.
CdXz5zHNQW_R7gtUgOwNe.jpeg
Выполнение задач, основанных на данных, имеет решающее значение для предприятий, однако текущие решения для хранения данных агентов включают сложные обходные пути, такие как передача состояния или ручное управление дисками. Эти методы приводят к компромиссам в задержке, операционной сложности и стоимости по мере масштабирования парков агентов. Организациям требуется хранилище, обеспечивающее строгую изоляцию, мгновенное возобновление сеанса, экономику оплаты по мере использования и плавное взаимодействие нескольких агентов. Для удовлетворения этих потребностей Google Cloud представляет тома агентов Filestore — полностью управляемое, высокопроизводительное, эластичное решение для файлового хранения. Эта новая возможность специально разработана для масштабирования рабочих нагрузок агентов в Google Cloud, дополняя выделенные вычислительные среды, такие как Agent Substrate на GKE. Тома агентов Filestore обеспечивают мгновенный доступ к изолированному, постоянному файловому хранилищу для песочниц GKE, автоматизируя весь жизненный цикл тома. Ключевые преимущества включают гранулированную изоляцию и корпоративные средства контроля, возобновление сеанса менее чем за секунду для экономии средств, интеллектуальную экономику жизненного цикла с оплатой по мере использования и взаимодействие нескольких агентов благодаря нативной поддержке RWX. Это решение открывает возможности для различных рабочих нагрузок агентов, таких как песочницы для разработки программного обеспечения, совместные рои агентов и интерактивные рабочие процессы с длительным горизонтом. Тома агентов Filestore в настоящее время доступны для непроизводственных рабочих нагрузок, с поддержкой производства через белый список, предлагая бесшовную интеграцию с GKE для масштабируемых платформ агентов.
Сбои в облаке могут существенно нарушить работу сервисов, вызывая как незначительные, так и широкомасштабные последствия. Для устранения таких инцидентов рекомендуется структурированный рабочий процесс: Проверка, Расследование, Отчетность, Устранение и Анализ. Проактивная подготовка, включая проектирование с учетом сбоев и отработку действий по реагированию, имеет решающее значение. Данное руководство сосредоточено на основных передовых практиках по устранению инцидентов, связанных с надежностью, исключая меры, специфичные для безопасности. Также появляются передовые методы с использованием ИИ-агентов в области инженерии надежности сайтов. Первый этап — подготовка, которая включает проектирование автоматизированных ответов, обеспечение доступности и репликации данных, разработку четких инструкций с определенными ролями и проведение регулярных тренировочных учений.Следующий этап — проверка, в ходе которой выявленные сбои должны быть отнесены к Google, пользователю или третьей стороне. Проверка персонализированного состояния обслуживания и общедоступной панели состояния облачных сервисов помогает определить, объявила ли Google об инциденте. Расследование включает анализ метрик и журналов для выявления причины, особенно если Google не объявила об инциденте, и рассмотрение недавних изменений. Отчетность в Google необходима, если сервисы выходят из строя, несмотря на зеленые индикаторы состояния, с соответствующей установкой приоритета и подробным представлением случая.Устранение включает в себя общение с заинтересованными сторонами, переключение на вторичные системы, если это возможно, и выявление временных решений. Компании также должны учитывать требования нормативной отчетности. После восстановления стабильности необходим беспристрастный анализ постмортем для выявления областей улучшения в инструкциях, инструментах и обучении. Этот процесс анализа помогает усовершенствовать возможности реагирования на инциденты для будущих сбоев.
Agent Substrate, среда выполнения агентов с открытым исходным кодом, теперь доступна в Google Kubernetes Engine (GKE). Эта технология предназначена для запуска миллионов изолированных автономных агентов с значительно более высокой плотностью, чем стандартные контейнеры. Agent Substrate обеспечивает быструю приостановку и возобновление работы благодаря нативному ядру с нулевым доверием и сетевой изоляции. Ведущие команды по искусственному интеллекту, такие как Nous Research, стоящая за высокорейтинговым агентом Hermes, уже используют Agent Substrate. Масштабирование платформ агентов сопряжено с такими проблемами, как непрозрачные границы доверия и трение при доступе к инструментам. Традиционные архитектуры испытывают трудности с массивными всплесками активности агентов и простаивающими вычислительными ресурсами. Agent Substrate решает эти проблемы, отделяя выполнение агентов от управления машинами. Он обеспечивает безопасность по умолчанию с помощью микровиртуальных машин или песочниц gVisor, а также гранулярное сетевое управление. Система обеспечивает активацию агентов менее чем за секунду и высокую эффективность за счет приостановки неактивных агентов для освобождения вычислительных ресурсов. Он работает на любом кластере Kubernetes и оптимизирован для GKE, используя пользовательские ComputeClasses и процессоры на базе Arm для экономической эффективности. Agent Substrate обеспечивает масштабируемую и надежную основу для создания производственных приложений агентов.
CdXz5zHNQW_LbxJvoLzOg.jpeg
BigQuery представил дополненные аналитические табличные функции (TVF), чтобы автоматизировать сложный анализ данных. Эти функции объединяют методы искусственного интеллекта, машинного обучения и статистические методы для более быстрого получения информации непосредственно в ваших данных. Доступны шесть новых TVF: AI.KEY_DRIVERS определяет факторы, влияющие на изменение метрики, AI.CAUSAL_EFFECT количественно оценивает влияние действий, ML.CORRELATION измеряет взаимосвязи метрик, ML.DETECT_CHANGE_POINTS находит сдвиги в данных, ML.TREND отделяет базовый рост от шума, а ML.SEASONALITY выявляет предсказуемые циклы. Эти TVF могут быть объединены для многоэтапного анализа. Пример демонстрирует использование ML.DETECT_CHANGE_POINTS, AI.KEY_DRIVERS и AI.CAUSAL_EFFECT для анализа данных о поездках на велосипедах. Этот процесс объединения сначала выявляет значительные сдвиги в объеме поездок, затем определяет факторы, вызывающие эти сдвиги, и, наконец, количественно оценивает фактическое влияние на бизнес. TVF также интегрированы с Conversational Analytics, позволяя запросам на естественном языке инициировать сложные многоэтапные исследования данных. Примеры иллюстрируют, как диалоговые подсказки могут использовать эти TVF для корреляционного анализа и анализа тенденций на данных о продажах такси и алкоголя. Эти функции значительно повышают эффективность понимания и использования аналитических данных.
CdXz5zHNQW_8KML9OckQe.png
Предприятиям нужны бессерверные платформы для эффективных рабочих процессов ИИ и агентов, при этом подготовка данных является ключевой проблемой. Dataflow в Google Cloud обеспечивает пакетную и потоковую обработку данных для аналитики и ИИ. Значительные улучшения теперь направлены на повышение вычислительной эффективности для длительных пакетных заданий и увеличение мощности вывода для рабочих нагрузок ИИ. Общая доступность функций паузы/возобновления для пакетных заданий Dataflow позволяет пользователям перезапускать неудачные задания с последней контрольной точки, экономя вычислительные ресурсы и повышая производительность. Эта функция также позволяет динамически перераспределять вычислительные ресурсы для задач ИИ с более высоким приоритетом. Кроме того, Dataflow теперь поддерживает виртуальные машины G4 на базе графических процессоров NVIDIA RTX PRO 6000 Blackwell. Эти новые графические процессоры обеспечивают существенное повышение производительности, включая увеличение памяти и пропускной способности, для вывода ИИ. Это позволяет заданиям Dataflow напрямую обрабатывать модели с более чем 70 миллиардами параметров. Клиенты могут использовать встроенные возможности машинного обучения Dataflow, такие как RunInference и автомасштабирование с поддержкой графических процессоров, с этими новыми графическими процессорами. Вместе функции паузы/возобновления и новые графические процессоры оптимизируют затраты на пакетные задания и ускоряют требовательные рабочие нагрузки ИИ. Эти усовершенствования направлены на упрощение разработки и развертывания ИИ для клиентов.
CdXz5zHNQW_B3JFo9TtLc.png
Google Cloud признан лидером в отчете Forrester Wave™: Public Cloud Platforms, Q3 2026. Компания получила наивысший балл в категории «текущее предложение». Она также получила высшие оценки по 23 из 30 оцененных критериев, подчеркнув сильные стороны в разработке ИИ, базах данных, аналитике и безопасности. Это признание подчеркивает интегрированную платформенную стратегию Google Cloud для эпохи агентов. Их инфраструктура разрабатывалась совместно более десяти лет для таких сервисов, как Gemini и Search. Этот интегрированный стек ИИ предлагает вычисления, оркестрацию и сетевые возможности для повышения ценности. Google Cloud имеет хорошие позиции для предприятий, ориентированных на быстрое внедрение инноваций и платформы с поддержкой ИИ. Платформа поддерживает запуск автономных агентов на безопасной и гибкой основе с использованием Kubernetes. Недавние улучшения включают GKE Agent Sandbox для безопасного выполнения кода и GKE Pod Snapshots для снижения затрат на вычисления. Agentic Data Cloud объединяет транзакционные и аналитические данные для контекста в реальном времени. Google Cloud преуспевает в услугах баз данных, аналитики и управления данными, предлагая унифицированное хранилище данных. Это позволяет агентам запрашивать корпоративные данные в реальном времени без дорогостоящего перемещения, способствуя детерминированной отзывчивости.
CdXz5zHNQW_cxYKxN9iFQ.png
Томас Куриан представил стратегию Google Cloud на Технологической конференции Goldman Sachs, подчеркнув их комплексный подход к ИИ. Google Cloud предлагает решения для всего стека ИИ, отличаясь производительностью, стоимостью и качеством, одновременно расширяя свой рынок и доходы. Компания может похвастаться семнадцатью линейками продуктов с доходом более одного миллиарда долларов, при этом клиенты часто превышают свои обязательства более чем на пятьдесят процентов. Значительный рост наблюдается в сделках на сумму от 100 миллионов до 1 миллиарда долларов, при этом более 300 клиентов имеют обязательства на сумму более 100 миллионов долларов. Инфраструктура ИИ Google Cloud, построенная на основе дифференцированных продуктов, снижает затраты и повышает производительность моделей ИИ. Их серверы ИИ имеют двухлетний срок окупаемости, а TPU обеспечивают еще более быструю отдачу. Большая часть общей стоимости контрактов на их инфраструктуру ИИ приходится на пятилетние соглашения. Внедрение Gemini Enterprise идет активно, предоставляя экономически эффективные, контролируемые бизнес-инсайты. Клиенты, использующие продукты ИИ Google Cloud, более вовлечены, используя в 1,8 раза больше продуктов. Эти заявления носили перспективный характер и подвержены различным рискам и неопределенностям.
Навыки агентов улучшают рабочие процессы ИИ, но управление ими по отдельности может быть громоздким. Плагины вводятся для решения этой проблемы путем объединения связанных навыков и инструментов в устанавливаемые модули. Google Cloud теперь предлагает новый плагин для агентов кодирования ИИ, наделяя их возможностями, специфичными для Google Cloud. Этот плагин решает проблему связывания инструментов, упаковывая связанные функциональные возможности вместе. Он гарантирует, что агенты могут эффективно получать доступ к навыкам Google Cloud, использовать документацию и программно взаимодействовать с платформой. Плагин построен на основе открытой спецификации Agent Plugins, способствуя интероперабельности между средами кодирования ИИ. Флагманский плагин, google-cloud-developer, помогает агентам с фундаментальными взаимодействиями Google Cloud, такими как аутентификация и управление проектами. Он также включает сервер Developer Knowledge MCP для актуальной документации. Плагин оптимизирует такие процессы, как онбординг проектов и аутентификация личности, благодаря осведомленности об окружении и проверке лучших практик. Установка плагинов Google Cloud проста с помощью команд CLI или дополнений из маркетплейса. Пользователям рекомендуется попробовать новый плагин и изучить дополнительные ресурсы для управляемой настройки и более глубокого понимания.
CdXz5zHNQW_Glo22PNRPz.png
Общая доступность оркестратора AlloyDB Omni Red Hat RPM теперь обеспечивает готовую к производству безопасность и операции с минимальным простоем для рабочих нагрузок PostgreSQL. Этот выпуск поддерживает четыре режима развертывания, включая автономные RPM и контейнеризованные варианты с Kubernetes. Развертывание RPM идеально подходит для организаций, которым требуется производительность облака с локальным контролем, особенно для модернизации рабочих нагрузок и регулируемых сред. Оно также позволяет развертывать решения на периферии и локально для обработки с низкой задержкой и автономной работы. Оркестратор упрощает предоставление кластеров и управление их жизненным циклом, предлагая гибкие эталонные архитектуры. Высокая доступность достигается за счет синхронной репликации и автоматической обработки сбоев, в то время как пулы чтения позволяют динамически масштабировать рабочие нагрузки чтения. Защита данных улучшена за счет автоматизированных функций резервного копирования и восстановления, поддерживающих восстановление на определенный момент времени в хранилище, совместимом с GCS или S3. Обеспечивается принудительное применение SELinux для строгого соответствия требованиям, а обслуживание с минимальным простоем автоматизирует обновления и масштабирование с поддержкой отката. Оркестратор упрощает динамическую настройку конфигурации и обслуживание кластера путем добавления или удаления узлов. Он предлагает расширенное ведение журналов, пользовательские метрики для богатой наблюдаемости и интегрирует функции искусственного интеллекта AlloyDB для приложений генеративного ИИ.
CdXz5zHNQW_N39Oj76R9j.jpeg
Gartner назвал Google лидером в своем первом отчете Magic Quadrant за 2026 год для корпоративных ИИ-ассистентов, отметив его полноту видения и способность к исполнению. Gemini Enterprise выделен как унифицированная платформа, которая безопасно интегрирует ИИ в повседневную работу, выходя за рамки простого чата для автоматизации сложных рабочих процессов с помощью ИИ-агентов. Он подключается к существующим инструментам и инфраструктуре, предлагая масштабируемость и экономическую эффективность благодаря встроенной безопасности и управлению. Gartner высоко оценил Gemini Enterprise за его унифицированный ИИ-портал, открытое подключение к различным системам и простое ценообразование. Платформа также предоставляет надежное управление "из коробки" и выигрывает от полной ИИ-инфраструктуры Google. Последние достижения включают специализированные отраслевые решения для юридических и финансовых услуг, инструменты для разработчиков, такие как Google Antigravity, а также улучшенные FinOps и средства контроля затрат. Такие клиенты, как Accenture, Cleary Gottlieb, Deutsche Bank и Williams & Connolly, уже получают значительную ценность и повышают эффективность. Gemini Enterprise позволяет организациям развертывать управляемых, подключенных агентов во всех командах. Читатели могут скачать полный отчет Gartner для всестороннего анализа рынка корпоративных ИИ-ассистентов.
CdXz5zHNQW_9f5wpb7q1P.png
Служба миграции баз данных эффективно реплицирует данные, но исключает объекты уровня сервера, такие как учетные записи пользователей, по соображениям безопасности и соответствия требованиям. Это намеренное упущение предотвращает несанкционированное повышение привилегий, гарантируя, что локальные привилегии не будут автоматически перенесены в облако. Миграция зашифрованных хэшей паролей без надзора также нарушает нормативные требования, такие как PCI-DSS и SOC 2. Этот процесс также позволяет модернизировать идентификационные данные, удаляя устаревшие учетные данные и переходя к облачной аутентификации. SQL Server разделяет учетные записи пользователей, которые аутентифицируют соединения на уровне сервера, от пользователей баз данных, которые авторизуют действия в базах данных. Идентификатор безопасности (SID) связывает серверные учетные записи пользователей с пользователями баз данных. Когда базы данных мигрируются без соответствующих учетных записей пользователей или с несовпадающими SID, пользователи могут стать "осиротевшими". Скрипт sp_help_revlogin от Microsoft генерирует T-SQL инструкции для воссоздания учетных записей пользователей с их исходными хэшами паролей и SID. Этот скрипт запускается на исходном экземпляре для генерации запроса на миграцию. Этот сгенерированный запрос затем выполняется на целевом экземпляре Cloud SQL для создания необходимых учетных записей пользователей. Если пользователи становятся "осиротевшими", их можно переназначить правильной серверной учетной записи пользователя с помощью команды ALTER USER. Для повышения безопасности рассмотрите возможность миграции в управляемый клиентом Active Directory для централизованной аутентификации на основе Kerberos.
CdXz5zHNQW_jlKnVZN3XM.png
Airtel стремилась обеспечить безупречную прямую трансляцию крикетного сезона Индийской Премьер-лиги для миллионов болельщиков. Они сотрудничали с Google Cloud для цифровой доставки матчей IPL 2026 года. Инфраструктура потокового вещания обрабатывала сотни петабайт данных в течение 74 матчей, а финальный матч обрабатывал миллиарды запросов. Доставка видео во время массовых всплесков одновременных подключений требовала периферийной архитектуры, ориентированной на локализацию и проактивный мониторинг. Airtel использовала Media CDN от Google Cloud и ее обширную глобальную периферийную сеть для глубокой локальной близости к пользователям и высокой эффективности кэширования. В результате 99,9% трафика турнира обслуживалось локально в Индии, что минимизировало сетевые переходы. Архитектура достигла превосходной эффективности кэширования с коэффициентом попадания в кэш более 98%, поддерживая минимальную нагрузку на исходные серверы. Стабильная сверхнизкая задержка, в частности p99 ниже 300 мс, обеспечивала быстрое начало потоковой передачи и уменьшала буферизацию. Помимо архитектуры, решающее значение имели тщательная операционная подготовка и проактивное выполнение в день матча. Комплексная операционная поддержка включала обзоры готовности перед турниром и непрерывный мониторинг как услугу (MaaS). Специальная поддержка в дни матчей и выходные дни обеспечивала помощь в режиме реального времени от совместных инженерных команд.
CdXz5zHNQW_YIyUYVxf37.png
Google Cloud Spanner, глобально согласованная реляционная база данных, обновила обработку транзакций для более крупных и сложных операций. Ранее Spanner ограничивал общее количество модификаций в транзакции 80 000 "модификаций мутаций". Этот лимит, рассчитываемый как строки, умноженные на столбцы плюс индексы, мог быть достигнут развивающимися приложениями. Новая гибкость переносит этот лимит в 80 000 модификаций мутаций с всей транзакции на отдельные операторы языка манипулирования данными (DML). Это означает, что одна транзакция теперь может содержать несколько операторов DML, при условии, что каждый оператор соблюдает свой собственный лимит в 80 000 модификаций. Это позволяет разработчикам группировать операторы DML логически по бизнес-требованиям без искусственного разделения. Изменение обратно совместимо с существующими клиентскими библиотеками Spanner, не требуя обновлений кода приложений. Однако разработчики должны помнить, что более крупные транзакции удерживают блокировки дольше, потенциально увеличивая количество отказов. Лимит в 80 000 модификаций применяется индивидуально к операторам DML, но по-прежнему применяется ко всему набору мутаций в одном вызове фиксации с использованием API мутаций. Разработчики могут отслеживать общее количество модификаций через mutation_count в CommitStats. Отдельные операторы DML, превышающие 80 000 модификаций, по-прежнему будут вызывать ошибку, а другие лимиты транзакций, такие как размер в байтах, остаются активными. Лучшие практики включают мониторинг CommitStats и оптимизацию крупных операций. Spanner остается надежным выбором для масштабируемых, постоянно доступных операционных приложений, теперь предлагая повышенную гибкость для разработчиков.
Принятие корпоративными агентами варьируется: одни выбирают управляемые платформы, другие создают собственные центры агентов. Разработчикам, создающим собственные центры, требуются надежные инструменты для предсказуемого выполнения, ведения журналов и изоляции. Antigravity SDK предоставляет среду выполнения и CLI для создания этих центров, предлагая политики безопасности, телеметрию и сохранение состояния. Он обеспечивает работу многоагентной плоскости управления, которая отслеживает и управляет рабочими нагрузками LLM. Эта плоскость управления включает в себя ядро агента Antigravity SDK для взаимодействия с моделями и выполнения инструментов, а также уровень наблюдаемости, использующий Lifecycle Hooks для телеметрии в реальном времени. Пример использования включает инженеров эксплуатации, отслеживающих несколько агентов, что традиционно создает проблемы, такие как фрагментированные журналы и отсутствие видимости. Antigravity SDK предлагает решение с потоковым API, хуками жизненного цикла, механизмом политик, управлением навыками и состоянием сеанса для унифицированного представления. За кулисами среда выполнения обрабатывает инициализацию сеанса, разрешение навыков, параллельную генерацию потоков и выполнение инструментов в изолированной среде. Перехват телеметрии через хуки жизненного цикла позволяет наблюдать и управлять выполнением агента в реальном времени. SDK состоит из четырех основных строительных блоков: модульные навыки, изолированные инструменты, изоляция сеансов и телеметрия в реальном времени.
CdXz5zHNQW_Evuc3hPrnQ.png
Практики, работающие с данными, сталкиваются с трудностями при решении открытых вопросов, требующих данных из различных источников. Data Agent Kit решает эту проблему, позволяя создавать рабочие процессы с данными непосредственно в IDE. Он использует Model Context Protocol (MCP) для подключения агентов к различным системам данных. Навыки, определенные в markdown, обучают агента взаимодействию с конкретным стеком данных. Вместо ручного запроса, агенты выполняют запросы и извлекают результаты от имени пользователя. Например, расследование падения среднего значения заказа включало запросы к BigQuery, Cloud SQL и Cloud Storage. Агент обнаружил новый оптовый канал с низким средним значением заказа из-за промокода. Затем он идентифицировал новые оптовые аккаунты и подтвердил влияние промокода. Все расследование, от анализа данных до составления резюме для руководства, произошло в рамках одной сессии чата. Наконец, агент может преобразовать разовый анализ в воспроизводимый dbt-проект, включая написание и исправление тестов качества данных.
CdXz5zHNQW_SXZOlKN9LH.png
Телекоммуникационная компания KDDI столкнулась с проблемой балансировки качества и скорости в своем генеративном приложении ИИ Buffmee. Buffmee призван помочь пользователям расти, предоставляя информацию, основанную на более чем 100 разнообразных источниках, обеспечивая надежность и предотвращая галлюцинации. Изначально KDDI боролась с проблемами задержки и необходимостью обработки огромного количества проприетарного контента. Чтобы преодолеть эти препятствия, они внедрили автоматизированную систему оценки и методы оптимизации производительности.Этот систематический подход привел к значительным улучшениям, сократив общую задержку ответа приложения на 38% и улучшив время до первого токена (TTFT) почти на 18%. KDDI использовала службу оценки платформы Gemini Enterprise Agent для автоматизированного тестирования, заменив ручные усилия процессом, основанным на данных, который улучшил показатели обоснованности на 25%. Они приняли бинарную систему оценки, стратегическую выборку контента на основе формата и состава медиа, а также калиброванные пороги, основанные на суждении продукта.Узкие места были выявлены и устранены с помощью BigQuery Agent Analytics и агента анализа логов Agent Development Kit (ADK), который помог выявить проблемы с раздуванием промптов и разделением навыков. Большие системные промпты были модулированы в ADK Skills, чтобы избежать дрейфа внимания и оптимизировать время ответа. Эти методы позволили KDDI создать систему RAG, в которой загруженный контент работал мгновенно, предоставляя пользователям безопасный и персонализированный способ изучения медиа. Успех Buffmee демонстрирует важность систематической оценки и анализа производительности для надежных генеративных приложений ИИ.
CdXz5zHNQW_pnRBQ8wDjQ.png
Злоумышленники быстро развивают свои методы, переходя от простого составления запросов к сложным рабочим процессам с использованием агентного ИИ и автоматизации. Эта эволюция значительно сокращает время для реагирования защитников. Во втором квартале 2026 года злоумышленники провели массовую операцию по сбору учетных данных с использованием ИИ менее чем за шесть часов после компрометации облачного ресурса. Кроме того, злоумышленники все чаще нацеливаются на ИИ-активы, включая проприетарные модели, исходный код и облачные вычислительные ресурсы, для шпионажа, вымогательства и кражи.Риски, связанные с цепочкой поставок программного обеспечения, расширяются из-за интеграции инструментов кодирования с помощью ИИ и программного обеспечения с открытым исходным кодом. Противники активно нацеливаются на разработчиков, ИИ-помощников по кодированию и сканеры безопасности ИИ для компрометации программного обеспечения с открытым исходным кодом. Интеллектуальная собственность в области проприетарного ИИ, такая как модели и код, также становится основной целью в различных секторах. Переход к агентному ИИ и автоматизации позволяет противникам автономно управлять сложными конвейерами атак и устранять операционные ошибки.ИИ служит усилителем на всех этапах жизненного цикла атаки, от разведки до обфускации вредоносного ПО и действий после эксплуатации. Злоумышленники также экспериментируют с ИИ для масштабирования кампаний по информационным операциям. Чтобы обойти затраты на доступ и обойти меры безопасности, противники приобретают незаконные учетные записи и захватывают корпоративную облачную инфраструктуру для несанкционированных вычислений с использованием ИИ. Этот обостренный ландшафт угроз требует надежных стратегий защиты, включая проактивные меры защиты моделей, специализированную аналитику угроз и целенаправленное сдерживание. Google внедряет эти многогранные меры защиты для обеспечения безопасности своих клиентов и инфраструктуры. Эти достижения подчеркивают критическую потребность в усиленных мерах безопасности в быстро развивающемся ландшафте ИИ.
CdXz5zHNQW_Nayr6fevb7.png
Yahoo, глобальная медиа- и технологическая компания, столкнулась с проблемами хрупких конвейеров данных из-за фиксированных конфигураций виртуальных машин (ВМ) в своих высокоскоростных аналитических нагрузках. Когда возникали ограничения региональной мощности, подготовка кластеров в Managed Service for Apache Spark могла застопориться, задерживая критически важные конвейеры данных. Чтобы решить эту проблему, Yahoo внедрила гибкие ВМ в своих кластерах Managed Service for Apache Spark. Это позволяет системе автоматически поглощать колебания ресурсов, определяя ранжированный список приемлемых форм ВМ. Включение автоматического размещения по зонам помогает системе искать мощности во всем регионе, поддерживая выполнение конвейера без ручного вмешательства. Эта оптимизация является частью более широкого пути модернизации данных Yahoo, миграции локальных больших данных в Google Cloud. Гибкие конфигурации повышают успешность создания кластеров, выбирая из ранжированного списка, когда предпочтительный тип ВМ недоступен. Они также улучшают использование региональных ресурсов, ища мощности во всем регионе. Настройка гибких кластеров требует включения автоматического размещения по зонам и поддержания симметрии ядра и памяти между формами ВМ. Также крайне важно согласовать свойства компонентов, такие как выделение ресурсов YARN и Spark. Yahoo успешно сократила сбои при подготовке кластеров, вызванные региональными дефицитами, на 85% за счет внедрения этого подхода с гибкими ВМ. Это обеспечивает непрерывное выполнение рабочих нагрузок и предотвращает задержки последующей обработки в их массивных конвейерах данных.
Команда инженеров Google по финансам нуждалась в модернизации своего устаревшего слоя данных с помощью Spanner, глобально распределенной и строго согласованной базы данных. Миграция без простоя представляла собой серьезную проблему, поскольку ручное переписывание логики двойной записи в многочисленных объектах доступа к данным (DAO) было медленным и подверженным ошибкам. Чтобы преодолеть это, они разработали автоматизированный конвейер рефакторинга, используя Antigravity CLI в автономном режиме. Этот подход ускорил скорость миграции и обеспечил согласованность данных в средах staging. Миграция состояла из трех этапов: заполнение исторических данных, реализация двойной записи/двойного чтения и автоматическая проверка API. В их масштабе ручная реализация уникальных требований каждого DAO, таких как MutationConverters и логика отката, была непрактичной и, по оценкам, заняла бы месяцы. Они стандартизировали шаблон рефакторинга DAO, отделив преобразование схемы Spanner в выделенные модули MutationConverter. Это создало детерминированный контракт для ИИ-агента по написанию кода, позволяющий надежно генерировать код. Автономный режим Antigravity CLI позволил выполнять повторяющийся рефакторинг множества файлов без запросов человека. Детерминированные запросы, пакетное выполнение с автоматической проверкой и ночное выполнение в масштабе значительно сократили усилия по миграции. Это привело к высоконадежной миграции данных с сохранением целостности данных и позволило инженерам сосредоточиться на более важных задачах. Ключевые выводы подчеркивают необходимость отделения преобразования схемы, перехода от интерактивного чата к автономной автоматизации и использования систем сборки в качестве защитных механизмов для генерации кода с помощью ИИ.
CdXz5zHNQW_qm35bZR1HG.png
Внедрение больших языковых моделей (LLM) в корпоративном производстве выявляет критическую роль инфраструктуры в производительности и затратах. Не все запросы к LLM одинаково нагружают оборудование, что делает стандартные тесты недостаточными. Данное исследование сравнивает Gemma 3 12B и 27B на Google Cloud TPU v6e для понимания производительности инфраструктуры в масштабе при различных рабочих нагрузках. Для задач генерации с преобладанием декодирования модель Gemma 3 12B лучше масштабируется при высокой параллельности, в отличие от модели 27B, которая насыщается. Для задач классификации с преобладанием предварительного заполнения обе модели, 12B и 27B, демонстрируют схожее масштабирование, позволяя использовать более крупные модели без снижения пропускной способности. Насыщение оборудования вызывает всплески задержки и тихие отказы в обработке запросов, что требует масштабирования на основе сквозной задержки, а не только использования ЦП/памяти. Архитектура включает GKE, TPU v6e, фреймворк обслуживания vLLM и модели Gemma 3. Задачи классификации имеют большой ввод и малый вывод, в то время как задачи генерации имеют малый/средний ввод и большой вывод. Тесты показывают превосходство модели 12B в масштабировании генерации при высокой параллельности, тогда как обе модели работают схожим образом при классификации. Для оптимизации необходимо согласовывать выбор модели и конфигурации обслуживания с профилями ввода/вывода конкретных рабочих нагрузок.
CdXz5zHNQW_eDq2dxFnBF.jpeg
Google выпустила версию 1.0 своего Kotlin Multiplatform SDK для генеративного ИИ. Этот SDK позволяет разработчикам легко интегрировать модели Gemini как в JVM, так и в Android-приложения. Он предлагает идиоматические возможности Kotlin, такие как Coroutines и Flow, для асинхронных операций. SDK унифицирует доступ как к Google AI Studio, так и к платформе Gemini Enterprise Agent Platform от Google Cloud. Он поддерживает унитарную и потоковую генерацию текста, а также многоходовые диалоги с управляемым контекстом. Мультимодальный анализ улучшен за счет привязки к Google Search для проверки фактов. SDK также обеспечивает полную поддержку моделей генерации изображений Gemini. Взаимодействие в реальном времени и двустороннее взаимодействие возможны через Gemini Live API через WebSockets. Включены возможности структурированного вызова инструментов и функций для агентских рабочих процессов. Релиз предлагает чистую, мультиплатформенную основу для создания приложений генеративного ИИ.
Gartner в девятый раз подряд признал Google лидером в области стратегических облачных платформенных сервисов, отметив его полноту видения. Подчеркивается приверженность Google Cloud успеху клиентов в создании и масштабировании требовательных рабочих нагрузок. Компания делает акцент на ускорении пути клиентов в эпоху агентов с помощью динамической инфраструктуры и унифицированной платформы для приложений, данных и агентов. Представлены три ключевых преимущества: совместно разработанный технологический стек, динамическая инфраструктура для безопасного масштабирования и цифровая суверенность, предлагающая реальный выбор. Google Cloud стремится способствовать инновациям и масштабированию клиентов за счет гибкости, производительности и контроля. Первый принцип проектирования заключается в ускорении работы с ИИ с помощью совместно разработанного открытого стека от кремния до приложений, включающего пользовательское оборудование, такое как TPU и процессоры Axion. Этот подход максимизирует операционную эффективность без привязки к поставщику, используя открытый исходный код и стандарты. Второй принцип фокусируется на быстром и экономичном масштабировании с помощью динамической инфраструктуры, которая автоматизирует управление мощностями и модернизирует приложения. Это позволяет организациям безопасно объединять данные, приложения и агентов для оптимизированного глобального опыта. Третий принцип поддерживает цифровую суверенность, позволяя организациям сохранять контроль над данными и соблюдать нормативные требования благодаря гибким вариантам развертывания. Эти варианты включают суверенность данных с пограничным контролем, местное соответствие требованиям через облака, управляемые партнерами, и гибкость локального развертывания с помощью Google Distributed Cloud.
CdXz5zHNQW_LAHmbJITvY.jpeg
ИИ теперь может автономно обнаруживать и использовать уязвимости программного обеспечения. Для борьбы с этим Google разработал Mantis, фреймворк с открытым исходным кодом, который автоматизирует обнаружение уязвимостей, их сортировку, воспроизведение и исправление. Mantis призван предоставить защитникам преимущество ИИ, обеспечивая анализ безопасности на скорости машины. В отличие от других инструментов ИИ, которые страдают от низкого уровня истинно положительных срабатываний, Mantis использует агентные методы и изолированное воспроизведение уязвимостей для точности. Он учится на прошлых исправлениях безопасности в репозитории, чтобы создавать документацию по архитектуре и моделям угроз. Mantis сжимает большие кодовые базы в иерархическое дерево сводок по безопасности, значительно снижая накладные расходы на токены. Фреймворк дистиллирует обширные знания в области кибербезопасности и доступен на GitHub. Пользователи могут клонировать Mantis локально, а затем обратиться к кодирующему агенту для начала анализа кода и уязвимостей. Внутри Google этот подход успешно выявил реальные уязвимости. Mantis предоставляет примеры вариантов песочниц и позволяет создавать пользовательские реализации песочниц. Он предлагает простой способ начать работу с обнаружением уязвимостей, их фильтрацией и исправлением. Навык mantis-advise далее использует накопленные знания для написания безопасного кода с самого начала. Чтобы максимизировать обнаружение уязвимостей с помощью ИИ, рекомендуется предоставлять инструментам контекст и создавать киберпесочницы с четкими критериями приемлемости уязвимостей.
BigQuery запустил столбцы идентификации, чтобы расширить возможности клиентов в их работе с данными. Эта функция автоматически генерирует последовательные 64-битные целочисленные значения для уникальной идентификации в таблицах. Инженеры данных найдут в этом мощный встроенный механизм для более плавного и надежного приема данных. Передача генерации идентификаторов в BigQuery снижает сложность конвейеров данных, позволяя сосредоточиться на аналитике. Внедрение столбцов идентификации упрощает разработку и поддержку архитектуры данных. Это упрощает прием данных, устраняя необходимость в предварительно рассчитанных уникальных ключах в логике приложений или инструментах ETL. Также сокращается шаблонный код, что приводит к более чистому и удобному для обслуживания SQL. Столбцы идентификации легко интегрируются со стандартными операциями DML для автоматического назначения уникальных идентификаторов. Они гибки и адаптируются к существующим рабочим процессам с использованием операторов INSERT или MERGE. Настройка столбца идентификации проста, с опциями GENERATED ALWAYS AS IDENTITY или GENERATED BY DEFAULT AS IDENTITY. Эта функция подчеркивает приверженность BigQuery гибкой, высокопроизводительной и соответствующей стандартам платформе данных.
Раньше для прогнозной аналитики требовалось создание и обучение сложных пользовательских моделей. Этот традиционный подход включал ручное создание признаков, длительную настройку и специальные навыки, что часто приводило к недостаточному использованию прогнозных моделей. Google Research представила TabFM, предварительно обученную базовую модель для табличных данных, теперь доступную в BigQuery. TabFM использует обучение в контексте для мгновенного получения высокоточных прогнозов с помощью одного SQL-запроса, устраняя отдельные этапы обучения и развертывания. Эта система обеспечивает прогнозирование в режиме zero-shot, упрощая процесс для пользователей без обширного опыта в машинном обучении. Она также улучшает агентные приложения, предоставляя прогнозные возможности без необходимости управления инфраструктурой. TabFM демонстрирует передовую точность, превосходя традиционные модели на эталонных тестах. Опыт разработчика упрощается благодаря нативной интеграции с BigQuery и простой SQL-синтаксису. TabFM автоматически обрабатывает задачи создания признаков, а ее масштабируемость позволяет быстро обрабатывать миллионы строк. Пользователи могут использовать AI.PREDICT для мгновенных прогнозов и AI.EVALUATE для оценки производительности модели. В то время как TabFM превосходно подходит для быстрого получения аналитических данных и частого переобучения, традиционные модели остаются подходящими для очень больших наборов данных или когда важна объяснимость важности признаков. Эта интеграция делает прогнозное машинное обучение таким же простым, как выполнение стандартного SQL-запроса.
CdXz5zHNQW_Jw4703LKPH.png
VPC Service Controls имеют решающее значение для защиты облачных сред от утечки данных и других угроз. Google Cloud представил новые возможности интеллектуального анализа политик для упрощения управления и устранения неполадок VPC-SC. Эти новые инструменты включают анализатор нарушений и панель мониторинга нарушений. Лидер финансовых операций BlackLine использует VPC-SC для защиты конфиденциальных данных клиентов и снижения рисков. Анализатор нарушений помогает администраторам BlackLine адаптировать периметры безопасности, идентифицируя субъекты и ресурсы, участвующие в нарушениях API-запросов. Ранее для устранения этих нарушений требовались сложные запросы Cloud Logging, но новые инструменты предоставляют подробные отчеты напрямую. Панель мониторинга нарушений агрегирует все нарушения периметра службы в организации для выявления тенденций и фильтрации. Анализатор нарушений упрощает расследования, сопоставляя отказы с конкретными правилами без ручного анализа журналов. Эти инструменты упрощают весь жизненный цикл VPC-SC, от тестирования новых периметров до уточнения политик и эффективного устранения инцидентов. Используя эти достижения, организации могут тратить меньше времени на расследования и больше времени на безопасное масштабирование своих облачных инициатив.
CdXz5zHNQW_cgZ38KeQ0s.png
Mandiant отслеживает финансово мотивированного злоумышленника по имени BREEZE COMET, ранее известного как UNC5669, который с 2024 года активно компрометирует бразильские финансовые организации. Эта группа специализируется на манипуляции платежными системами и банковским программным обеспечением для проведения мошеннических переводов. BREEZE COMET использует индивидуальный набор вредоносных программ и использует скомпрометированные проверенные сайты для первичного доступа и управления и контроля. Их деятельность расширилась и включает использование генеративного ИИ для разработки вредоносных ПО, что потенциально повышает их операционную сложность. Группа нацеливается на организации с доступом к Национальной финансовой сети и требует учетные данные mTLS для аутентифицированных мошеннических транзакций. BREEZE COMET использует различные методы первичной компрометации, включая голосовой фишинг и эксплуатацию скомпрометированных государственных сайтов. Они также закрепляются, подключая незаконные аппаратные устройства напрямую к розничным сетям. Для расширения привилегий они используют разведывательные инструменты и кастомные вредоносные ПО, специально нацеливаясь на облачные и разработочные среды для поиска учетных данных и API-ключей. BREEZE COMET перемещается по сетям с использованием захваченных сервисных аккаунтов и специализированного маршрутизационного вредоносного ПО, такого как COBALTSPIN. Они поддерживают устойчивость через пользовательские бэкдоры, такие как LIGHTPAINT, MILDFROST, KICKPLATE и BOATBEAM, часто отключая защиту конечных точек, такие как Windows Defender. После компрометации финансовых приложений BREEZE COMET совершает массовые мошеннические транзакции и затем очищает журналы событий, чтобы скрыть следы. Их развивающиеся тактики представляют собой значительный сдвиг в киберпреступности в Латинской Америке, переходя от розничного мошенничества к прямым вторжениям в основную финансовую инфраструктуру. Использование ИИ BREEZE COMET демонстрирует его влияние на повышение возможностей, скорости и масштаба злоумышленников.
BigQuery Graph, теперь широко доступный, интегрирует нативную аналитику графов напрямую в хранилище данных, устраняя изолированные и операционные накладные расходы. Эта новая возможность позволяет пользователям выполнять сложные графовые запросы наряду с традиционным SQL с использованием стандарта ISO-стандарта GQL. Она использует петабайтную обработку BigQuery, существующие меры безопасности и интегрируется с функциями BigQuery ML и AI. Команды по обработке данных в различных отраслях, включая кибербезопасность, финансы, розничную торговлю и IT, внедряют BigQuery Graph. Сценарии применения включают обнаружение угроз и мошенничества, оптимизацию цепочки поставок, клиентскую 360, создание графов знаний и управление сетями. Недавние улучшения включают более быстрый и широкий графовый движок, обеспечивающий улучшенную скорость выполнения GQL и выразительность. Новая функция Graph Lakehouse без границ позволяет BigQuery Graph охватывать данные, находящиеся в родных таблицах BigQuery, и открывать таблицы Iceberg в разных облаках без перемещения данных. Это позволяет агентам перемещаться по виртуальным графам знаний, состоящим из данных из нескольких источников, например, агенту поддержки, запрашивающей информацию о клиентах и продуктах в Google Cloud и AWS. Разговорная аналитика позволяет взаимодействовать с графами на естественном языке, снижая неоднозначность и галлюцинации для AI-агентов. Кроме того, агенты теперь могут создавать графы, переводя наборы данных в узлы и ребра, с возможностью авторства и верификации. Функция контекстного графа предоставляет аудитируемую память для агентов ИИ, фиксируя их рассуждения и решения в виде запроса в BigQuery Graph. Это обеспечивает объяснимость и служит основой для улучшения будущих действий агентов.
CdXz5zHNQW_I0VMW99N2X.png
Google Cloud демократизирует оркестрацию конвейеров данных с помощью нового фреймворка Orchestration Pipelines, представленного на Google Cloud NEXT ’26. Этот фреймворк доступен через Data Agent Kit — бесплатную коллекцию инструментов для инжиниринга данных с открытым исходным кодом. Набор интегрируется в популярные IDE и CLI, предоставляя вкладку Data Engineering и агентный навык для Airflow DAG. Он позволяет специалистам по данным создавать, развертывать и устранять неполадки производственных Airflow DAG, используя естественный язык. Фреймворк упрощает MLOps, отделяя логику оркестрации от выполнения вычислений, используя декларативный YAML DSL. Это позволяет всем ролям в работе с данными обойти сложный Python-код Airflow. Практический пример демонстрирует построение MLOps-архитектуры для проактивного управления цепочками поставок. Эта архитектура прогнозирует время в пути, используя BigQuery, Managed Service for Apache Spark, Gemini Enterprise Agent Platform и dbt. Data Agent Kit генерирует PySpark-скрипты и декларативные YAML-конвейеры из запросов на естественном языке. Демонстрируются три различных конвейера: обучающий движок, ежедневный конвейер вывода и автоматизированный конвейер оценки и ветвления. Развертывание автоматизировано через CI/CD, при этом Data Agent Kit генерирует необходимые рабочие процессы. Для операционной деятельности на втором этапе набор предлагает мониторинг в реальном времени и агентное устранение неполадок в IDE. Он диагностирует сбои, определяет первопричины и предлагает исправления проблем непосредственно в коде. Orchestration Pipelines и Data Agent Kit значительно сокращают время и сложность создания и поддержки MLOps-архитектур.
CdXz5zHNQW_8zKoTuzMKr.jpeg
"Обзор облачных технологий для CISO за август 2026 года, с участием Криса Систрунка и Стефани Кил, посвящен критическим проблемам безопасности в водопроводно-канализационном секторе. Злоумышленники все чаще нацеливаются на критически важную инфраструктуру, особенно на подключенные к Интернету программируемые логические контроллеры водопроводных предприятий. Хотя ручное управление исторически служило подстраховкой, фундаментальная цифровая безопасность имеет первостепенное значение в эпоху ИИ. Для водопроводных и канализационных предприятий рекомендуется реагирование, основанное на информации об угрозах и управлении рисками. Ключевые действия включают инвентаризацию активов, внедрение базовой гигиены безопасности, поддержание надежных резервных копий и использование сегментации сети и многофакторной аутентификации. Планирование чрезвычайных ситуаций должно интегрировать реагирование на киберинциденты в существующие системы для всех видов опасностей, а доступ сторонних поставщиков должен быть строго обеспечен. Руководители ИТ и ОТ должны сотрудничать для создания единых систем управления, чтобы повысить устойчивость киберфизических систем. Подходы к безопасности с использованием ИИ имеют решающее значение для модернизации защиты и действуют как усилитель для небольших команд по безопасности. "Теория 99 операционных технологий (ОТ) Mandiant" подчеркивает, что большинство компрометаций происходит на рабочих станциях и серверах, предоставляя защитникам преимущество благодаря ИИ для защиты промежуточной инфраструктуры. Стратегическая интеграция инструментов ИИ с человеческим надзором может сместить баланс в сетевой безопасности в пользу защитников. Защита систем водоснабжения является императивом общественной безопасности, что приводит к усилению действий правительства и инициатив, таких как пилотная программа, запущенная Управлением национального директора по кибербезопасности и штатом Техас."
CdXz5zHNQW_9ZsfZee1Vw.jpeg
Pythian внедрила Google Cloud Gemini Enterprise внутри компании для изучения окупаемости инвестиций в корпоративный ИИ. Они обнаружили, что многие ИИ-инициативы терпят неудачу из-за подхода, ориентированного на инструменты, и сосредоточенности на незначительных повышениях эффективности. Pythian разработала Операционную модель ИИ для решения этих проблем. Эта модель интегрирует стратегию, исполнение и операции в непрерывный цикл.Фреймворк начинается со стратегии и управления от Field CTO для выявления случаев использования с высокой окупаемостью инвестиций. Далее, развертывание инструментов и платформ создает безопасную, контекстуализированную ИИ-основу. Двойной Центр передового опыта (COE) действует как исполнительный механизм, одна часть которого сосредоточена на производительности людей с помощью агентов без кода, а другая — на производительности процессов с помощью агентов, написанных на заказ.Наконец, XOps обеспечивает постоянную производительность ИИ в производственной среде, управляя дрейфом моделей и настройкой запросов. Эта комплексная модель выходит за рамки внедрения инструментов и предполагает структурную трансформацию рабочих процессов. Доказав эту модель внутри компании, Pythian добилась 80% сокращения времени разрешения инцидентов с базами данных и трехкратного увеличения вовлеченности пользователей. Успех модели также демонстрируется на примерах из практики клиентов в области операций с базами данных, управления знаниями, цепочек поставок и розничной торговли. Эффективное масштабирование ИИ требует этой комплексной операционной модели, а не просто экспериментов с инструментами.