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

BigQuery теперь предлагает ObjectRef и мультимодальную аналитику данных, превращая его в комплексную платформу данных для агентов. ObjectRef позволяет представлять неструктурированные данные из Cloud Storage в виде нативных столбцов в таблицах BigQuery. Эта интеграция обеспечивает прямой доступ к неструктурированным файлам наряду со структурированными данными для анализа в рамках одного SQL-запроса или запроса на естественном языке. Пользователи могут использовать бессерверные вычисления BigQuery и встроенные возможности вывода для создания сложных конвейеров данных без отдельной инфраструктуры. Извлеченные признаки и аннотации могут храниться вместе с исходными неструктурированными данными, сохраняя нюансы для более глубокого анализа. Такой подход устраняет накладные расходы на объединение данных и несоответствия баз данных, с которыми ранее сталкивались. ObjectRef поддерживает независимые жизненные циклы, архитектуру без копирования и унифицированное управление как структурированными, так и неструктурированными данными. Доказанные сценарии использования включают модерацию контента, обнаружение угроз, проверку соответствия запасов и анализ клиентского опыта. Новые функции общего доступа включают гибкую аутентификацию, поддержку унифицированных метаданных и поддержку массивов для сравнительной аналитики. Компании теперь могут консолидировать свою инфраструктуру и напрямую использовать ИИ для хранения данных для надежной мультимодальной аналитики.
CdXz5zHNQW_rd8H1uSuzS.png
ZenteiQ, стартап в области искусственного интеллекта из Индийского института науки, разрабатывает суверенные научные фундаментальные модели. Эти модели требуют понимания физики, уравнений и численных решателей, что отличает их от общих языковых моделей. ZenteiQ использует масштабный конвейер генерации синтетических данных для предварительного обучения этих моделей. Конвейер генерирует миллиарды токенов рассуждений, включающих сложные научные выводы и проверку решателей.Ранее ZenteiQ сталкивался с узкими местами маршрутизации в Kubernetes, что приводило к неравномерным очередям движков и избыточным вычислениям. Это значительно замедляло генерацию данных и задерживало предварительное обучение. Для решения этих проблем ZenteiQ внедрил GKE Inference Gateway от Google, работающий на базе llm-d. Это решение обеспечивает интеллектуальную маршрутизацию запросов на вывод, учитывающую нагрузку и кэш.GKE Inference Gateway отслеживает глубину очередей в реальном времени и использование KV-кэша на своих серверах. Он эффективно маршрутизирует запросы, предотвращая узкие места и повторно используя кэшированные префиксы запросов. Такая интеллектуальная маршрутизация значительно увеличила пропускную способность: ежедневный объем сгенерированных токенов вырос с 1,47 миллиарда до почти 6 миллиардов. Это также обеспечило предсказуемость их предварительного обучения. ZenteiQ планирует использовать эту конфигурацию для будущих этапов продвинутого обучения ИИ.
CdXz5zHNQW_6aNuYU90ce.png
Обнаружены две критические уязвимости PHP, CVE-2026-109618 и CVE-2026-109619, которые несут риск удаленного выполнения кода без аутентификации и раскрытия памяти. Эти уязвимости, имеющие оценку CVSS 9.2, затрагивают версии PHP от 5.4 до 8.5.11, согласно данным Wiz Research и PHP. Уязвимости связаны с проблемами обработки ошибок нехватки памяти и устаревшим внутренним состоянием запроса. Google Cloud рекомендует своим пользователям немедленно обновить свои PHP-приложения до версии 8.2 или новее и переразвернуть их. Предоставлены конкретные рекомендации для пользователей App Engine, Cloud Run и Google Kubernetes Engine. Хотя сам Google Cloud не уязвим, затронуты могут быть клиентские приложения, работающие на PHP на его платформе. Проект PHP выпустил исправления для новых версий, но старые, снятые с поддержки версии исправлены не будут. Google Cloud разворачивает автоматические исправления для некоторых бессерверных платформ. Пользователи с пользовательскими образами контейнеров должны пересобрать и переразвернуть их с исправленными версиями PHP. Инструменты мониторинга, такие как On-Demand Scanning AP и Security Command Center, могут помочь выявить и обнаружить уязвимые рабочие нагрузки. Обновление PHP имеет решающее значение для защиты приложений и поддержания целостности сервиса.
Google Public Sector расширяет свои партнерские инициативы для стимулирования сотрудничества и расширения возможностей выполнения задач для клиентов из государственного и образовательного секторов. Эти обновления сосредоточены на четырех ключевых областях для поддержки ценной партнерской сети. Новые стимулы будут вознаграждать партнеров за предпродажную техническую экспертизу и разработку решений. Программа успешного использования, управляемая партнерами, будет способствовать внедрению Gemini за счет целевых инвестиций.Google запускает академию инженеров, развернутых на местах, для обучения элитных инженеров в партнерских организациях. Усилия по ускорению предпродажной подготовки включают увеличение финансирования для клиентских семинаров и пилотных проектов, проводимых партнерами. В области послепродажного внедрения предусмотрены значительные инвестиции в размере 45 миллионов долларов США для финансирования профессиональных услуг партнеров по развертыванию Gemini в государственном секторе США.Для поддержки специализированных задач новый завод агентов ISV ускорит создание специализированных агентов для государственного сектора. Это дополняет ISV ATO Accelerator, предлагая существенное финансирование для аккредитации. Формируются стратегические альянсы, включая новый с SHI для привлечения их команд продаж и сотрудничество с Accenture Federal Services для Gemini Launchpads. Эти инициативы направлены на переход агентств от экспериментов к выполнению задач. В конечном итоге, эти усилия гарантируют, что клиенты государственного сектора получат необходимые им возможности для выполнения задач.
Google Cloud расширяет свои предложения в области искусственного интеллекта, интегрируя модели OpenAI в свой Model Garden. Этот шаг делает Google Cloud единственным гипермасштабируемым поставщиком с доступом ко всем трем основным проприетарным LLM, наряду с множеством других моделей. Платформа делает акцент на предоставлении клиентам гибкости в выборе подходящей модели для конкретных рабочих нагрузок, балансируя стоимость, возможности и производительность. Представляются новые модели OpenAI, такие как GPT-6 Astra, GPT-6.1 Sol и GPT-6 Luna, каждая из которых предназначена для различных сценариев использования и уровней эффективности. Эта интеграция позволяет клиентам динамически менять модели без привязки к архитектуре или отдельных контрактов с поставщиками. Активность пользователей будет консолидирована в одном счете Google Cloud, с использованием существующих облачных обязательств и гибких планов экономии. Безопасность и управление данными имеют первостепенное значение, а строгие периметры данных гарантируют, что данные клиентов никогда не будут использоваться для обучения моделей. Изолированные границы доступа и унифицированный аудит обеспечивают надежную безопасность и прозрачность для корпоративных рабочих нагрузок. Эти новые модели OpenAI в настоящее время находятся в закрытом предварительном просмотре для избранных корпоративных клиентов. Будущая интеграция с Gemini для бизнеса и Google Antigravity еще больше расширит выбор и эффективность для разработчиков и предприятий.
Предприятия переходят к сложным агентным ИИ-рабочим процессам, требующим инфраструктуры, обеспечивающей как высокую производительность, так и необходимую гибкость. Эта новая эра требует возможности запускать разнообразные модели для конкретных задач и сохранять суверенитет данных и операций. Google Cloud в сотрудничестве с NVIDIA представляет усовершенствования для решения этих задач. Новые экземпляры A5X, работающие на платформе NVIDIA Vera Rubin, обеспечивают ускоренные вычисления и расширенную глобальную доступность. Virgo Network улучшает возможности масштабирования, позволяя создавать массивные кластеры GPU на разных площадках. Решения для хранения данных теперь включают Managed Lustre с NVIDIA GPUDirect Storage для прямого доступа GPU к данным. Усовершенствованное KV-кэширование на экземплярах A5X улучшает память с большим контекстом для агентных рабочих процессов. Google Kubernetes Engine (GKE) будет оркестрировать эти экземпляры A5X, упрощая распределенные операции ИИ. Поддержка открытых моделей, таких как Gemma и Mistral, расширяется в портфеле Google Cloud Sovereign Cloud. Модели NVIDIA Nemotron и симуляции Cosmos интегрируются с Gemini для настройки и генерации виртуальных миров. Возможности Sovereign AI расширяются на локальные среды через Google Distributed Cloud. Это включает GPU NVIDIA Blackwell Ultra и модели Gemini Flash для развертываний в изолированных средах. Конфиденциальные вычисления в публичном облаке улучшены с помощью экземпляров Confidential G4 и опций Confidential Bare Metal. Эти инновации направлены на защиту конфиденциальной интеллектуальной собственности и пользовательских данных с помощью аппаратного обеспечения безопасности. Совместно разработанный Google Cloud AI Hypercomputer с полнофункциональной платформой NVIDIA предлагает единую основу для масштабирования ИИ.
Google Cloud запустила экземпляры Confidential G4, что является значительным шагом вперед в обеспечении безопасности рабочих нагрузок искусственного интеллекта. Эти экземпляры, оснащенные графическими процессорами NVIDIA RTX PRO 6000 Blackwell Server edition, предлагают возможности конфиденциальных вычислений. Это означает, что конфиденциальные данные и интеллектуальная собственность, обрабатываемые автономными агентами, защищены в режиме реального времени. Технология интегрирует NVIDIA Confidential Computing в AI Hypercomputer Google Cloud, обеспечивая конфиденциальность во время вычислений без ущерба для производительности. Экземпляры Confidential G4 теперь общедоступны во многих зонах, поддерживая различные модели потребления на виртуальных машинах Compute Engine и узлах GKE. Поддержка Confidential Space, обеспечивающая безопасный обмен данными между несколькими сторонами, также скоро будет развернута. Экземпляры Confidential G4 используют аппаратные функции безопасности, такие как неэкспортируемые ключи, удаленная аттестация и шифрование памяти. Это позволяет организациям соответствовать строгим нормативным требованиям и поддерживать экономическую эффективность. Решение обеспечивает сквозную конфиденциальность, изолируя данные и параметры модели от администраторов хоста и поставщиков облачных услуг. Проверяемое криптографическое доверие устанавливается посредством удаленной аттестации, основанной на аппаратном обеспечении, обеспечивая целостность перед началом конфиденциальных операций. Важно отметить, что для развертывания не требуется переработка кода, что упрощает процесс внедрения. Тестирование производительности показывает, что экземпляры Confidential G4 обеспечивают пропускную способность, сопоставимую со стандартными экземплярами G4, с минимальным снижением производительности. Этот прогресс позволяет предприятиям безопасно масштабировать развертывания ИИ, сохраняя контроль, конфиденциальность и подотчетность над своими ценными активами ИИ.
Google Cloud теперь предлагает Claude Opus 5.5 и Claude Sonnet 5.5 через Antigravity, предоставляя разработчикам больше возможностей выбора моделей. Claude Opus 5.5 отлично справляется со сложными задачами, в то время как Sonnet 5.5 предлагает скорость и экономичность. Администраторы могут включить эти модели наряду с моделями Gemini от Google в рамках Antigravity. Затем разработчики смогут выбирать предпочитаемые модели непосредственно из селектора моделей в различных инструментах Antigravity. Эта интеграция обеспечивает единую среду выставления счетов и безопасности для выбора моделей. Платформа поддерживает паттерны мультимодельного инжиниринга для повышения качества кода и управления затратами. Один из паттернов включает использование разных моделей для реализации и валидации, чтобы предотвратить предвзятость, специфичную для конкретной модели. Разработчики могут назначить Claude Opus 5.5 или Gemini 4 Argon для реализации и другую модель для валидации. Другой паттерн сочетает мощные модели рассуждений с более быстрыми "Flash" субагентами для повышения эффективности. Субагенты могут быть настроены для использования конкретных уровней моделей, таких как Gemini Flash, для задач с большим объемом. Это позволяет оптимизировать рабочие процессы, делегируя задачи специализированным моделям. Администраторы могут настраивать биллинг и авторизовать партнерские модели для своих организаций. Разработчикам следует обновить свои инструменты Antigravity, чтобы получить доступ к этим новым возможностям моделей.
Сегодня отмечается выпуск llm-d 1.0 — открытого, нативного для Kubernetes стека для распределенного инференса LLM, разработанного сообществом, включающим Google, Red Hat и IBM. Этот проект объединяет сообщества PyTorch и Kubernetes для удовлетворения растущих потребностей в инференсе. Современные рабочие нагрузки на основе агентов, в отличие от простых чат-взаимодействий, включают многоэтапные процессы, использование инструментов и всплески трафика. Обслуживание их на отдельных машинах или с помощью базовых балансировщиков нагрузки оказывается неэффективным, что приводит к дублированию вычислений и зависанию интерактивных пользователей. llm-d превращает кластеры в скоординированные пулы обслуживания, что продемонстрировано на примере 1000 агентов на одном конечной точке. Ключевые особенности включают маршрутизацию с учетом кэша и многоуровневый KV-кэш для поддержания контекста агента, а также управление потоком для приоритезации интерактивных запросов во время всплесков трафика. Версия 1.0 предлагает многопользовательское качество обслуживания благодаря управлению потоком с учетом приоритетов и стабильную основу с защищенными API. Она также обеспечивает более безопасные обновления с высокой доступностью и обновлениями без простоя, а также возможности обслуживания с учетом агентов для повторного использования контекста. Расширенная интеграция TPU обеспечивает нативное обслуживание моделей PyTorch с временным разделением TorchTPU для повышения пропускной способности и утилизации. Компоненты llm-d являются составными, позволяя пользователям использовать только необходимые элементы обслуживания. Этот стек объединяет примитивы Kubernetes, движки обслуживания PyTorch и планирование с учетом ускорителей для гибкой производственной среды.
CdXz5zHNQW_U6mQXXQiGC.png
На конференции PyTorch 2026 были представлены новые продукты и интеграции для запуска PyTorch в Google Cloud и других инфраструктурах. TorchTPU, нативный стек PyTorch для Google TPU, теперь с открытым исходным кодом на GitHub. Это обеспечивает бесшовное обучение, обслуживание и развертывание моделей на TPU с использованием привычных инструментов, таких как vLLM, SGLang и Hugging Face. Интеграция предоставляет пользователям выбор вычислительных опций, включая TPU, GPU и CPU, с единой операционной моделью. TorchTPU позволяет запускать существующие рабочие нагрузки PyTorch на TPU с минимальными изменениями кода и привычными API. Он поддерживает отладку в режиме eager и оптимизирует использование TPU и памяти с помощью torch.compile. Модели Hugging Face теперь работают нативно на TorchTPU, упрощая развертывание с помощью device_map="tpu". Оптимизация инференса достигается за счет интеграции TorchTPU с сервинговыми движками и маршрутизацией трафика между TPU и GPU. vLLM обеспечивает высокопроизводительное обслуживание и эффективность использования памяти на TPU благодаря таким функциям, как непрерывная пакетная обработка и квантование. SGLang ускоряет агентные и структурированные рабочие нагрузки на TPU, повторно используя KV-кэш между запросами. llm-d 1.0, проект CNCF Sandbox, связывает сервинговые движки PyTorch с Kubernetes для распределенного инференса LLM. TorchTitan предлагает нативное для PyTorch распределенное высокопроизводительное обучение в масштабе, протестированное на тысячах TPU. VeRL, популярный фреймворк RL, теперь включает бэкенд TPU для масштабируемых рабочих нагрузок пост-обучения и обучения с подкреплением. Ray добавил нативную поддержку TorchTPU, позволяя оркестрировать конвейеры ИИ на различных ускорителях в рамках одного рабочего процесса. LiteRT, решение Google для инференса ИИ на устройствах, теперь входит в экосистему PyTorch, позволяя моделям PyTorch работать на различных устройствах. Набор агентов TPU также находится на ранней стадии предварительного просмотра на GitHub для автоматизации онбординга, диагностики и настройки производительности моделей PyTorch на TPU.
CdXz5zHNQW_YCinlopqHk.jpeg
Google проводит саммит для обсуждения того, как государственные учреждения могут достигать амбициозных целей с помощью технологий. Руководители государственных учреждений сталкиваются с растущими требованиями к скорости и эффективности в условиях сложности и ограниченных ресурсов. Хотя многие ведомства внедрили ИИ-агентов, повсеместному внедрению препятствуют устаревшие разрозненные данные и проблемы интеграции. Google стремится упростить эти процессы с помощью безопасных, масштабируемых технологий.Компания представляет Gemini, универсального помощника для различных рабочих задач, который интегрируется с существующими системами и соответствует организационным мерам безопасности. Gemini для государственных служб — это новая платформа, разработанная с учетом требований безопасности и рабочих процессов государственного сектора, обеспечивающая безопасное подключение к существующим системам без миграции данных. Агенты Wiz теперь доступны в Wiz for Gov, сертифицированной FedRAMP среде, для ускорения устранения уязвимостей по критически важным приоритетам, таким как постквантовая криптография. Wiz также предлагает бесплатные оценки безопасности в рамках своей программы Scan for Good.Возможности корпоративного поиска интегрируются в Gemini на Google Distributed Cloud для изолированных сред, позволяя анализировать конфиденциальные данные без компрометации через интернет. Партнерства с такими организациями, как America.gov, SUNY, Министерство энергетики, Армия США и Министерство обороны, демонстрируют, как технологии Google способствуют достижению целей. Эти сотрудничества направлены на упрощение доступа к федеральным услугам, продвижение исследований, укрепление национальной безопасности и улучшение логистики. Университет Кейс Вестерн Резерв использует Gemini для улучшения обучения и исследований. Google подчеркивает свою роль партнера в достижении целей в эпоху агентов, призывая государственные структуры совместно создавать и добиваться результатов.
Агентные системы становятся все более ценными для предприятий, но организации со строгими требованиями к суверенитету данных сталкиваются с трудностями при их развертывании. Отправка конфиденциальных данных в общедоступные облака часто невозможна, а создание частных стеков ИИ занимает много времени. Инновации Google Distributed Cloud (GDC) с воздушным зазором теперь решают эту проблему, позволяя развертывать системы непосредственно там, где находятся конфиденциальные данные. Ключевые достижения включают корпоративный поиск на базе Gemini, поддержку моделей с открытым весом, готовые приложения ISV и ускоренную инфраструктуру. GDC стремится трансформировать изолированную инфраструктуру в современную платформу для агентных инноваций с гибкостью, основанной на фундаментальных и открытых моделях. Корпоративный поиск Gemini на GDC предлагает диалоговый интерфейс для запросов к огромным хранилищам данных в пределах суверенных периметров. Он поддерживает мультимодальные данные, такие как текст, аудио и видео, с низколатентным выводом и встроенной генерацией с дополненным поиском. GDC с воздушным зазором, теперь общедоступный, поддерживает Gemini 3.5 Flash и ведущие открытые модели, такие как Gemma и Mistral, предлагая выбор рабочих нагрузок. Платформа включает новый, усовершенствованный стек Infrastructure-as-a-Service для одновременного запуска рабочих нагрузок ИИ и традиционных. Это включает в себя машины типа A4 Ultra с графическими процессорами NVIDIA Blackwell для высокопроизводительной агентной инфраструктуры и отказоустойчивые, управляемые сетевые решения. Расширяющаяся экосистема партнеров ISV предлагает знакомое программное обеспечение, такое как Teradata, Solo.io и Mattermost, для нативной работы на GDC. Эти интеграции позволяют организациям использовать ИИ, не нарушая конфиденциальность данных и не отказываясь от привычных инструментов, превращая конфиденциальные данные в действенные идеи в рамках соответствующих требованиям, безопасных и контролируемых сред с воздушным зазором.
CdXz5zHNQW_WoYmLn2p8a.png
Google запустила Gemini для государственных служб — ИИ-агента, разработанного для организаций государственного сектора. Этот универсальный агент выполняет интеллектуальную работу, отвечает на вопросы, создает медиа и запускает код на основе поставленных задач. Он подключается к существующим системам агентств без миграции данных и соответствует строгим требованиям организации по безопасности и соответствию. Правительственная версия включает специализированные навыки для государственной службы, такие как исследование политики и поиск информации по Закону о свободе информации (FOIA), а также интегрируется с такими системами, как Oracle и Microsoft 365. Готовые партнерские агенты и системные интеграторы доступны для настройки и развертывания. Gemini для государственных служб работает на Google Cloud, обеспечивая конфиденциальность данных и их размещение на территории США. Цель — автоматизировать рутинные задачи, освобождая государственных служащих для более важной работы. Предварительная версия является частью более широкой стратегии Google по адаптации Gemini для конкретных отраслей. Эта инициатива направлена на ускорение сложных государственных операций и улучшение обслуживания граждан.
Организации, работающие с конфиденциальными данными, такими как секретные отчёты, требуют безопасных решений для анализа данных. Возможности поиска в публичном облаке часто ограничены из-за требований суверенитета данных, запрещающих покидать данные. Раньше для этого требовалась сложная и трудоёмкая разработка индивидуальной инфраструктуры для разъединённых сред. Теперь Google Distributed Cloud (GDC) air-gap предлагает корпоративный поиск с Gemini для решения этих проблем. Этот полностью управляемый поиск генерации работает полностью в пределах защищённого физического периметра, отключённого от интернета. Пользователи могут загружать файлы и просить Gemini искать, суммировать, сравнивать или переводить информацию с использованием цитируемых источников и постоянных разговоров. Это позволяет искать данные между силосами и открывать инсайты из различных форматов, включая аудио, видео и изображения, без отдельных этапов транскрипции. Система интегрируется с существующими провайдерами идентификации для доступа для тех, кто нужно знать, обеспечивая конфиденциальность. Данные шифруются в состоянии покоя и в ходе передачи, а системы безопасности соответствуют государственным стандартам. Локальный движок выполнения кода Gemini безопасно обрабатывает аналитические запросы из структурированных данных. Это решение обеспечивает передовой мультимодальный интеллект в суверенные дата-центры без ущерба безопасности.
CdXz5zHNQW_YS197tO5bU.png
Корпоративные ассистенты в основном используют текст, что неэффективно для визуальных, многоэтапных задач, требующих частых корректировок. MCP Apps, расширение протокола Model Context Protocol, решает эту проблему, объединяя инструменты с живыми пользовательскими интерфейсами, отображаемыми непосредственно в потоке чата Gemini Enterprise. Эти интерактивные пользовательские интерфейсы, встроенные в изолированные iframe, могут разворачиваться на полный экран или в боковую панель. Изменения обрабатываются локально, поддерживая синхронизацию между рабочей областью и ассистентом. Такой подход устраняет необходимость перестройки основной инфраструктуры, используя Gemini Enterprise для аутентификации, доступа к данным и ассистента по умолчанию. Пользователи размещают свой сервер MCP на частном сервисе Cloud Run. На протяжении поколений корпоративные ассистенты эволюционировали от статических текстовых чат-ботов до тех, которые вызывают живые API, а теперь до интерактивных MCP Apps с живыми рабочими областями. MCP Apps предлагают отзывчивый пользовательский интерфейс, специально разработанные рабочие процессы, корпоративную безопасность, управление с участием человека и широкие возможности подключения. Архитектура включает три разделенных уровня: клиентский браузер, Gemini Enterprise и частный проект Google Cloud пользователя. Безопасность обеспечивается двумя уровнями аутентификации: Cloud Run IAM и внутриприложением OAuth. Создание MCP App включает в себя создание сервера и HTML-виджета, развертывание в Cloud Run и регистрацию в Gemini Enterprise. После регистрации инструменты MCP импортируются как действия, которые могут быть включены и подключены к приложениям Gemini Enterprise для бесшовной интеграции.
CdXz5zHNQW_eem4fhIiKn.png
Распространенное заблуждение в сфере технологий заключается в том, что ИИ предлагает объективные оценки, но большие языковые модели (БЯМ), как и люди, субъективны. Судьи на основе БЯМ демонстрируют ряд предвзятостей, включая предвзятость к многословию, позиционную предвзятость и эффект ореола, когда четкое форматирование может ввести их в заблуждение. Они также проявляют предвзятость к согласию, не обнаруживая ошибок, и предвзятость к самосовершенствованию, отдавая предпочтение собственным результатам. Следовательно, судьи на основе БЯМ не являются объективными, и обращение с ними как с непогрешимыми рискует привести к компрометации работы. Для повышения качества судей на основе БЯМ предлагается метод, основанный на трех столпах. Первый столп — измерение внутренней стабильности путем проверки согласованности при многократных проходах для идентичных входных данных. Второй столп включает проверку соответствия человека с использованием метрик с коррекцией случайности, чтобы гарантировать, что они выявляют реальные ошибки, а не просто соглашаются с мягкими оценками. Третий столп выступает за использование ансамблей из нескольких судей, применение декомпозированного промптинга для специализированной оценки и одновременный запуск нескольких моделей для отслеживания производительности и выявления расхождений. Партнерство с Delta может помочь во внедрении статистически проверенных конвейеров оценки.
BigQuery теперь поддерживает логирование пользовательских функций Python (UDF), позволяя разработчикам отправлять структурированные логи непосредственно в Cloud Logging, используя стандартную библиотеку логирования Python. Эта новая функция облегчает оперативный мониторинг и отладку без внешних плагинов, что особенно полезно при построении отказоустойчивых конвейеров данных. Рабочий процесс включает встроенную валидацию в рамках пользовательской функции Python, оповещения в реальном времени через Cloud Monitoring на основе метрик, основанных на логах, и SQL-триаж/повторное выполнение изолированных данных.Практический пример демонстрирует конвейер приема событий электронной коммерции. Универсальная пользовательская функция Python анализирует JSON, регистрирует диагностическую информацию для недопустимых записей и возвращает NULL, чтобы предотвратить сбой запроса. Логирование включается с помощью SET @@udf.properties в сессии BigQuery.Оповещения в реальном времени могут быть настроены в Cloud Logging с использованием специального фильтра логов для ошибок пользовательских функций. Для криминалистического анализа BigQuery Log Analytics через связанное представление _AllLogs позволяет инженерам данных запрашивать изолированные полезные нагрузки непосредственно с помощью SQL. Поскольку исходные полезные нагрузки сохраняются, проблемные записи могут быть восстановлены и повторно загружены в производственную таблицу, гарантируя отсутствие потери данных.Помимо валидации данных, эта функция логирования поддерживает такие сценарии использования, как теневое выполнение для безопасных миграций, аудит маскирования PII и обнаружение дрейфа результатов машинного обучения. Рекомендации включают включение отладочного вывода, избегание конфиденциальных данных в логах и управление затратами на логирование путем выборочного логирования. Эта интеграция упрощает отладку и повышает отказоустойчивость конвейеров данных в BigQuery.
CdXz5zHNQW_vlOyaZLNoM.jpeg
Автомобильная промышленность стремительно переходит к программно-определяемым автомобилям, перенося основные функции с физического оборудования на цифровые системы. В то время как информационно-развлекательные системы и системы высокопроизводительных вычислений часто разрабатываются с использованием облачных методов, многие критически важные микросхемы и модули управления остаются жестко запрограммированными. Это создает значительное узкое место, затрудняя обновления и расширение после производства и перенося дорогостоящее устранение дефектов на конец циклов разработки.Google, благодаря партнерству с RemotiveLabs и ее платформе Horizon, стремится устранить эти неэффективности. Android Automotive OS (AAOS) уже использует виртуальные среды тестирования, такие как Cuttlefish, на экземплярах Google Cloud на базе Arm для бесшовной разработки программного обеспечения для кабины. RemotiveTopology расширяет эту виртуальную модель на всю электрическую и электронную (E/E) архитектуру автомобиля.Преобразуя автомобильные сети в "автомобиль как код", RemotiveTopology создает полную, смоделированную E/E архитектуру, которая связывает AAOS с другими системами автомобиля. Это позволяет разработчикам по запросу запускать полный виртуальный автомобиль, обеспечивая непрерывную видимость сигналов и междоменных взаимодействий. Система, построенная на стандартных инструментах Linux, работает на различных платформах, от ноутбуков до Google Cloud.Этот подход способствует ранней, а не поздней интеграции всех бортовых систем в виртуальной среде до использования физического оборудования. Критические, междоменные взаимодействия, такие как появление событий ADAS на информационно-развлекательном дисплее, могут непрерывно тестироваться с самого начала. Эта ранняя интеграция значительно снижает вероятность и стоимость обнаружения дефектов на более поздних этапах процесса разработки.Конечная цель — обеспечить масштабируемую разработку программного обеспечения даже для самых мелких компонентов автомобиля, преодолевая разрыв до полностью программно-определяемых автомобилей. Инфраструктура Google Cloud на базе Arm, включая экземпляры bare-metal C4A от Axion, обеспечивает соответствие между программным обеспечением, разработанным в облаке, и фактическими модулями управления автомобилем. Эта целостная система впервые позволяет осуществлять разработку и интеграционное тестирование всей системы автомобиля в облаке, напрямую переносимое на физические автомобили.Преимущества существенны, включая более чем 10-кратное ускорение циклов интеграции, согласно данным ранних взаимодействий с клиентами. Виртуальные системы имеют решающее значение для поддержания темпа с рабочими процессами, управляемыми ИИ, которые быстро генерируют, тестируют и совершенствуют программное обеспечение автомобиля. RemotiveTopology делает эту архитектуру доступной, предлагая на GitHub упрощенный автомобиль с открытым исходным кодом для немедленного использования без новых сторонних инструментов.Производители могут использовать существующие инструментарии и легко интегрировать RemotiveTopology в среды Google Cloud на базе Arm. Для тех, кто в настоящее время ограничивает виртуальную разработку кабиной, пришло время расширить ее на весь автомобиль в облаке с помощью этого инновационного подхода.
Организации сталкиваются со значительными трудностями при внедрении ИИ-агентов в свой бизнес, отдавая приоритет качеству, интеграции, безопасности и управлению над сырой интеллектуальностью моделей. Gemini от Google представлен как фундаментальная платформа, разработанная для преодоления этих препятствий при внедрении. Он позволяет агентам работать в привычных пользовательских средах, таких как Google Workspace и Microsoft 365, сохраняя единую память и разрешения. Gemini также выступает за радикальную открытость, предлагая выбор из более чем 200 моделей и прямую интеграцию с корпоративными источниками данных, такими как Salesforce и SAP. Платформа использует интеллектуальную экономику токенов, оптимизируя затраты путем выбора подходящей модели для каждой задачи и позволяя использовать повторно навыки. Такой подход повышает эффективность и сокращает избыточную обработку. Кроме того, Gemini включает встроенные функции управления и безопасности, такие как выделенные идентификаторы агентов, изолированные песочницы и автоматическое применение политик. Эти меры защиты оберегают конфиденциальные данные и инфраструктуру. Платформа призвана обеспечить надежную и открытую среду для разработчиков, укрепляя уверенность в развертывании ИИ. Лидерство Google в первом IDC MarketScape для платформ агентивного ИИ подчеркивает возможности Gemini в удовлетворении корпоративных потребностей в области ИИ. Дизайн Gemini ориентирован на предоставление командам свободы выбора и надежной безопасности для интеграции ИИ.
CdXz5zHNQW_tDy32XzBIv.png
Reflection выпустила Beam, модель с открытым весом, разработанную для продвинутой разработки программного обеспечения и задач агентов с длительным горизонтом. Beam работает под лицензией Apache 2.0 и демонстрирует впечатляющую эффективность инференса для моделей своего класса параметров. Google Cloud объявил о немедленной поддержке Beam, предоставив рецепты развертывания на своем AI Hypercomputer и NVIDIA AI Infrastructure. Совместно с Reflection, Google Cloud оптимизировал производительность Beam, используя llm-d и NVIDIA Dynamo для улучшения обслуживания. Развертывание Beam на Google Cloud привело к значительному повышению производительности и снижению задержки для рабочих нагрузок агентов. Релиз подчеркивает совокупную эффективность модели и системы, что приводит к увеличению пропускной способности и снижению задержки для агентов. Высокоэффективное многооборотное обслуживание достигается за счет передовых методов, таких как маршрутизация с учетом KV-кэша и спекулятивное декодирование. Разработчики теперь могут легко воспользоваться готовыми оптимизированными развертываниями для рабочих нагрузок агентов. Масштабирование инференса для задач агентов требует оптимизации как на уровне модели, так и на уровне системы обслуживания. Уникальная архитектура Beam, активирующая лишь часть своих параметров на токен, значительно снижает вычислительные требования. Стек обслуживания решает проблемы, такие как вычисления при предварительном заполнении и емкость KV-кэша в сценариях с длинным контекстом. Это совместно разработанное решение призвано предоставить разработчикам мощные и эффективные инструменты ИИ.
CdXz5zHNQW_Vmt2Gjgcaf.png
Эпоха ИИ ускоряет угрозы безопасности, делая традиционные сканирования недостаточными для активных атак. Wiz представляет дополнение Runtime Sensor для Google Kubernetes Engine (GKE) в предварительной версии. Эта интеграция обеспечивает простое развертывание и автоматизированное управление для обнаружения угроз в реальном времени с помощью eBPF от Wiz. Она решает распространенные проблемы развертывания, такие как сложные установки и риски безопасности учетных данных. Wiz Runtime Sensor для GKE теперь является собственным управляемым дополнением, упрощающим управление жизненным циклом датчика. Он беспрепятственно интегрируется с Secret Manager GKE для безопасной обработки учетных данных. Операторы платформы могут включить датчик с помощью gcloud CLI или GKE API для упрощенного развертывания. Управление всем парком осуществляется посредством ограничений политики организации, предотвращая использование кластеров без датчика. Датчик обеспечивает наблюдаемость на уровне ядра с минимальными накладными расходами, отслеживая системные вызовы и сетевую активность. Он также автоматически обновляется независимо, обеспечивая непрерывную защиту от возникающих угроз. Эта интеграция с платформой Wiz AI Application Protection Platform предлагает оценку рисков и обнаружение угроз в реальном времени.
CdXz5zHNQW_WGMhfwSYQ0.jpeg
Настоящая проблема при создании агентов заключается не в их сборке, а в измерении. Инженерия оценки имеет решающее значение для создания надежных систем ИИ путем внедрения систематических, повторяемых тестов. Разработка плагина Google Cloud Developer дала практическое понимание этих принципов оценки.Один из ключевых уроков заключается в оценке шагов выполнения, а не только окончательного резюме. Оценка необработанной траектории вызовов инструментов, проверка выполненных, подтвержденных и ограниченных команд, является более точной, чем полагаться на оценку LLM-судьей текстового ответа агента. Другой урок подчеркивает важность разработки оценок для асинхронных операций. Сохранение структуры поворотов в телеметрии жизненно важно для понимания одновременного распределения инструментов и избежания проблем, когда руководство обрабатывается после выполнения действий.Также важно тестировать "живые" запуски и "сухие" запуски бок о бок. "Живые" запуски проверяют фактическое выполнение и безопасность, в то время как запуски только по плану раскрывают рассуждения модели без ошибок разрешений. Разница между этими двумя может выявить значительные когнитивные недостатки. Наконец, рекомендуется использовать "золотые наборы" в качестве долговечных базовых линий. Эти наборы представляют собой идеальные пути, подобранные экспертами, и служат защитной сеткой от эволюции модели и инструментария.Эти наборы оценок необходимы для корпоративных агентов, которые обрабатывают многошаговые взаимодействия и разрешения. Создание и выпуск надежного агента требует больше усилий в оценках для обеспечения ожидаемого поведения. Долговечность протестированного набора оценок в конечном итоге превосходит сменяемость моделей.
CdXz5zHNQW_EljdokhaYM.png
Google Cloud Consulting предлагает четырехэтапный метод под названием SAVE для создания надежных и соответствующих бренду генеративных медиа. Этот подход выходит за рамки сложного промптинга, обеспечивая последовательные результаты. Первый этап, Separate (Разделение), включает разделение промпта на отдельные роли исследователя и рассказчика. Исследователь извлекает проверенные факты из исходных документов, в то время как рассказчик фокусируется на творческом выражении, используя эту отобранную информацию. Второй этап, Approving verified facts only (Утверждение только проверенных фактов), означает, что генеративная модель никогда не должна получать доступ к необработанным, неотредактированным файлам. Вместо этого она должна получать только утвержденные утверждения и контекстную упаковку с явными ограничениями. Третий этап, Verifying before rendering (Проверка перед рендерингом), подчеркивает необходимость проверки сценариев и раскадровок перед генерацией медиа. Это позволяет легко редактировать текстовый контент, чтобы рано выявлять ошибки, экономя время и ресурсы. Финальный этап, Engineer (Инженерия), включает создание программных защитных механизмов и независимых предохранительных клапанов в системе. Это обеспечивает соблюдение таких правил, как количество слов и соответствие бренду, детерминированно, а не полагаясь исключительно на послушание промпту. Внедряя SAVE, организации могут снизить риск вымышленных деталей и обеспечить точность своих генеративных медиа. Этот метод возлагает ответственность за точность на архитектуру системы. Применение SAVE помогает выстроить доверие к генеративным медиа с использованием инструментов Google Cloud.
Современные ИИ-агенты функционируют как простые диспетчеры, быстро обрабатывая запросы и вызовы API. Однако задачи биотехнологии, такие как сворачивание белков и скрининг соединений, представляют собой сложные, продолжительные симуляции, в отличие от быстрых запросов к API. Стандартные парадигмы ИИ не справляются с этими требовательными рабочими процессами из-за временных ограничений и рисков раскрытия интеллектуальной собственности. Создание ИИ-агентов для НИОКР корпоративного уровня требует нового подхода, выходящего за рамки монолитных ассистентов. Это включает трехслойную архитектуру, разделяющую когнитивную оркестрацию, вычислительное выполнение и корпоративное управление.Слой выполнения обрабатывает сложные научные вычисления, при этом рабочие нагрузки выполняются на выделенных GPU или управляемых облачных конечных точках. Для смягчения штрафов за холодный старт GPU поддержание "теплых" пулов и предварительная загрузка весов имеют решающее значение для отзывчивости. Контейнеризованные микросервисы NVIDIA Inference Microservices (NIM) обеспечивают быстрое прототипирование при сохранении строгой изоляции данных для проприетарной химической информации. Когнитивный слой оркестрирует агентные рабочие процессы, используя иерархическую многоагентную структуру.Ключевые шаблоны оркестрации включают внутрипроцессные нативные передачи агентов для скорости и передачу объемных полезных нагрузок по ссылке через облачное хранилище для сохранения компактности контекстных окон. Логика рабочего процесса отделена от биохимических рассуждений, назначая планирование общим LLM, а доменную экспертизу — специализированным моделям. Оценка включает контекстно-ориентированную оценку, а не жесткие ограничения, что позволяет динамически управлять допустимым риском при оценке кандидатов в лекарства.Лучшие практики производительности подчеркивают оптимизацию ввода-вывода и размеров полезных нагрузок, а не скорость обработки необработанных токенов. Согласование параллелизма на стороне клиента с механизмами бэкенда и избегание глубоких цепочек инструментов также жизненно важны. Передача объемных полезных нагрузок по ссылке и потоковая передача завершения промежуточных этапов улучшают видимость и эффективность. Оборачивание сквозных конвейеров за единым, чистым интерфейсом упрощает вычисления.Платформа Gemini обеспечивает корпоративное управление с идентификацией агентов, шлюзом агентов для безопасного входа/выхода и реестром агентов для утвержденных инструментов. Model Armor проверяет запросы и полезные нагрузки на безопасность. Асимметричная автономия уравновешивает обратимые автоматизированные операции с контролируемыми необратимыми операциями, требующими одобрения человека. Эта разделенная архитектура обеспечивает масштабируемые, безопасные и аудируемые исследовательские системы для будущих сложных симуляций.
Стартапы, занимающиеся генеративным ИИ, теперь разрабатывают интерактивные миры в реальном времени, а не просто статичные клипы. Visko сотрудничал с инженерами Google Cloud TPU для развертывания своей модели живого мира Orbis на Cloud TPU всего за 30 дней. Обслуживание модели живого мира представляет собой уникальную задачу по соблюдению строгого графика реального времени, в отличие от офлайн-генерации видео. Каждый фрагмент видео и аудио должен быть отрисован до того, как закончится предыдущий, чтобы избежать зависания мира. Orbis от Visko транслирует живое видео по одному запросу и позволяет зрителям динамически управлять сценой в реальном времени. Команды успешно развернули сквозной конвейер инференса Visko, включая генерацию видео, масштабирование и аудио, на одном срезе Cloud TPU. Они достигли сквозной генерации со скоростью воспроизведения 1,07x благодаря архитектурным оптимизациям и точному инжинирингу. Этот технический обзор исследует оптимизации и практические уроки для стартапов, создающих генеративный ИИ с ультранизкой задержкой на Google Cloud. Модели живого мира принципиально отличаются от стандартного пакетного инференса из-за размера пакета в единицу и строгих последовательных зависимостей. Конвейер Visko объединяет три генеративные модели на одном срезе Cloud TPU, разделяя оборудование для каждого фрагмента.
CdXz5zHNQW_qZss1VvSMS.png
Платформа выполнения Temporal, имеющая решающее значение для распределенных систем и ИИ-агентов, сталкивается с проблемами при развертывании и масштабировании рабочих. Традиционные методы часто включают управление Kubernetes или виртуальными машинами, что приводит к постоянным затратам и задержкам в масштабировании. Temporal Cloud теперь предлагает бессерверные рабочие на Cloud Run, решая эти проблемы. Эти рабочие развертываются как "пул рабочих", который Temporal автоматически масштабирует, даже до нуля, когда они неактивны. Это устраняет необходимость управления кластерами или автоскейлерами, сохраняя код рабочих без изменений.Пулы рабочих Cloud Run предназначены для непрерывных фоновых задач, что соответствует принципу работы рабочих Temporal. Temporal Cloud отслеживает очереди задач и регулирует размер пула рабочих через Cloud Run Admin API. Каждая версия сборки рабочего выполняется в своем пуле, позволяя старым версиям масштабироваться до нуля до тех пор, пока они не понадобятся. Эта технология обеспечивает автоскейлируемых агентов для ИИ, эффективно обрабатывает длительные рабочие процессы и поддерживает пакетную обработку с пиковой нагрузкой с экономией затрат.Ранее запуск рабочих Temporal на Cloud Run требовал обходных путей для прослушивателей портов и биллинга экземпляров. Пулы рабочих устраняют эти проблемы, не требуя управления конечными точками и обеспечивая стабильное использование ЦП при более низкой стоимости. Масштабирование не вызывает смены ревизий, а Temporal управляет ростом, отслеживая задержку в очереди задач. Масштабирование вниз более консервативно для обеспечения доступности, с настраиваемым плавным завершением работы рабочих.Бессерверные рабочие Temporal на Cloud Run также обеспечивают версионирование рабочих Temporal, что является критически важной функцией для состояний и детерминированных рабочих процессов. Развертывание нового кода включает создание отдельных пулов рабочих для каждой версии, предотвращая ошибки во время выполнения. Рабочие процессы остаются на своей исходной версии или могут быть настроены для автоматического обновления, в зависимости от типа рабочего процесса. Настройка включает контейнеризацию рабочих, их развертывание в виде пула рабочих Cloud Run, предоставление разрешений Temporal Cloud и создание версии развертывания рабочего. Эта новая функция в настоящее время находится в предварительной версии.
CdXz5zHNQW_Mquaroke6P.png
Предприятия переносят ИИ из чат-ботов в автономных агентов, но сталкиваются с разрозненными данными. Этот узкий проход мешает агентам стать настоящими системами действий без рисков безопасности. Gemini, интегрированный с безграничным Lakehouse, теперь предлагает решение. Эта интеграция позволяет Gemini получать доступ к данным и анализировать их в облаках, на SaaS-платформах и локальных системах без перемещения данных. Бизнес-пользователи могут запрашивать разнообразные источники данных на естественном языке. ИИ-агенты могут использовать эти данные для обоснованных рассуждений и генерации кода. Новые достижения в безграничном Lakehouse включают кросс-облачную поддержку и совместимость с Apache Iceberg. Производительность для анализа данных в петабайтном масштабе повышается за счет выделенных сетевых подключений и кэширования. Оптимизация метаданных Iceberg повышает эффективность движка запросов. Читаемо-записываемая совместимость обеспечивает бесшовную работу с общими таблицами Iceberg. Федерация AlloyDB lakehouse позволяет совместно запрашивать данные из баз данных и хранилищ. Каталог среды выполнения Lakehouse унифицирует корпоративные данные, предоставляя контекст для агентов. Интеграция данных SaaS-приложений без копирования теперь расширена. Активы Databricks Delta Lake могут быть синхронизированы в Lakehouse. Реальные примеры демонстрируют значительное повышение производительности и модернизацию. Миграция с устаревших систем на безграничный Lakehouse теперь упрощена.
CdXz5zHNQW_l99CalEsKz.gif
Автономные агенты в облачных операциях представляют новые проблемы безопасности из-за их нечеловеческой идентичности и способности действовать в масштабе. Традиционные сетевые периметры недостаточны против атак на скорости машины и могут быть слишком ограничительными или разрешительными. Улучшенные элементы управления службами VPC (VPC-SC) теперь предлагают более простое создание, обслуживание и масштабирование периметров. Членство в папках в VPC-SC позволяет проектам внутри папок автоматически наследовать политики безопасности. Теперь доступны детальные исключения и управляемое устранение последствий для запрещенного доступа. Это гарантирует защиту данных по умолчанию, позволяя безопасно масштабировать автономных агентов. VPC-SC обеспечивает контекстно-зависимые сетевые периметры безопасности против кражи данных и внутренних угроз. Поддержка папок и организаций в правилах входящего/исходящего трафика упрощает управление и делает правила краткими. Конечные точки Private Service Connect теперь могут использоваться в правилах входящего/исходящего трафика для более точного создания политик. Детальный контроль над доступом к API Google предлагается через шаблоны служб, позволяющие использовать конкретные шаблоны URL-адресов. Управляемое устранение нарушений упрощает процесс авторизации законных запросов на доступ, значительно сокращая время их решения.
CdXz5zHNQW_XbGjrKCqAa.png
Google for Startups представила агента Gemini, чтобы помочь небольшим стартап-командам преодолеть операционные издержки и сосредоточиться на разработке основного продукта. Этот унифицированный, вездесущий и постоянный агент действует как личный помощник и преданный член команды. Он выполняет разнообразные задачи, такие как написание текстов, кодирование и анализ данных, динамически создавая субагентов для сложных задач. Агент Gemini интегрируется с повседневными инструментами и облачными сервисами, сохраняя контекст в течение длительных многоэтапных процессов. Основатели могут использовать его как цифрового начальника штаба, автоматизируя задачи от исследования рынка до создания презентаций.Ключевые преимущества для стартапов включают масштабирование результатов с помощью агентов-коллег и повторно используемых навыков. Они могут выбирать из различных моделей ИИ, оптимизируя затраты без привязки к поставщику. Агент беспрепятственно подключается к существующим инструментам для инженерии, данных и бизнеса, уменьшая потребность в пользовательских коннекторах. Встроенные функции безопасности и управления корпоративного уровня, включая идентификацию агента и изолированные песочницы, помогают B2B-стартапам преодолевать препятствия при закупках. Контроль затрат в реальном времени и лимиты расходов защищают бюджет, предотвращая неожиданные счета. Ранние пользователи, такие как Whenere, уже используют платформу Gemini для эффективного создания активов. Стартапы могут связаться с Google for Startups, чтобы узнать больше об этих возможностях.
BeyondTrust сообщила об уязвимости CVE-2026-102764 в своих устройствах Remote Support, позволяющей произвольную загрузку файлов. Mandiant обнаружила, что подозреваемый в связях с КНР актер ARMORY CASTLE использовал ее как уязвимость нулевого дня в конце августа 2026 года. Актер закрепился, используя пользовательский PHP-вебшел под названием SAWFLY, который обменивался данными через зашифрованное C2. Повышение привилегий до root было достигнуто путем манипулирования разрешениями SUID в системном бинарном файле. Затем ARMORY CASTLE собирал учетные данные, используя проприетарную утилиту командной строки bt-secrets. Для долгосрочной персистентности они изменили шаблоны конфигурации устройств, чтобы предоставить учетной записи службы беспарольный доступ к root. Злоумышленник активно удалял журналы, чтобы избежать обнаружения и затруднить криминалистический анализ. Они также злоупотребляли скомпрометированными учетными данными администратора для получения доступа к веб-порталу BeyondTrust. Кроме того, ARMORY CASTLE изменил разрешения пользователей, чтобы навсегда получить неограниченный удаленный доступ к нижестоящим системам. Наконец, они использовали пользовательский туннелер под названием BARECLAW для эксфильтрации данных и бокового перемещения в сети.
CdXz5zHNQW_6mJOqwr4n6.jpeg
Группа Google Threat Intelligence Group и Mandiant расследовали атаку на цепочку поставок программного обеспечения против AOMEI Technology. Злоумышленник, UNC7017, неоднократно вмешивался в серверы обновлений AOMEI в очень короткие промежутки времени от пяти до десяти минут. Эта тактика была разработана для обхода традиционных методов обнаружения угроз. Кампания доставила многоступенчатый полезный груз, включая загрузчик CROSSROAD и бэкдор SHINYROAD. UNC7017 стратегически переместил свою инфраструктуру от облачных провайдеров к выделенным доменам и облачным хранилищам. Организации из различных секторов в нескольких странах пострадали от этой оппортунистической кампании. Лаборатория анализа угроз ManagedEngine (METAL) первоначально обнаружила активность с помощью своей телеметрии EDR. GTIG впоследствии уведомила пострадавшие организации и поделилась результатами с AOMEI, которая затем предприняла корректирующие действия. Атака использовала логику обновлений и уведомлений AOMEI, модифицируя конфигурационные файлы, такие как down_html.ini и Notifycfg.ini. UNC7017 также использовал технику скрытого принуждения к учетным данным WebDAV с невидимым всплывающим окном. Доставка вредоносного ПО включала пользовательские загрузчики и фреймворки пост-эксплуатации, в том числе модифицированный бэкдор Radmin Server. Загрузчик CROSSROAD проверял окружение, очищал конечные точки, подготавливал вторичные полезные нагрузки и устанавливал персистентность.
CdXz5zHNQW_qi7EFuLDav.png
Google Cloud запустил публичный Gemini Notebook, чтобы помочь директорам по информационной безопасности (CISO) и руководителям подготовиться к постквантовой криптографии (PQC). Этот инструмент объединяет исследования Google в области PQC, инженерные разработки и рекомендации по миграции в доступный формат. Квантовые вычисления стремительно развиваются, делая текущие методы шифрования уязвимыми для будущих атак типа "сохрани сейчас — расшифруй позже". Google оценивает, что для взлома распространенных схем шифрования потребуется значительное количество компонентов квантового компьютера. Компания планирует перейти на PQC к 2029 году и призывает другие организации последовать ее примеру. Gemini Notebook предлагает аудиообзор, карточки и ответы на конкретные вопросы о PQC. Директорам по информационной безопасности рекомендуется выявлять уязвимую криптографию, расставлять приоритеты рисков и внедрять криптографическую гибкость в свои планы. Google уже внедряет PQC в такие продукты, как Chrome и Android, и является соучредителем Альянса по постквантовой криптографии. Организации могут создавать свои собственные PQC-ноутбуки, собирая надежные источники и используя нейтральные запросы. В статье также освещаются последние обновления безопасности и аналитика угроз, включая тенденции уязвимостей в эпоху ИИ и использование сетевых устройств. Подкасты от Google Cloud обсуждают ИИ в области исправления браузеров и исследования уязвимостей.
CdXz5zHNQW_EUDsV4t64q.jpeg
Функции генеративного ИИ в BigQuery позволяют пользователям интегрировать большие языковые модели непосредственно в SQL-запросы для таких задач, как классификация и анализ тональности. Эти функции оплачиваются за токен, что делает проактивное управление бюджетом критически важным для крупномасштабного использования. Google Cloud внедрил управление затратами на основе токенов для этих функций посредством ежедневных квот, управляемых через IAM.Существует четыре ежедневных квоты: токены ввода ИИ в день, токены ввода ИИ в день на пользователя, токены вывода ИИ в день и токены вывода ИИ в день на пользователя. Эти квоты применяются глобально и охватывают конкретные функции генеративного ИИ в BigQuery, за исключением функций встраивания. Администраторы могут просматривать и корректировать квоты непосредственно в консоли Google Cloud или программно через API.Для эффективного управления затратами пользователи могут немедленно снизить квоты или запросить их увеличение, которое часто утверждается автоматически. Мониторинг использования на странице "Квоты и системные ограничения" помогает выявлять всплески и правильно определять размеры бюджетов. Токенные квоты действуют как превентивные, специфичные для ИИ ограничения, отличные от более широких лимитов расходов Cloud Billing.Принудительное применение включает остановку работы при достижении квот, либо отклонение запросов заранее, либо остановку вызовов LLM в середине запроса. Функция AI.COUNT_TOKENS помогает оценить использование входных токенов без дополнительных затрат. Понимая ценообразование токенов и оценивая использование, администраторы могут устанавливать соответствующие значения квот в соответствии с бюджетными целями.Рекомендуемые практики включают начало работы с квотами на пользователя, измерение входных данных с помощью AI.COUNT_TOKENS, учет более высокой стоимости выходных токенов и итеративную корректировку лимитов на основе наблюдаемого использования. Внедрение этих токенных ограничений обеспечивает предсказуемость затрат на генеративный ИИ в BigQuery.
CdXz5zHNQW_TKvYyrBXNC.png
Организации часто сталкиваются с разрозненными данными, распределенными по множеству специализированных платформ и облаков. Ранее это требовало либо создания сложных конвейеров данных, либо принятия неполной отчетности. Традиционные методы включают копирование данных в центральные хранилища, что приводит к проблемам синхронизации, затратам на хранение и сбоям конвейеров при изменении схем. Безграничный Lakehouse от Google Cloud, построенный на Apache Iceberg, предлагает решение, позволяя вычислениям и ИИ получать доступ к данным на месте на различных платформах. Эта архитектура синхронизирует метаданные, позволяя при этом прямой доступ к файлам данных. Она поддерживает федерацию данных из Databricks, Snowflake и AWS Glue в BigQuery без миграции данных. Федеративные запросы в BigQuery используют четырехкомпонентный путь для доступа к данным в этих внешних каталогах. Эта интеграция позволяет унифицировать запросы и анализ разрозненных наборов данных. Кроме того, федеративные таблицы могут использоваться с разговорной аналитикой BigQuery для исследования с использованием естественного языка. Операционные аспекты включают управление временем фонового обновления, понимание кэширования запросов и обеспечение соответствия требованиям к месту хранения данных. Безграничный Lakehouse призван упростить активацию данных, устраняя дорогостоящие миграции и сложные конвейеры.
CdXz5zHNQW_LuveKFuJPr.png
Gemini Enterprise обновлен с помощью Gemini Agent, универсального ИИ-ассистента, разработанного для работы. Этот агент всегда готов отвечать на вопросы, писать код и выполнять сложные задачи по одному запросу. В основе этого лежит Gemini 4 Argon, новая передовая модель Google, теперь доступная в Google Cloud. Argon обучен для глубины и точности, умеет поддерживать контекст в длинных, многоэтапных задачах и преуспевает в таких областях, как сборка программного обеспечения, финансы, юриспруденция и кибербезопасность. Он преобразует неструктурированные входные данные в связные выходные, обрабатывая документы с текстом, таблицами, диаграммами и изображениями. Argon также обеспечивает точные и проверяемые результаты, автоматизируя финансовые сверки, юридические исследования с проверенными цитатами и повышая процент успешных задач в таких областях, как HR и обслуживание клиентов. Модель помогает быстрее создавать и выпускать продукты, разбивая цели, отслеживая прогресс и одновременно обновляя файлы, что приводит к значительному повышению производительности при разработке кода и рефакторинге архитектуры. В области кибербезопасности Argon предлагает защитные возможности с помощью таких инструментов, как CodeMender, для поиска и устранения уязвимостей, а также демонстрирует устойчивость к атакам типа "внедрение подсказок". Gemini 4 Argon доступен через Gemini для бизнеса и через API для разработчиков. Вводные цены доступны до 30 ноября 2026 года.
CdXz5zHNQW_WbMOCLyl5W.png
Современные агенты могут быть созданы на различных языках, а не только на Python, но многие фреймворки предполагают использование только Python. Набор для разработки агентов Google (ADK) призван устранить это, поддерживая Python, Go, TypeScript, Java и Kotlin. Каждая версия ADK адаптирована для своей среды выполнения, при этом сохраняя единую архитектуру и совместимость через открытые протоколы. Клиент протокола контекста модели (MCP) на каждом языке позволяет универсально вызывать пользовательские инструменты. Для многоагентных систем протокол Agent2Agent (A2A) обеспечивает связь между агентами, написанными на разных языках. Начало работы включает однократную настройку и создание структуры проекта с конфигурациями развертывания. ADK предлагает явные преимущества для каждого языка: от широких интеграций и инструментов оценки Python до производственной эффективности и параллелизма Go. TypeScript использует Zod для типобезопасности и может работать непосредственно в браузере. Java интегрируется с существующими экосистемами Maven, Gradle и Spring Boot. Kotlin отдает приоритет безопасности во время сборки с помощью плагина компилятора KSP, что позволяет разрабатывать агентов для Android на устройстве. Многоязычная поддержка ADK позволяет организациям выбирать лучший язык для каждого компонента без компромиссов.
CdXz5zHNQW_9VOuIRp4Dk.jpeg
Задержки платежей побудили команду по соблюдению нормативных требований заподозрить мошенничество, что потребовало от специалиста по данным выявления транзакций для расследования. Этот процесс включает в себя загрузку и очистку необработанных журналов транзакций, обучение модели обнаружения мошенничества, оценку новых транзакций и автоматизацию рабочего процесса. Data Agent Kit в Antigravity IDE упрощает этот сквозной процесс.Набор предлагает инструменты MCP и навыки Markdown для подключения агентов к сервисам данных Google Cloud и предоставляет руководство по взаимодействию со стеком данных. Он также позволяет пользователям управлять Google Agentic Data Cloud непосредственно из своей IDE. Первоначально журналы транзакций загружаются в BigQuery с использованием Spark через сгенерированный агентом ноутбук.После загрузки данных создается проект dbt для очистки и обогащения данных BigQuery, включая обработку дубликатов и объединение со справочной информацией. Этот проект dbt также включает тест на уникальность транзакций. Далее генерируется обучающий ноутбук для создания модели обнаружения мошенничества Random Forest с использованием исторических данных с известными метками мошенничества.Затем обученная модель используется в ноутбуке для вывода результатов, чтобы оценить неразмеченные транзакции. Транзакции с вероятностью мошенничества, превышающей заданный порог, например 50%, отправляются в таблицу Spanner для проверки. Этот процесс создает краткий список транзакций для расследования командой по соблюдению нормативных требований.Наконец, Managed Service for Apache Airflow используется для автоматизации всего рабочего процесса, обеспечивая его ежедневное выполнение. Агент генерирует определение DAG Airflow и конфигурацию развертывания, оркестрируя этапы загрузки, преобразования и оценки данных. Этот автоматизированный конвейер непрерывно заполняет очередь проверки потенциально мошенническими транзакциями.
CdXz5zHNQW_pxgNhwMrDK.gif
Спустя десять лет после первоначального выпуска Google публикует полностью переписанное второе издание своей книги «Инженерия надежности сайтов» (Site Reliability Engineering). Это обновление необходимо из-за глубоких изменений в сфере вычислений, включая рост искусственного интеллекта, микросервисов и мультиоблачных сред. Первое издание было посвящено раннему внедрению облачных технологий и монолитным архитектурам, тогда как новое издание рассматривает проблемы поддержания надежности в сложных, современных, глобально масштабируемых системах. Практики, такие как Цели уровня обслуживания (SLO), мониторинг, автоматизация и тестирование надежности, значительно развились за последние десять лет. Например, SLO эволюционировали от базовых метрик доступности до ориентированных на пользователя многоуровневых систем с автоматическим применением. Мониторинг трансформировался со статических панелей управления к использованию OpenTelemetry и распределенной трассировки для быстрого анализа первопричин. Автоматизация перешла от пользовательских скриптов к декларативному подходу «инфраструктура как код» и внутренним платформам разработчиков. Тестирование надежности теперь включает непрерывные проверки устойчивости и проверку канареечных выпусков в реальном производстве. Управление мощностями сместилось к динамическому автоматическому масштабированию и согласованию с облачными FinOps. Организационные модели SRE также диверсифицировались за пределы выделенных команд. Новое издание также углубляется в двойную роль SRE и ИИ, объясняя, как SRE поддерживает инфраструктуру ИИ и как ИИ повышает операционную надежность. Оно охватывает эксплуатацию больших языковых моделей и использование инструментов ИИ для улучшения сортировки инцидентов и генерации постмортемов. Несмотря на технологические достижения, основные принципы SRE и важность культуры, ориентированной на надежность, остаются неизменными. Это переписанное издание призвано стать окончательным руководством для следующей эры производственных систем.
CdXz5zHNQW_oDLtzwcL21.jpeg
Пользователи бизнес-аналитики часто сталкиваются с проблемами стандартизированных панелей мониторинга и ограниченными возможностями построения диаграмм, что требует громоздкого экспорта в CSV для более глубокого анализа. Разработка пользовательских панелей мониторинга, отвечающих конкретным потребностям, таким как брифинги для руководителей или клиентские порталы, также является сложной задачей при использовании типичных инструментов на основе сетки. Ранее это приводило к созданию пользовательских приложений, процесс, который теперь ускорен благодаря ИИ, но все еще затруднен проблемами развертывания в производственной среде. Эти проблемы включают отсутствие управляемых данных, безопасность на уровне строк и четкий путь проверки безопасности. Для решения этой проблемы Looker запускает Looker Data Apps, которые сочетают скорость ИИ с системой управления Looker.Data apps — это интерактивные веб-приложения, созданные с помощью ИИ и размещенные в Looker, предназначенные для конкретных операционных рабочих процессов. Они предлагают индивидуальные макеты, позволяют пользователям вводить данные для тестирования сценариев и симуляций, а также связывают анализ с задачами выполнения, такими как обновление записей или отправка событий. Эти приложения создаются с использованием инструментов разработчика ИИ, основанных на семантическом слое Looker. Они расширяют возможности панелей мониторинга, позволяя выполнять активные действия и использовать пользовательские веб-компоненты, в отличие от агрегированной видимости и стандартизированных диаграмм панелей мониторинга.Looker Data Apps основаны на управляемых данных, обеспечивая точность и согласованность благодаря семантическому слою. Они преобразуют анализ в действия с помощью настраиваемых многостраничных веб-приложений. Разработанные для предприятий, эти приложения наследуют существующие семантические модели, безопасность на уровне строк и элементы управления доступом. Они предлагают развертывание сгенерированных агентами приложений без кода, без затрат на токены времени выполнения для взаимодействия с конечными пользователями. Развертывание data apps так же просто, как встраивание панели мониторинга, что позволяет беспрепятственно интегрировать их во внешние порталы. Looker Data Apps позволяют перейти от прототипа к производственным инструментам за считанные минуты, преодолевая разрыв между базовыми панелями мониторинга и сложными пользовательскими системами.
CdXz5zHNQW_y0AsX1lPrs.gif
BigQuery представляет TimesFM 3.0, новую базовую модель для многомерного прогнозирования временных рядов непосредственно в SQL. Ранее AI.FORECAST поддерживал только одномерное прогнозирование. TimesFM 3.0, разработанная Google Research, превосходно справляется с многомерным прогнозированием, занимая высокие места в публичных рейтингах, таких как GIFT-Eval. Она может одновременно прогнозировать несколько коррелированных целевых столбцов. Модель также поддерживает прогнозирование с использованием ковариат, как прошлых, так и будущих известных значений. Это позволяет делать более точные прогнозы, учитывая внешние факторы, такие как погода или акции. Существующие рабочие процессы одномерного прогнозирования и обнаружения аномалий могут получить выгоду от TimesFM 3.0 путем простой смены спецификации модели. Многомерное прогнозирование в BigQuery требует определенного формата входной таблицы с строками исторических данных и будущих горизонтов. Пользователи также могут использовать запросы на естественном языке в BigQuery Conversational Analytics для многомерного прогнозирования. Эта новая возможность устраняет необходимость в сложных конвейерах данных и инфраструктуре моделей для прогнозирования корпоративного уровня.
CdXz5zHNQW_DhZaejS59R.gif
Alteryx One Live Query и Google Cloud BigQuery предлагают мощное решение для обработки сложных данных. Эта интеграция минимизирует перемещение данных, выполняя преобразования непосредственно в BigQuery, что называется SQL pushdown. Live Query предоставляет интерфейс без кода на основе браузера для создания конвейеров данных. Он беспрепятственно оркестрирует модели искусственного интеллекта Google, такие как Gemini, для извлечения информации из неструктурированных документов, таких как PDF-файлы. Этот подход особенно выгоден для финансовых и операционных команд, работающих с несогласованными счетами поставщиков. Традиционно обработка счетов требовала ручных усилий или разрозненных инструментов, что приводило к ошибкам и задержкам. Интеграция Alteryx и BigQuery автоматизирует весь этот жизненный цикл, от извлечения до стандартизации, непосредственно в BigQuery. Это обеспечивает управление данными и безопасность, сохраняя конфиденциальную информацию в хранилище. Рабочий процесс начинается с извлечения структурированных полей из PDF-файлов с помощью моделей искусственного интеллекта. Затем результаты стандартизируются и сравниваются с существующими историческими данными счетов в BigQuery. Этот процесс сверки быстро выявляет потенциальные дубликаты и позволяет быстрее обрабатывать исключения. Система применяет бизнес-правила для выявления дальнейших аномалий, что приводит к управляемым операционным результатам. Этот шаблон, нативный для Google Cloud, сохраняет данные в BigQuery, используя его функции безопасности и контроля. Браузер служит уровнем разработки, Alteryx One Platform Services управляет координацией, а Google Cloud выступает в качестве управляемого слоя данных и выполнения.
CdXz5zHNQW_nRdt9JT0eP.jpeg
Государственные исследовательские университеты сталкиваются с проблемой ускорения открытий путем внедрения передовых технологий. Появление автономного ИИ открывает возможности для обработки огромных массивов данных и сложных рабочих процессов, ускоряя научный прогресс. Google Cloud в сотрудничестве с Университетом штата Нью-Йорк (SUNY) запустил платформу SUNY AI Platform. Эта платформа предоставляет безопасную среду для ИИ и высокопроизводительных вычислений, изначально поддерживая девять исследовательских кампусов SUNY. Исследователи могут использовать передовые возможности Google Cloud, включая хранение данных, вычисления и Gemini Enterprise, в рамках единой экосистемы. Платформа призвана упростить анализ данных, способствовать сотрудничеству и обеспечить ответственное использование ИИ в учреждениях. Помимо технологий, SUNY оснащает свое сообщество навыками, готовыми к работе с ИИ, предоставляя бесплатный доступ к самостоятельным курсам Google по ИИ. Эти курсы, разработанные для всех уровней подготовки, фокусируются на практических навыках, таких как написание запросов и ответственное использование инструментов ИИ. SUNY также интегрирует Google Career Certificates в академические программы для повышения конкурентоспособности студентов на рынке труда. Эта инициатива сочетает технологический доступ с необходимыми навыками и институциональной поддержкой для ответственного внедрения ИИ. Партнерство направлено на ускорение исследований с реальным влиянием, принося пользу студентам, преподавателям и рабочей силе штата Нью-Йорк.
CdXz5zHNQW_SRYhgeVHAZ.jpeg
Google Cloud анонсирует Gemini, универсального агента, предназначенного для оптимизации рабочих процессов. Этот агент отвечает на вопросы, выполняет интеллектуальную работу, создает медиа, а также пишет и выполняет код из единого интерфейса. Он интегрируется непосредственно в приложения Google Workspace, такие как Gmail и Docs, сохраняя контекст и контроль на всех платформах. Новые навыки работы с данными и аналитикой позволяют как техническим, так и бизнес-пользователям извлекать операционные сведения, используя обычный язык. Gemini также предлагает отраслевые инструменты для финансовых и юридических команд, повышая специализацию. Безопасность имеет первостепенное значение, с надежным управлением через идентификацию, управление политиками и песочницы. Контроль затрат осуществляется посредством многомодельной оркестровки и ограничений расходов в реальном времени. Ведущие компании уже используют Gemini Enterprise, причем почти 90% компаний из списка Fortune 100 применяют его. Агент подключается к существующим системам через реестр инструментов и обучается с помощью повторно используемых навыков и комплексной системы памяти. Gemini персонализирует свою помощь, обучаясь на основе взаимодействий, пользователей и организационного контекста. Этот унифицированный агент призван трансформировать способы инициирования и выполнения работы, переходя от экспериментов к операционному развертыванию.
CdXz5zHNQW_Rcp9ipuVxN.png
Ирландия стала значимым мировым технологическим центром, где организации из различных секторов внедряют ИИ. Компании переходят от прототипов ИИ к готовым к производству решениям, используя Gemini Enterprise. Это достижение укрепляет конкурентные позиции Ирландии в Европе и соответствует ее Национальной стратегии в области цифровых технологий и ИИ. Местные команды Google работают с лидерами отрасли над внедрением Gemini Enterprise для различных решений на базе ИИ. Деятельность Google в Ирландии в 2025 году внесла в ВВП примерно 10 миллиардов евро за счет услуг в области ИИ и облачных технологий. Ryanair модернизирует свои операции и инфраструктуру для 35 000 сотрудников, повышая эффективность принятия решений и производительность. Smyths Toys улучшает поддержку клиентов с помощью ИИ-агента по имени Коди, который обрабатывает более 60% запросов на веб-сайте. Налоговая служба Ирландии улучшает государственные услуги, переходя на унифицированную архитектуру ИИ для безопасного анализа данных. Virgin Media Ireland ускоряет рабочие процессы и развертывает ИИ-агентов, что приводит к более быстрому развертыванию рабочих нагрузок. Множество ирландских стартапов также используют Google Cloud и Gemini Enterprise для создания конкурентоспособных международных сервисов, влияя на такие области, как спортивная аналитика, здравоохранение и компенсация выбросов углерода.
Google анонсировала Gemini, новый универсальный агент, разработанный для повышения эффективности и роста малого и среднего бизнеса. Gemini действует как личный помощник и член команды, интегрируясь с существующими инструментами и данными для выполнения задач, от ответов на вопросы до написания кода. Он подключается к популярным платформам для малого и среднего бизнеса, таким как Asana, Salesforce и Slack, обучаясь и совершенствуясь в процессе использования. Gemini предлагает выбор моделей, позволяя использовать лучшую модель для каждой задачи, оптимизируя точность и стоимость. Агент доступен через веб-, мобильные и настольные приложения, обеспечивая широкую применимость. Интегрированы средства контроля затрат для эффективного управления расходами, включая многомодельное оркестрирование и лимиты расходов. Клиенты, получившие ранний доступ, уже сообщают о значительных преимуществах, таких как сокращение времени на устранение неполадок и автоматизация управления проектами. Примеры включают Aerotech, улучшившую производственные мощности, и Angelus, оптимизировавшую исследования и разработки. EdSpan Global автоматизирует стандартизацию учебных материалов, а Eficode улучшает поддержку клиентов. KLog.co значительно сокращает ошибки при вводе данных и ускоряет обработку документов. Koufu автоматизирует отчетность по продажам, а La Maison du Whisky создает маркетинговые тексты. NEEOH стандартизирует использование ИИ для генерации кампаний, а Quadrant Health Group автоматизирует офисные задачи. Salt Productions и Pinch Creative объединяют разрозненные файлы для облегчения доступа. Sep 2 развертывает ИИ-агентов для мониторинга угроз, а Stratagem автоматизирует административные рабочие процессы. Sunhouse улучшает доступ к архивным дизайнерским работам, экономя ценное время. Google также предлагает бесплатные программы обучения и партнерскую сеть для поддержки внедрения ИИ в малом и среднем бизнесе.
Рынки капитала требуют предсказуемой производительности и низкой задержки, сталкиваясь с ограничениями традиционных центров обработки данных. Google Cloud запустил свое решение Ultra Low Latency (ULL) для решения этих проблем. Это решение сочетает скорость колокации с масштабируемостью и автоматизацией облака. Оно обеспечивает сверхнизкую задержку сети и гибкость для высокочастотных торговых рабочих процессов в облаке. Решение ULL построено на трех ключевых столпах: сетевое оборудование на аппаратном уровне для распределения данных, расширенная наблюдаемость сети для анализа и детерминированные высокопроизводительные вычисления для выполнения. Эти столпы предоставляют такие возможности, как производительность на уровне bare metal, высокопроизводительное хранилище и физическая изоляция трафика. Аппаратно-ускоренное многоадресное распределение обходит традиционные виртуальные коммутаторы для прямой потоковой передачи рыночных данных. Ускоренная обработка пакетов и точное время с синхронизацией UTC обеспечивают точную и предсказуемую обработку данных. Встроенная телеметрия обеспечивает непрерывный захват пакетов с низкой задержкой для соответствия требованиям и аналитики без влияния на производительность. Семейство машин U4, включающее серии U4P, U4C и U4S, обеспечивает работу решения ULL с выделенным bare metal и высокопроизводительными виртуальными машинами. Эта архитектура позволяет основным биржевым системам и торговым стратегиям работать в облаке с необходимой скоростью и согласованностью. Варианты хранения включают быстрые локальные SSD Titanium для ведения журналов и масштабируемый Hyperdisk для архивов. Решение ULL доступно в избранных регионах Google Cloud, предоставляя финансовым рынкам преимущества облака для сегодняшних и будущих торговых операций на базе ИИ.
Google с гордостью объявляет о выпуске MCP Toolbox Java SDK версии 1.0, улучшающей оркестрацию агентов для корпоративных Java-приложений. Этот SDK обеспечивает типобезопасное управление агентами, что крайне важно для критически важных развертываний ИИ благодаря возможностям Java по управлению параллелизмом и состоянием. Протокол контекста модели (MCP) действует как универсальный интерфейс, упрощая интеграцию путем отделения моделей ИИ от источников данных. Это устраняет необходимость в многочисленных пользовательских подключениях, снижая риски безопасности и накладные расходы на обслуживание.Ключевые улучшения в Java SDK v1.0 включают абстракцию транспортного уровня для гибких сетевых реализаций и раздельное управление аутентификацией клиентов для повышения соответствия требованиям безопасности. Встроенная поддержка параметров по умолчанию уменьшает размеры полезной нагрузки, а обрезка связанных параметров предотвращает утечку конфиденциальных данных в большие языковые модели. Стандартизированный выбор версий и надежное отслеживание сеансов обеспечивают согласованность протокола. Разработчики могут легко добавлять пользовательские заголовки к исходящим запросам для дополнительной метаинформации.Реальный пример демонстрирует автономное приложение консьержа для транзита, использующее AlloyDB и Spring Boot. Этот агент отвечает на сложные запросы о поездках, интегрируя неструктурированные политики перевозки с структурированными расписаниями и функциями бронирования. MCP Toolbox сопоставляет намерения естественного языка с безопасными SQL-запросами через конфигурацию tools.yaml.Архитектура агента с сохранением состояния достигается с помощью Spring Boot и LangChain4j, управляя памятью диалога в рамках HTTP-сеансов. Эта архитектура обеспечивает четкое разделение ответственности, с декларативным интерфейсом агента и службой выполнения инструментов. SDK упрощает управление сеансами, определяет личности агентов и обеспечивает типобезопасное выполнение инструментов.Аутентификация по умолчанию защищена с помощью Application Default Credentials (ADC), что исключает использование жестко закодированных ключей. Предупреждения во время выполнения уведомляют разработчиков о потенциальной утечке учетных данных через незашифрованный HTTP. Раздельная природа MCP Toolbox и агента Spring Boot позволяет независимо масштабироваться на Google Cloud Run. Разработчики могут легко добавить зависимость SDK в свои проекты Maven или Gradle. Ресурсы, такие как репозиторий GitHub и демонстрационное приложение, доступны для начала работы.
Клиенты внедряют архитектуры lakehouse, стандартизируя открытые форматы, такие как Apache Iceberg, для создания общих сред данных для нативных ИИ-решений. Важным компонентом является Apache Iceberg REST Catalog, отвечающий за управление указателями таблиц, атомарными коммитами и служащий единым источником истины. Предприятиям нужен высокомасштабируемый, доступный и управляемый каталог для поддержки огромного количества мелких, повторяющихся запросов от ИИ-агентов. Такой каталог должен решать такие задачи, как атомарные коммиты, высокая доступность, масштабирование базы данных, обслуживание таблиц и надежное управление. Бессерверный каталог среды выполнения lakehouse в Google Cloud, основанный на Spanner, предлагает решение этих проблем.Этот каталог полностью бессерверный, высокодоступный и унифицирует метаданные, нативно реализуя спецификацию Apache Iceberg REST Catalog. Ключевые преимущества включают открытые API, интероперабельность между различными движками (BigQuery, Managed Spark) и возможности чтения/записи для таблиц Iceberg. Он обеспечивает полностью управляемое хранилище Iceberg с функциями корпоративного уровня и нулевым копированием данных, указывая напрямую на существующие данные в объектном хранилище. Каталог также поддерживает двустороннюю федерацию между облаками (Databricks Unity, Snowflake Horizon, AWS Glue) и безопасный доступ с использованием выдачи учетных данных. Он интегрируется с Knowledge Catalog и Cloud IAM для контекста и управления на основе ИИ, предлагая безопасность на уровне таблиц, поиск и отслеживание происхождения данных.Критически важно, что он обеспечивает атомарные коммиты, контроль параллелизма, высокую доступность и масштабируемость, опираясь на глобальную инфраструктуру Google и Spanner. Spanner предоставляет полные семантические возможности реляционного SQL с горизонтальным масштабированием для чтения и записи, достигая высокой доступности за счет региональных конфигураций. Он автоматически масштабирует вычислительные ресурсы и хранилище, динамически отслеживая объем данных и нагрузку на запросы. Эта основа обеспечивает сериализуемые транзакции, предоставляя ведущие в отрасли гарантии согласованности для операций масштаба агентов. Каталог среды выполнения Lakehouse интегрируется с Knowledge Catalog для эффективного обнаружения таблиц Iceberg, используя полнотекстовый и нативный векторный поиск Spanner для лучшего извлечения информации. Этот интегрированный подход устраняет операционные накладные расходы и ускоряет вывод на рынок для сценариев использования ИИ-агентов. Безграничный lakehouse Google Cloud унифицирует данные, управление и контекст ИИ, одновременно снижая общую стоимость владения.
CdXz5zHNQW_1hwKvuLqIg.jpeg
Предприятия часто используют несколько моделей для вывода ИИ, что требует архитектур для упрощенного вызова и централизованного управления. Представлены две эталонные архитектуры для обслуживания моделей вывода ИИ в сети: одна для Google Kubernetes Engine (GKE) и одна для всех других типов серверных систем. Обе архитектуры используют общие службы, предназначенные для повышения безопасности и эффективности. Точка входа, будь то Cloud Load Balancer или Inference Gateway, обеспечивает стабильный и безопасный интерфейс для вызовов вывода. Эта точка входа обрабатывает завершение TLS, интегрируется с управлением API и может расширять функциональность с помощью расширений служб.Общие службы в обеих конструкциях включают конечную точку вывода Private Service Connect для закрепления точки входа в потребительской сети VPC. Apigee API Management — это необязательная служба для проверки подлинности клиента, ограничения скорости и соблюдения квот. Model Armor действует как встроенный контрольный пункт безопасности ИИ, проверяя запросы и результаты. Конструкция, специфичная для GKE, использует GKE Inference Gateway, который действует как специализированный механизм входа. Этот шлюз направляет запросы к соответствующим целевым серверам моделей на основе правил HTTPRoute.Используются пулы вывода, логические группы реплик моделей, при этом шлюз выбирает правильный пул на основе идентификатора модели. Наборы реплик моделей представляют собой однородные группы отдельных реплик моделей, развернутых в различных пулах узлов. Для архитектур, обслуживающих несколько типов серверных систем, региональный внутренний Application Load Balancer действует как центральный прокси-сервер маршрутизации. Inference Payload Processor, реализованный как расширение службы, проверяет входящие полезные данные запроса для извлечения идентификатора целевой модели. Группы сетевых конечных точек (NEG) обеспечивают гибкую маршрутизацию к гетерогенным серверным системам на основе этого идентификатора.
CdXz5zHNQW_ATs7hY8DJC.png
Достижение высокой релевантности поиска в современных приложениях ИИ и RAG требует сочетания векторного поиска для семантического контекста и полнотекстового поиска (FTS) для точности ключевых слов. AlloyDB для PostgreSQL поддерживает оба варианта, но управление и слияние их результатов традиционно требовало сложного SQL или пользовательской логики приложения. Это часто требовало отдельных систем для объединения, нормализации оценок и переранжирования, что приводило к хрупкой логике, увеличению задержки и высокой операционной нагрузке. Гибридный поиск AlloyDB AI упрощает это, объединяя эти шаги в одну высокопроизводительную функцию SQL, основанную на Reciprocal Rank Fusion (RRF). RRF обходит нормализацию оценок, будучи изначально основанным на ранжировании, что упрощает процесс. Функция ai.hybrid_search() выполняет весь рабочий процесс нативно, минимизируя накладные расходы и обеспечивая согласованность транзакций. Для оптимизации FTS расширение RUM хранит позиции слов непосредственно в индексе, обеспечивая низкую задержку при ранжировании релевантности и эффективное сопоставление фраз, в отличие от стандартных индексов GIN. AlloyDB AI также представляет индекс BM25 для превосходного, готового к использованию ранжирования по ключевым словам. Для расширения универсальности новый внешний механизм поиска Foreign Data Wrapper (FDW) позволяет запрашивать специализированные кластеры, такие как Elasticsearch, OpenSearch и Solr, не покидая AlloyDB. Эта унифицированная архитектура упрощает гибридный поиск, оптимизирует FTS с такими опциями, как RUM или BM25, и повышает универсальность за счет интеграции внешнего поиска.
CdXz5zHNQW_vdzE83Skip.png