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

Эра искусственного интеллекта требует возобновления внимания к основным принципам безопасности, поскольку противники используют ИИ для продвинутых атак. Крис Бетц, директор по информационной безопасности Google Cloud, подчеркивает, что это является основным отличием между устойчивостью и уязвимостью. В то время как ИИ ускоряет инновации как для атакующих, так и для защищающихся, он позволяет совершать высокоперсонализированные и быстрые вредоносные действия. Противники развертывают вредоносное ПО на основе ИИ и используют дипфейки для кражи личных данных, что приводит к новым угрозам, таким как "теневые агенты". Защита от них требует возвращения к укреплению основ безопасности, включая многофакторную аутентификацию и фреймворки нулевого доверия. Усиление этих базовых элементов уменьшает поверхность атаки и обеспечивает контекст для защитного ИИ. ИИ революционизирует управление уязвимостями, автоматизируя их обнаружение и предлагая исправления кода, обеспечивая быстрое развитие защиты. Моделирование угроз также выигрывает от ИИ, который масштабирует способность интегрировать данные из кода, архитектуры и сетей для получения комплексного представления. Директора по информационной безопасности должны выступать в роли стратегических бизнес-лидеров, используя ИИ для усиления защиты и согласования безопасности с бизнес-целями. Такой подход помогает защитить организации, пока они ориентируются в сложностях ИИ и стремятся к росту.
CdXz5zHNQW_BrqFxU7DGg.jpeg
Эффективное делегирование — важнейший навык лидера, который теперь применяется к ИИ-агентам в корпоративных рабочих процессах. Мультиагентные системы идеально подходят для сложных задач, требующих от ИИ-агентов стать интеллектуальными делегатами. Исследования Google DeepMind подчеркивают делегирование как интеллектуальный процесс, включающий переговоры, контракты и безопасность. Для создания ИИ-агентов, способных эффективно делегировать задачи, выделяются четыре принципа.Первый принцип заключается в проверке делегированной работы посредством "декомпозиции на основе контракта", разбивая задачи на управляемые, проверяемые части. В идеале работа может быть надежно оценена, но субъективная оценка может потребовать суждения эксперта-человека. Второй принцип подчеркивает разумное отношение к затратам, сопоставляя сложность задачи с соответствующими моделями ИИ. Простые задачи не должны нагружать дорогие, мощные модели, в то время как сложные требуют больших возможностей.Третий принцип, уважение конфиденциальных данных, означает, что ИИ-агенты должны соблюдать границы и разрешения, предоставляя только минимально необходимый доступ для выполнения задачи. Передовая криптография, такая как доказательства с нулевым разглашением, может проверять работу, не раскрывая частные данные. Четвертый принцип, остерегайтесь зоны безразличия, предостерегает от слепого выполнения ИИ-агентами запросов. Интеллектуальное делегирование требует "динамического когнитивного трения" для проверки информации и оспаривания неоднозначных запросов. Это предотвращает распространение мелких ошибок или вреда по цепочкам делегирования. В конечном итоге цель состоит в том, чтобы беспрепятственно интегрировать ИИ-агентов в организации, работая вместе с экспертами-людьми.
Google Antigravity теперь интегрирован в соответствующие подписки на приложения Gemini Enterprise, учитывая отзывы клиентов о расширенном доступе для разработчиков и корпоративном контроле. Разработчики теперь могут использовать Antigravity на различных платформах, включая расширения IDE для VS Code, Visual Studio, Jetbrains и Zed, а также настольное приложение и CLI. Команды корпоративного управления получают преимущества от встроенных административных функций, средств контроля безопасности и управления лицензиями, все это консолидировано в консоли администратора Gemini Enterprise. Финансовые команды получают гибкость благодаря объединенным квотам использования, предотвращая простаивание предоплаченных токенов.Детализированные пороговые значения расходов и возможности включения превышения лимита позволяют администраторам устанавливать бюджетные ограничения на уровне проектов и поддерживать непрерывные рабочие процессы разработчиков. Комплексные метрики использования обеспечивают прозрачность потребления токенов и активности разработчиков для оптимизации. Интеграция гарантирует, что Antigravity работает под стандартными средствами защиты и соответствия требованиям Google Cloud, включая настраиваемые политики безопасности, централизованное ведение журналов аудита и соблюдение конфиденциальности данных. Федерация удостоверений и учетные данные приложения по умолчанию упрощают настройку для технических команд.Такие клиенты, как Accenture, AirAsia, CGI и Cognizant, уже используют Antigravity в Gemini Enterprise для ускорения разработки, автоматизации задач и предоставления преобразующей ценности. Платформа позволяет командам выходить за рамки простого создания кода и переходить к безопасному и ответственному управлению сложными результатами. Antigravity в Gemini Enterprise доступен сегодня для соответствующих лицензий Gemini Enterprise Standard, Plus и Standard Emerging Market. Администраторы могут включить инструменты разработчика на базе ИИ через руководство по настройке предприятия, а разработчики могут начать создавать с помощью Antigravity 2.0, CLI или расширений IDE.
CdXz5zHNQW_mRaZZsqdoS.gif
Google Cloud третий год подряд признан лидером в магическом квадранте Gartner по платформам облачных нативных приложений. Это признание подчеркивает приверженность Google платформе, ориентированной на разработчиков, которая упрощает сложность инфраструктуры для современных рабочих нагрузок. Платформа поддерживает бессерверные, контейнеризированные и агентские варианты развертывания, обслуживая как традиционные микросервисы, так и передовые приложения искусственного интеллекта. Интегрирован генеративный ИИ, позволяющий быстро создавать прототипы с помощью таких инструментов, как Google AI Studio, и управляемых серверов MCP для взаимодействия с агентами ИИ. Официальный репозиторий навыков Google предоставляет готовые знания для агентов, что еще больше ускоряет разработку.При переходе от прототипов к производству Google Cloud предлагает инструменты для архитекторов и инженеров платформ на протяжении всего жизненного цикла приложения. Antigravity harness унифицирует разработку, а Application Design Center автоматизирует конфигурацию и проектирование для стандартизированных развертываний. Для операций Gemini Cloud Assist обеспечивает расследования инцидентов и анализ затрат на основе ИИ, используя машинное обучение для повышения эффективности. Высокая доступность и надежность обеспечиваются такими функциями, как автоматическое переключение при сбоях между регионами в Cloud Run.Google Cloud отстаивает стратегию открытого исходного кода, внося вклад в Cloud Native Computing Foundation для повышения переносимости приложений. Заглядывая в будущее, платформа создает будущее облачных нативных приложений с акцентом на автономных агентов ИИ. Выделенный стек инфраструктуры поддерживает размещение, управление и защиту парков агентов, интегрируясь с Agent Development Kit и другими фреймворками. Gemini Enterprise Agent Platform предлагает встроенные инструменты персонализации, наблюдаемости и симуляции для масштабируемой разработки агентов. Cloud Run также предоставляет гибкую альтернативу для размещения агентов с предстоящими функциями, такими как постоянные экземпляры и безопасные песочницы. Надежная безопасность и управление обеспечиваются через Agent Identity, Registry и Gateway для эффективного управления и защиты агентов ИИ.
CdXz5zHNQW_IhsB4Fbu06.png
Предприятия внедряют мультиоблачные решения, делая концепцию "принеси свой ключ" (BYOK) жизненно важной для суверенитета данных и защиты облачных рабочих нагрузок. Развитие квантовых вычислений требует пересмотра безопасной передачи криптографических ключей. Google Cloud KMS теперь предлагает предварительную версию импорта квантово-устойчивых ключей для программных криптографических ключей. Эта новая возможность BYOK является первым шагом в их миграции на постквантовую криптографию. Она помогает защитить конфиденциальные ключи до появления криптографически значимого квантового компьютера. Наряду с этим, общедоступные сведения о постквантовой криптографии в Cloud KMS позволяют отслеживать постквантовую готовность. Традиционные методы импорта ключей уязвимы для атак типа "сохрани сейчас, расшифруй позже" со стороны будущих квантовых компьютеров. Квантово-устойчивый импорт ключей смягчает эти атаки, изначально оборачивая ключи в квантово-устойчивую оболочку. Новый механизм передачи использует гибридное шифрование с открытым ключом (HPKE) с оберткой на стороне клиента и распаковкой на стороне сервера. Этот процесс интегрируется в существующий рабочий процесс API Cloud KMS, минимизируя усилия пользователя и обеспечивая встроенную защиту данных при передаче.
Корпоративные агентские ИИ-приложения требуют векторных баз данных, способных масштабироваться до миллиардов векторов, что является проблемой, с которой текущие системы часто не справляются. AlloyDB, совместимый с PostgreSQL сервис баз данных, разработан для таких требовательных нагрузок, предлагая высокую доступность и масштабируемость благодаря встроенному аналитическому движку. Ключевым достижением является его индекс ScaNN, который теперь эффективно обрабатывает 10 миллиардов векторов благодаря новой четырехуровневой древовидной архитектуре. Эта инновационная конструкция значительно снижает вычислительную сложность, используя иерархическое разделение, что резко сужает пространство поиска во время запросов. Четырехуровневая структура обеспечивает оптимальную эффективность обхода с сложностью O(N1/4), превосходя предыдущие ограничения. Кроме того, архитектура улучшает использование памяти благодаря сбалансированному построению дерева и оптимизированным процессам выборки. Эти стратегии позволяют AlloyDB ScaNN управлять большими наборами данных, не превышая доступную емкость памяти. Тесты производительности демонстрируют, что AlloyDB может эффективно масштабироваться до более чем 10 миллиардов векторов, используя свой индекс ScaNN. При таком огромном масштабе он достигает задержки p95 менее 51 мс и 95% полноты. Пользователи теперь могут опробовать эту четырехуровневую древовидную архитектуру с помощью краткого руководства и 30-дневной бесплатной пробной версии.
CdXz5zHNQW_rIGljTtrlK.jpeg
Запуск стартапа на базе ИИ в Google Cloud упрощается благодаря таким инструментам, как Google AI Studio и Gemini Enterprise Agent Platform. Однако могут возникнуть проблемы, такие как утечка ключей API, приводящая к неожиданным счетам, сложности с IAM, препятствующие миграции, и ограничения квот, вызывающие ошибки запросов. Для их устранения стартапам необходим стратегический план.Первая фаза, "Онбординг", направлена на создание прочного фундамента. Крайне важно выбрать между Google AI Studio для быстрого прототипирования и Gemini Enterprise Agent Platform для корпоративного контроля с запланированной стратегией миграции. Эффективная настройка проектов Google Cloud включает использование шаблонов, предварительное включение необходимых API и использование помощи ИИ для предоставления ограниченных ролей IAM. Для аутентификации необработанные ключи API подходят только для локальной разработки; учетные записи служб с ролями минимальных привилегий лучше всего подходят для производственных рабочих нагрузок. Миграция с ключа API AI Studio на модель IAM Agent Platform должна происходить, когда доступ к API требуется нескольким пользователям, возникают значительные расходы или привлекаются платящие клиенты.Фаза "Масштабирование" направлена на увеличение пропускной способности без чрезмерных затрат. Ошибки HTTP 429 часто возникают из-за достижения общих ограничений квот или пиков глобального спроса; решения включают привязку к региональным конечным точкам и внедрение надлежащих механизмов повторных попыток с экспоненциальной задержкой. Понимание режимов потребления имеет решающее значение: Standard PayGo экономичен, но без гарантий, Priority PayGo предлагает более быстрый доступ за дополнительную плату, а Provisioned Throughput гарантирует емкость, но требует предоплаты.
Группа Google Threat Intelligence отслеживает пять предполагаемых российских кибершпионских кластеров, нацеленных на академические круги, аэрокосмическую промышленность, оборону, правительство и аналитические центры. Эти группы, включая UNC6293, UNC7005 и UNC5976, используют различные методы, такие как фишинг и злоупотребление легитимными потоками аутентификации. Основная цель — скомпрометировать учетные записи пользователей, используя доверие посредством изощренного социального инжиниринга. UNC6293, потенциально подкластер ICE RELIC, специализируется на фишинге паролей приложений, выдавая себя за Государственный департамент США. Этот кластер нацелен на лиц, критикующих Россию, заманивая их установить определенные пароли приложений или поделиться кодами подтверждения. UNC7005, также оцениваемый как связанный с ICE RELIC, демонстрирует меньшую изощренность и худшую оперативную безопасность. Он проводит фишинг паролей приложений и фишинг кодов устройств для учетных записей Microsoft и WhatsApp. UNC7005 использует сложный социальный инжиниринг, часто выдавая себя за легитимные мероприятия и организации. Их тактика включает снятие отпечатков пальцев системы для уклонения от обнаружения и попытки замаскировать операции. При фишинге WhatsApp UNC7005 стремится связать учетные записи пользователей с устройствами, контролируемыми злоумышленниками. Это позволяет осуществлять дальнейшую компрометацию, включая аудио- и видеозапись. Хотя кампании различаются, общей нитью является злоупотребление процессами аутентификации. GTIG повышает осведомленность, чтобы помочь целям выявлять эти злонамеренные усилия по социальному инжинирингу.
CdXz5zHNQW_JPYYRiseWZ.png
Управляемый сервис Apache Spark от Google Cloud упрощает работу инженеров по обработке данных, абстрагируя управление инфраструктурой. Пользователи могут выбирать между управляемыми кластерами для предсказуемых рабочих нагрузок с высокой степенью утилизации или бессерверными для периодических задач, избегая затрат на простой. Бессерверный режим предлагает интерактивные сессии для исследования и пакетные задания для автоматизации. Оптимизация Spark в Google Cloud включает тщательное объявление распределения ресурсов для драйверов и исполнителей. Установка явного максимального количества исполнителей предотвращает перерасход бюджета, а управление разделами перемешивания в зависимости от размера данных улучшает производительность. Когда конвейеры завершаются с ошибкой, Gemini Cloud Assist интегрируется с консолью для диагностики проблем с использованием естественного языка. Он может выявлять отсутствующие параметры при отправке пакетных заданий. Gemini также помогает устранять аномалии данных, указывая на код, вызывающий ошибки из-за несоответствия схем или типов данных. Затем инженеры могут попросить Gemini сгенерировать исправленный и устойчивый код, оптимизируя устранение неполадок.
CdXz5zHNQW_yOfu3Gpb2m.png
На протяжении более десяти лет Apache Hive Metastore (HMS) был центральным органом для аналитики больших данных, управляя схемами для таких движков запросов, как Spark и Presto. Однако по мере масштабирования архитектур данных и охвата нескольких движков запросов устаревшие развертывания HMS становятся значительными операционными узкими местами. Эти устаревшие системы сталкиваются с проблемами масштабирования архитектуры, поскольку их зависимость от реляционных баз данных создает проблемы с производительностью. Они также создают разрозненное управление идентификацией и безопасностью, требуя фрагментированных политик в различных плоскостях управления. Кроме того, управление и настройка автономных экземпляров HMS приводят к значительным операционным накладным расходам и увеличению общей стоимости владения.Бессерверный каталог среды выполнения Lakehouse от Google Cloud предлагает решение, построенное на открытой спецификации Apache Iceberg REST Catalog. Этот каталог представляет собой унифицированный, высокодоступный реестр метаданных, поддерживающий как устаревшие форматы Hive/Parquet, так и современные форматы, такие как Iceberg. Он отделяет обнаружение метаданных от вычислительных движков, позволяя нескольким движкам получать доступ к данным без их копирования. Это обеспечивает интероперабельность между несколькими движками, открытые API и миграцию без копирования данных путем прямого обращения к существующим данным в облачном хранилище. Управление на основе ИИ интегрируется с Cloud IAM для обеспечения согласованной безопасности и доверенного контекста, а выдача учетных данных дополнительно повышает безопасность.Каталог среды выполнения Lakehouse готов к использованию в корпоративных средах, масштабируется на инфраструктуре Google и обеспечивает высокую доступность для отказоустойчивости. Его бессерверная природа снижает операционные трудозатраты и общую стоимость владения. Возможность миграции без копирования данных позволяет напрямую перейти от устаревших Hive Metastores к каталогу Lakehouse. Модернизация до Lakehouse унифицирует управление, обеспечивает доверенный контекст для агентов и значительно снижает операционные расходы, подготавливая облачные среды к операциям в масштабе агентов.
CdXz5zHNQW_H3FQKMqnb7.png
Долговая нагрузка управления данными возникает, когда контекст данных, такой как значения столбцов или статус персональных данных, теряется при преобразовании и обмене данными. Традиционные инструменты управления данными являются реактивными, что часто приводит к задержкам в обновлении описаний и документации. Проект Governance Agent призван изменить эту парадигму, проактивно распространяя существующие метаданные вниз по потоку. Он использует отслеживание происхождения данных на уровне столбцов для передачи описаний, терминов из бизнес-глоссария, тегов политик и оценок доверия. Эта автоматизация снижает нагрузку на ручное документирование, позволяя управляющим данными сосредоточиться на более ценных решениях. Агент также может получать контекст из внешних документов, когда прямое отслеживание происхождения недоступно. Он использует консервативный подход, применяя метаданные только при наличии веских доказательств. Помимо отслеживания происхождения, он использует сканирование на основе ИИ для вывода связей и значений, когда данные отслеживания происхождения неполны. Проект предлагает как удобную панель управления для разовых проверок, так и интерфейс командной строки для автоматизированной интеграции в конвейеры. Несмотря на свою мощь, система требует человеческого контроля для принятия критически важных решений и окончательного утверждения. Цель состоит в том, чтобы перенаправить усилия с повторяющихся задач на ценное принятие решений, улучшая возможность обнаружения данных и ускоряя разработку решений на базе ИИ.
Управление корпоративным контентом претерпевает значительную архитектурную трансформацию, выходя за рамки традиционного текстового ИИ. Компании хранят огромные объемы критически важных данных в Box, включая финансовые модели и юридические документы. Хотя текстовый поиск и RAG были эффективны, новая эпоха агентов требует мультимодальных возможностей. Эта эволюция позволяет системам обрабатывать и понимать не только текст, но и пространственные и структурные данные. Google Cloud и Box интегрируют передовые мультимодальные возможности в платформу Box’s Agentic Platform, основанную на Gemini Multimodal Embeddings 2. Это слияние расширяет платформу Box с помощью векторных представлений ИИ от Google Cloud.Улучшенные векторные представления сохраняют визуальную и пространственную геометрию, критически важную для понимания сложных документов, таких как финансовые таблицы. Они выделяют визуальные элементы, такие как диаграммы и блок-схемы, делая их доступными для поиска наряду с текстом. Эта технология также связывает гибридные форматы файлов, унифицируя понимание между PDF, электронными таблицами и презентациями. Gemini Multimodal Embeddings 2 создает единое векторное пространство для текста, изображений и страниц документов. Это обеспечивает кроссмодальный поиск (текст-изображение и изображение-текст) без ручной маркировки. Система также поддерживает встраивание документов с учетом макета, сохраняя визуальные иерархии и беспрепятственно связывая разнородные форматы.Три основных паттерна для мультимодальных корпоративных агентов возникают в результате этой интеграции в Box. Первый паттерн решает задачи сложной финансовой и аналитической отчетности, захватывая структурное выравнивание таблиц и диаграмм. Это позволяет агентам выполнять визуальный анализ тенденций и контекстное извлечение данных. Второй паттерн фокусируется на мультимодальной поддержке принятия клинических решений, синтезируя различные форматы данных, такие как физические фотографии и гистологические препараты. Это обеспечивает кроссмодальный клинический синтез, гранулярную идентификацию аномалий и поддержку принятия решений с учетом рисков. Третий паттерн решает задачи мультимодального синтеза между документами и сверки данных для фрагментированной корпоративной информации. Это приводит к синтезу между файлами, разрешению конфликтов и аудиту от визуального к текстовому представлению в разрозненных документах.Будущее управления корпоративным контентом на основе агентов зависит от этой интеграции, чтобы выйти за рамки базового поиска и перейти к интеллектуальному сотрудничеству. Платформа Box предоставляет управляемый, семантически индексированный слой рассуждений для агентов ИИ, обеспечивая соответствие требованиям и безопасность. Проактивно предоставляя аналитические данные и выявляя несоответствия, Box помогает снизить бизнес-риски. Это мультимодальное понимание критически важно для таких отраслей, как финансовые услуги и науки о жизни. Box служит управляемой основой контента, гарантируя, что рабочие процессы на основе ИИ используют авторизованные и аудируемые данные. Способность осмыслить присущий мультимодальный ландшафт корпоративных данных знаменует новую эру производительности и инноваций.
CdXz5zHNQW_Uu4pQ4xq4a.gif
Современные предприятия полагаются на потоковые конвейеры в реальном времени для непрерывной обработки данных. Традиционно эти конвейеры имеют статическую логику, но генеративные ИИ-агенты обеспечивают адаптивное выполнение. Это позволяет рабочим процессам динамически строить планы и предпринимать действия на основе содержания данных. Например, сообщение от недовольного клиента может инициировать поиск заказа, исправление ситуации и уведомление клиента. Однако масштабирование генеративных ИИ-рабочих процессов сталкивается с такими проблемами, как высокая задержка и стоимость. Предлагаемое решение объединяет Google Dataflow с Agent Development Kit (ADK) для создания гибридного конвейера, эффективно обрабатывающего потоки большого объема. Легковесная модель на начальном этапе фильтрует события, направляя только сложные случаи к генеративному ИИ-агенту на последующем этапе. Эта модель предварительной фильтрации плюс агентурное действие универсально применима к потокам с преимущественно рутинными событиями. Примеры включают сортировку журналов ИТ-операций, обнаружение финансовых мошенничеств и мониторинг промышленного Интернета вещей. Архитектура использует стоимость и скорость локальных моделей на ЦП с расширенными возможностями генеративных ИИ-агентов. Используя модель, привязанную к ЦП, для первоначальной фильтрации, только небольшая часть событий влечет за собой затраты на использование тяжеловесных генеративных ИИ-моделей. Этот гибридный подход значительно снижает затраты и поддерживает высокую пропускную способность потоковой передачи. Интеграция с Apache Beam и ADK обеспечивает поддерживаемый и чистый код.
CdXz5zHNQW_5vcpows2Qd.jpeg
Растущий риск кражи данных и вымогательства из-за анализа кода с помощью ИИ требует структурированного подхода к защите. Система обнаружения уязвимостей на основе агентов (AVDH) улучшает обнаружение уязвимостей, объединяя модели ИИ с человеческим опытом в оркестрованном конвейере. Эта структура ускоряет выявление и проверку уязвимостей во время проактивных проверок, тестов на проникновение и реагирования на инциденты. AVDH продемонстрировала реальный успех, обнаружив более 100 критических уязвимостей за два дня во время недавнего реагирования на инцидент. Она проанализировала миллионы строк кода, сгенерировав десятки тысяч результатов и приведя к многочисленным раскрытиям CVE. Архитектура AVDH использует "сбруи" (harnesses), которые снижают непредсказуемость ИИ и повышают эффективность анализа кода. Она построена с использованием Google Agent Development Kit (ADK) и интегрируется с Google Antigravity для управления рабочими процессами на основе агентов. Конвейер следует структурированному, последовательному подходу, похожему на водопадную разработку, начиная с моделирования угроз. Агент-исследователь определяет назначение кодовой базы, за которым следуют специализированные исследователи, углубляющиеся в конкретные области. Агент синтеза модели угроз агрегирует результаты, которые затем представляются человеку-консультанту для проверки. Агенты обнаружения точек входа, использующие Gemini Flash Lite, определяют точки входа приложения и связанные с ними источники ввода пользователя. Агенты обогащения агрегируют соответствующий код для изолированных точек входа, чтобы обеспечить более глубокий анализ. Агенты генерации гипотез фокусируются на потоке управления и данных, а фильтр уверенности управляет объемом гипотез. Агенты валидации, настроенные с высокими параметрами температуры, оценивают эти гипотезы, а агент синтеза принимает окончательное решение. Подтвержденные результаты затем подвергаются строгой проверке экспертами, включая динамическую эксплуатацию и выполнение доказательства концепции. Любые результаты, не прошедшие проверку человеком, отбрасываются.
CdXz5zHNQW_PijpR50ObO.png
Операционная устойчивость имеет решающее значение для финансовых учреждений, при этом нормативные акты, такие как DORA ЕС, ужесточают требования. Компании должны доказать, что их критически важные услуги могут выдерживать сбои и эффективно восстанавливаться. Deutsche Bank решил эту задачу, разработав платформу устойчивости на основе ИИ с Google Cloud. Эта платформа преобразует ручные упражнения по обеспечению устойчивости в контекстно-зависимые, основанные на доказательствах симуляции с использованием реальных операционных данных. Она создает корпоративный контекст из различных источников для генерации реалистичных сценариев и артефактов, готовых для регуляторов. Архитектура двойной оркестровки разделяет отслеживаемое, детерминированное выполнение, соответствующее требованиям регуляторов, с использованием LangGraph, от адаптивных, управляемых агентами сценариев с использованием Google ADK. Такой подход обеспечивает как контроль, так и гибкость, позволяя создавать согласованные модели устойчивости для учений и реальных событий. Платформа использует сервисы Google Cloud, такие как Cloud Run, Gemini Enterprise Agent Platform, Google ADK и Cloud SQL. Эти инструменты облегчают масштабируемое тестирование устойчивости, готовое к предоставлению доказательств, и создание согласованной документации, готовой к аудиту. Эта модель информирует будущие тесты с использованием данных реальных инцидентов, создавая непрерывный цикл обратной связи для повышения устойчивости. Цель Deutsche Bank — соответствовать ожиданиям регулирующих органов в отношении сложных систем посредством интеллектуальной, постоянно адаптирующейся модели устойчивости.
CdXz5zHNQW_7jZ2QqAh3O.png
Предприятия сталкиваются с трудностями, когда автономные агенты ИИ работают с исходными таблицами данных, что приводит к неточным инсайтам. Традиционные структуры данных не отражают реальные зависимости, что мешает агентам понимать сложные взаимосвязи. BigQuery Graph решает эту проблему, позволяя организациям представлять данные как взаимосвязанные бизнес-единицы. Этот новый подход позволяет агентам рассуждать по этим отношениям с большей точностью.Взаимоотношения крайне важны, потому что слепая зависимость от плоских столов мешает агентам ИИ понять контекст многогранного бизнеса. Например, агент может сообщить о снижении продаж, но не определить причину из-за невозможности проследить реляционные пути. Это может привести к дорогим, нерелевантным маркетинговым кампаниям и операционной неэффективности. Поддержание отдельных систем отношений и метрик усугубляет эти проблемы, делая сшивание во время выполнения медленным и непоследовательным.Меры в BigQuery Graph объединяют метрики с отображением отношений, позволяя отображать существующие таблицы на граф свойств на месте, что устраняет необходимость в ETL. Эта система основывает метаданные, рассчитывает бизнес-показатели и раскрывает причины изменений производительности. BigQuery Graph нативно решает исторические проблемы с SQL-соединениями при обходе графов, которые приводили к неправильным агрегациям. Моделировщики данных теперь определяют меры внутри графа свойств DDL.Движок разрешает графовые пути перед оценкой метрик с помощью стандартного SQL и агрегатора AGG, обеспечивая интеллектуальное объединение аналитических инструментов агентами. Инструменты, такие как визуальный графовый моделлер и интеграция разговорной аналитики в BigQuery Studio, демократизируют графовый интеллект. Разговорная аналитика позволяет взаимодействовать с естественным языком, переводя запросы в точный графово-ориентированный SQL. Нативная интеграция Looker гарантирует, что бизнес-метрики находятся на уровне данных, обеспечивая унифицированную семантику и избегая фрагментированной логики. Эта интеграция позволяет создавать управляемые базами данных или Looker-управляемые модели, обеспечивая согласованные KPI через Git-контроль версий и рабочие процессы CI/CD.
CdXz5zHNQW_SFOIk3WOJP.gif
Миграция сложных приложений из коммерческих баз данных на PostgreSQL или управляемые сервисы, такие как AlloyDB, часто сталкивается с узким местом из-за проприетарных сохранённых процедур и функций. Этот процесс ручного перевода, обычно с использованием PL/SQL или T-SQL, может быть трудоёмким и подверженным ошибкам, задерживая проекты модернизации. Недавние достижения в области искусственного интеллекта, в частности интегрированные Gemini в Службу миграции баз данных (DMS), предлагают решение этой «последней мили» вызова. DMS использует генеративный ИИ для автоматизации преобразования этих устаревших процедур в код PostgreSQL PL/pgSQL, значительно ускоряя процесс и повышая точность. В отличие от универсальных инструментов ИИ, Gemini в DMS анализирует весь контекст базы данных для более надёжных конверсий. Он работает в защищённой среде Google Cloud, сохраняя проприетарную бизнес-логику. Сервис предоставляет интегрированное рабочее пространство для просмотра, редактирования и проверки конвертированного кода параллельно с объяснениями. Такой подход с помощью ИИ упрощает миграцию, преобразуя сложную логику за несколько дней, а не месяцев, позволяя командам сосредоточиться на разработке приложений и производительности. Автоматически вытягивая контекст схемы и проверяя синтаксис, DMS обеспечивает структурированный рабочий процесс для надёжного преобразования кода. Это позволяет командам баз данных поддерживать полный контроль и проверять изменения перед развертыванием в стадируемых или производственных средах. Сервис миграции баз данных с Gemini обеспечивает более быструю, точную и безопасную модернизацию баз данных.
CdXz5zHNQW_8iQntpUtu1.jpeg
Google обновляет свою дорожную карту Google Cloud, чтобы полностью перейти на постквантовую криптографию к 2029 году. Их стратегия сосредоточена на трёх ключевых направлениях: снижении риска сейчас, расшифровке последующих рисков, обеспечении целостности от подделок и повышении криптографической гибкости. Google уже переходит на внутренние и клиентские сервисы на алгоритмы PQC. Они также внедряют решения PQC в своих инициативах Sovereign Cloud и интегрируют их в сервисы ИИ.Компания стремится достичь полной готовности к PQC к 2029 году, а усилия продолжатся и в 2030-х годах для соответствия с меняющимися мировыми стандартами. Ключевые этапы 2026 года включают квантово-безопасные API и балансировщики нагрузки, а также эксперименты с квантово-безопасными сертификатами. Cloud Key Management Service (KMS) теперь поддерживает стандартизированные NIST алгоритмы PQC для шифрования и подписания ключей.Дорожная карта к 2029 году построена вокруг ориентированных на клиента путей, с приоритетом наиболее уязвимых к воздействию квантовых вычислений. Домен 1 нацеливается на хранение сейчас, расшифровку позже, к 2027 году, обеспечивая безопасность нагрузок клиентов, администраторских потоков и конвейеров данных. Домен 2 сосредоточен на целостности и неотвержении, с целью завершения к 2028 году путём защиты цепочки поставок программного обеспечения, выдачи квантово-безопасных сертификатов, а также защиты личности и доступа. Домен 3 охватывает фундаменты и управление ключами, с целью завершения также к 2028 году с помощью стандартизированных квантово-безопасных ключей, аппаратно-обеспеченных сервисов и партнерских решений. Google подчёркивает совместную ответственность за квантовую безопасность, управление переходом облачной инфраструктуры, в то время как клиенты управляют своими собственными приложениями и данными.
CdXz5zHNQW_9qzhoiPOVY.png
Организации сталкиваются с трудностями при работе с ИИ-агентами, обрабатывающими как структурированные, так и неструктурированные данные, поскольку большие языковые модели хорошо работают с текстом, но испытывают трудности с базами данных, в то время как модели NL2SQL могут генерировать неточные запросы. Gemini Enterprise предлагает унифицированный ИИ-интерфейс, теперь улучшенный управляемым семантическим слоем Looker для доверенных структурированных данных. Эта интеграция позволяет аналитикам Looker публиковать разговорных агентов непосредственно в Gemini Enterprise через безопасный протокол A2A. Это предоставляет сотрудникам доступ в реальном времени к управляемой бизнес-аналитике на естественном языке, снижая трение и способствуя культуре, основанной на данных.Семантический слой Looker устраняет догадки при запросах к данным, предотвращая несогласованные метрики и галлюцинации ИИ, предоставляя кодифицированный контекст. Когда пользователь Gemini Enterprise запрашивает бизнес-KPI, агент Looker генерирует точный SQL на основе версионированной бизнес-логики, обеспечивая детерминированные и предсказуемые результаты. Эта интеграция ставит во главу угла надежное управление и безопасный доступ, используя архитектуру сквозной передачи с нулевым риском, которая не поглощает и не хранит пользовательские данные. Доступ к данным контролируется через авторизацию OAuth и существующие политики доступа Looker на уровне строк и столбцов, поддерживая строгую изоляцию безопасности. Технические возможности включают богатую визуальную интерактивность с нативными диаграммами и совместимость с другими агентами, что позволяет создавать сложные многоагентные рабочие процессы. Надежная модель аутентификации, ориентированная на идентификацию, гарантирует, что каждый запрос аутентифицируется на уровне пользователя, применяя существующие структуры разрешений. Эта интеграция выводит надежную аналитику данных, визуализации и повествование о данных непосредственно в повседневные рабочие пространства пользователей, оживляя операционные метрики.
CdXz5zHNQW_1fzLLwEtAe.gif
Google расширяет свою глобальную сетевую инфраструктуру в Америке тремя новыми подводными кабельными системами: Alisios, Canoa и OlaLuz. Эти кабели, наряду с расширением кабеля Firmina и предыдущими инвестициями, образуют сеть под названием Americas Connect. Кабель Alisios соединит Доминиканскую Республику, Панаму и Чили, получив название в честь торговых ветров. Canoa, слово из языка таино, означающее каноэ, соединит Доминиканскую Республику с Бермудскими островами, улучшив связь с Европой и Северной Америкой. OlaLuz напрямую соединит Доминиканскую Республику с Флоридой, используя испанские слова, означающие волна и свет. Новый ответ кабеля Firmina также будет проложен в Доминиканской Республике, расширяя его охват. Americas Connect направлена на улучшение охвата, надежности и устойчивости инфраструктуры связи в различных регионах. Сеть создаст резервные пути в Тихом океане, свяжет карибские соединения и соединит Атлантику с регионами Google Cloud в США и Европе. Представители правительств Доминиканской Республики, Панамы, Бермудских островов и Чили выразили энтузиазм по поводу этих инвестиций. Ожидается, что эти новые подводные кабели будут способствовать развитию цифровой связи, стимулировать экономический рост и сокращать цифровой разрыв. Google продолжает инвестировать в более связанную и открытую глобальную облачную сеть посредством этих стратегических расширений.
CdXz5zHNQW_EzDUKh4eBP.jpeg
Предприятия полагаются на взаимодействие с клиентами на основе устройств, что делает производительность локальных приложений критически важной для пользовательского опыта. Тестирование приложений на многочисленных устройствах необходимо, но затруднительно из-за затрат на закупку, сложности и ненадежности тестов. Это часто приводит к тому, что разработчики полагаются на ограниченное тестирование на личных устройствах, ставя под угрозу широкую совместимость. Google Cloud запускает Developer Device Platform (DDP) в публичной предварительной версии для решения этих проблем. DDP предлагает управляемый облачный доступ к реальным физическим устройствам и виртуальным эмуляторам, развивая Firebase Test Lab. Он поддерживает агентскую разработку, позволяя разработчикам использовать предпочтительные агенты для кодирования, тестирования, отладки и оптимизации. Device Streaming API от DDP обеспечивает интерактивную отладку путем удаленного доступа и взаимодействия с приложениями на выбранных устройствах. Device Run API упрощает параллельное тестирование на сотнях устройств в конвейерах CI/CD, помогая выявлять и устранять проблемы. DDP расширяет возможности агентов, позволяя им выполнять сложные сценарии, выявлять визуальные артефакты и анализировать производительность на устройстве. Интеграция с Android Studio и CLI, а также навыки агентов ускорят разработку и оптимизацию кода. DDP поддерживает интеллектуальное разделение и автоматические повторные попытки для эффективного параллельного тестирования и быстрого устранения ошибок. Платформа доступна всем пользователям Google Cloud, используя модель оплаты за минуту во время публичной предварительной версии.
Управление сетевой безопасностью в многопользовательских средах Kubernetes требует баланса между потребностями разработчиков в коммуникации и требованиями команд безопасности к соблюдению нормативных требований. Стандартные NetworkPolicy Kubernetes, хотя и полезны для отдельных пространств имен, испытывают трудности с обеспечением соблюдения правил в масштабах всего кластера из-за их ограниченности пространством имен и ориентации на разработчиков. ClusterNetworkPolicy (CNP) был представлен как открытый стандарт для устранения этих ограничений. CNP — это ресурс, охватывающий весь кластер, позволяющий администраторам централизованно управлять сетевой безопасностью. Он имеет иерархическую систему уровней: уровень администратора для глобальных правил с наивысшим приоритетом, уровень сетевой политики для политик разработчиков, специфичных для пространства имен, и базовый уровень для поведения кластера по умолчанию. Эта многоуровневая структура согласует безопасность с организационными ролями, позволяя командам безопасности устанавливать предписания по соблюдению нормативных требований, а командам платформы — применять политики "запретить все по умолчанию". Разработчики затем могут управлять политиками, специфичными для их приложений, не переопределяя основные требования безопасности. Детерминированная оценка разрешает конфликты политик, при этом уровень администратора способен выполнять явное действие "Разрешить" для делегирования окончательных решений политикам пространства имен. Распространенные сценарии использования включают изоляцию конфиденциальных рабочих нагрузок, защиту основных служб и управление исходящим трафиком. CNP упрощает сложные требования безопасности, преобразуя их в централизованные правила, такие как запрет доступа к конфиденциальным пространствам имен при разрешении доступа к основным службам. API ClusterNetworkPolicy является открытым стандартом, обеспечивающим переносимость между различными средами. Реализация CNP в GKE обеспечивает нативную поддержку выбора уровня для четкой и детерминированной оценки политик. Это выводит сетевую безопасность рабочих нагрузок на уровень унифицированного управления в масштабах всего кластера.
CdXz5zHNQW_bAPXfDa5Dc.jpeg
Malachyte разработала платформу на базе искусственного интеллекта для решения задачи рекомендации товаров новым пользователям. Эта персонализация, критически важная для онлайн-сервисов, была вдохновлена достижениями в области больших языковых моделей. Компания использовала инструменты Google Cloud, такие как Bigtable и Managed Service for Apache Kafka, для создания своего передового рекомендательного алгоритма. Прорыв Malachyte заключался в применении нейронных сетей с механизмами внимания, аналогичными тем, что используются в LLM, к розничным взаимодействиям. Они стремились предсказать следующий желаемый товар пользователя, анализируя последовательность его действий на сайте. Этот подход решает проблему "холодного старта", используя каждое взаимодействие для уточнения вектора профиля пользователя. По мере добавления новых данных прогнозы улучшаются, а общая модель получает преимущества от анонимизированной информации о пользователях. Система Malachyte обновляет профили пользователей за миллисекунды, обеспечивая рекомендации в реальном времени. В отличие от традиционных методов, требующих обширных исторических данных, Malachyte фокусируется на взаимодействиях в рамках сессии для большей персонализации и конфиденциальности. Эта мультимодальная система кодирует данные пользователя, встраивая продукты в одно и то же векторное пространство для точных рекомендаций. Инфраструктура Google Cloud для искусственного интеллекта в реальном времени, включая Kafka для потоковой передачи событий и Bigtable для быстрых поисков, позволяет оперативно обновлять данные и предоставлять рекомендации. Эта масштабируемая архитектура жизненно важна для способности Malachyte эффективно предоставлять персонализированный опыт.
CdXz5zHNQW_zzLyeeAAsM.png
Google Cloud дает организациям возможность уверенно создавать и развертывать агентские рабочие процессы. Их интегрированная платформа искусственного интеллекта сочетает исследования с гибкостью для получения бизнес-ценности. Gemini Enterprise является центральным элементом этого, объединяя инструменты для агентского предприятия и предлагая встроенное корпоративное доверие. Такой подход привел к тому, что Google был назван лидером в отчете The Forrester Wave AI Platforms, получив наивысший балл в категории "Стратегия". Gemini Enterprise действует как единая точка входа в ИИ, устраняя разрозненность и объединяя бизнес-пользователей, разработчиков и ИТ-руководителей с общим контекстом. Gemini Enterprise Agent Platform обеспечивает безопасную, надежную и экономически эффективную разработку и развертывание агентов для всей рабочей силы через приложение Gemini Enterprise. Интегрируя данные, модели, инструменты разработчика и ИТ-операции, Gemini Enterprise обеспечивает трансформацию, сохраняя при этом контроль. Платформа удовлетворяет разнообразные потребности разработчиков, поддерживая среды с высоким, низким и нулевым кодом с доступом к многочисленным моделям и шаблонам. Gemini Enterprise по своей сути является мультимодальным, обрабатывая и генерируя различные типы данных для создания контекстуальных бизнес-решений. Доверие имеет первостепенное значение, поэтому Agent Platform включает в себя стандартные корпоративные средства управления, безопасности и наблюдаемости. Встроенные механизмы защиты, непрерывная оценка и отслеживание в реальном времени обеспечивают безопасное масштабирование агентских рабочих процессов. Такие функции, как Каталог знаний, повышают точность агентов, создавая универсальный контекстный движок. Google считает, что Gemini Enterprise предоставляет разработчикам необходимую основу для уверенного создания агентских систем.
CdXz5zHNQW_iqAMPwLR9H.png
WPP трансформирует свои маркетинговые и коммуникационные услуги, используя ИИ для обеспечения предсказуемой уверенности для клиентов на нестабильном рынке. Традиционно агентства полагались на интуицию, но WPP теперь использует систему на базе ИИ под названием WPP Open для анализа рыночной динамики. Значительная инженерная проблема возникла из-за разрозненных глобальных маркетинговых данных WPP, что затрудняло и делало небезопасным развертывание ИИ. Для решения этой проблемы WPP в партнерстве с Google Cloud создала единую основу данных и индивидуальный путь разработки платформы. Это сотрудничество стандартизировало бессерверные вычислительные шаблоны и обработку данных, что позволило проводить более быстрые и безопасные маркетинговые кампании.Проект включал проектирование централизованной, основанной на сервисах основы данных, консолидацию данных в безопасные, общие проекты Google Cloud Storage и BigQuery. Детальные элементы управления идентификацией и доступом обеспечивают безопасность данных, а Managed Service for Apache Spark очищает и нормализует необработанные данные. Эта бессерверная архитектура в сочетании с Kubeflow позволила WPP сосредоточиться на логике преобразования данных, не управляя накладными расходами на инфраструктуру. Затем платформа преобразует необработанные данные в стандартизированные определения когорт (SCD) на основе ключевых показателей, таких как возраст, пол, география, продукт и интересы.Эти SCD позволяют агрегировать глобальные данные без раскрытия конфиденциальной информации, а типобезопасная срема Scala обеспечивает отслеживаемость данных и соответствие требованиям для приложений ИИ. WPP также стандартизировала свой жизненный цикл корпоративного программного обеспечения, используя повторно используемые шаблоны GitLab CI/CD для безопасного и эффективного развертывания. Они приняли методологию "создай один раз, разверни много", продвигая точные, проверенные образы контейнеров непосредственно в продакшн для обеспечения согласованности. Интегрированные инструменты сканирования безопасности и интеллектуальные сетевые инструменты автоматизируют обнаружение уязвимостей и устраняют сетевые конфликты, ускоряя выпуск.Мониторинг операционной работоспособности с помощью детальных метрик, таких как задержка и частота ошибок, обеспечивает отказоустойчивость и высокую доступность платформы. Этот комплексный подход позволил WPP значительно сократить время на творчество и стратегию, повысить эффективность производства, увеличить объем контента и улучшить рентабельность инвестиций в кампании. Создав надежную основу данных и ИИ с помощью Google Cloud, WPP добилась значительного влияния на бизнес и ускорила свой переход к будущему, основанному на ИИ.
CdXz5zHNQW_bQfJCUmGLT.jpeg
В цифровой экономике эффективное управление данными имеет решающее значение, но многие компании сталкиваются со сложностями внутренних ETL-конвейеров или ненадежными сторонними инструментами. BigQuery Data Transfer Service (DTS) предлагает полностью управляемое решение без кода, которое автоматизирует загрузку данных в BigQuery, освобождая команды от обслуживания конвейеров. Сервис расширяет свои интеграции для устранения разрозненности данных на различных платформах. Новые возможности включают прямую загрузку в таблицы Apache Iceberg из облачного хранилища, обеспечивая совместимость с несколькими облаками при сохранении производительности BigQuery.Архитектура следующего поколения на основе агентов позволяет приложениям ИИ программно обнаруживать и управлять передачей данных. DTS теперь поддерживает корпоративные базы данных, такие как Microsoft SQL Server, PostgreSQL и MySQL, для полной и инкрементальной передачи, консолидируя данные в BigQuery. Платформы электронной коммерции и маркетинга, такие как Shopify, Klaviyo, HubSpot и Mailchimp, также интегрированы для автоматизации извлечения детальных данных.Коннекторы для миграции, включая Snowflake, предлагают функции для беспрепятственного перемещения данных. Крупные коннекторы, такие как ServiceNow, Salesforce и Oracle, были улучшены с помощью нативных инкрементальных обновлений. BigQuery DTS обеспечивает экономическую эффективность благодаря бесплатной загрузке для многих источников Google и других основных источников, а также низким ставкам на основе потребления для сторонних SaaS.Безопасность беспрепятственна, с автоматическим наследованием функций безопасности BigQuery, таких как безопасность на уровне столбцов и ключи шифрования, управляемые клиентом, без дополнительной настройки. Сервис может похвастаться ведущей в отрасли производительностью и отказоустойчивостью с SLA по ежемесячному времени безотказной работы >=99,99%, обеспечивая надежные обновления данных. Компании могут трансформировать свои операции с данными, используя BigQuery DTS для создания масштабируемого стека данных, при этом новые коннекторы постоянно разрабатываются на основе потребностей пользователей.
Прямые трансляции спортивных событий требуют надежной цифровой инфраструктуры для обслуживания миллионов зрителей и обеспечения минимальной задержки. TelevisaUnivision столкнулась с этой проблемой во время Чемпионата мира по футболу 2026 года, когда Мексика, будучи страной-хозяйкой, усилила вовлеченность болельщиков. Репутация бренда напрямую связана с безупречной, бесперебойной трансляцией решающих моментов. Поэтому техническое исполнение имеет первостепенное значение для поддержания доверия клиентов и предотвращения оттока подписчиков. TelevisaUnivision заключила партнерство с Google Cloud, выбрав его Media CDN благодаря его архитектуре и ориентации на клиента. Распределенная инфраструктура Media CDN отличается глубоким кэшированием на периферии у интернет-провайдеров и прямым пирингом с интернет-провайдерами для обхода сетевых перегрузок. Резервирование выделенной мощности гарантировало изоляцию трафика в реальном времени и способность поглощать пиковые нагрузки. Миграция хранилища сессий в Memorystore для Valkey 9.0 позволила достичь времени отклика менее миллисекунды для критически важных проверок. Помимо технологий, Google Cloud предложил совместную модель совместного инжиниринга с унифицированными круглосуточными "военными комнатами" и проактивным мониторингом. Это сотрудничество привело к 100% доступности платформы в течение 104 матчей, обеспечив 675 миллионов просмотров. Партнерство установило новый ориентир для крупномасштабных прямых трансляций, объединив локализованную доставку на периферии, быструю обработку и совместные операционные усилия.
CdXz5zHNQW_EirBGeM6Z0.png
Предприятия сталкиваются с трудностями при управлении неструктурированными данными, такими как PDF-файлы, аудио и изображения. BigQuery теперь предлагает упрощенную пятиэтапную структуру для извлечения ценной информации из этих данных: Доступ, Обработка, Обогащение, Связывание и Активация. В этой статье основное внимание уделяется трем ключевым этапам, которые улучшают фазу "Обогащение". Автоматическая генерация эмбеддингов теперь общедоступна, автоматически создавая эмбеддинги данных по мере поступления новой информации без сложных конвейеров. Эта функция поддерживает как внешние, так и нативные модели эмбеддингов Gemma, а теперь включает возможности мультимодального эмбеддинга изображений. BigQuery устраняет необходимость в отдельных векторных базах данных, управляя обработкой в масштабе предприятия и автоматически поддерживая синхронизацию данных. Общедоступность AI.SEARCH улучшает производительность поиска на естественном языке со значительным приростом в одном запросе. Эта функция позволяет пользователям легко находить семантически связанные записи без необходимости использования эмбеддингов в пути поиска. Оптимизация производительности привела к существенному увеличению скорости, обеспечивая более быстрый и экономичный поиск для конечных пользователей. Публичная предварительная версия гибридного поиска объединяет возможности поиска по ключевым словам и векторного поиска. Этот подход сочетает концептуальное понимание семантического поиска с точной точностью лексического соответствия. Гибридный поиск повышает точность и уменьшает галлюцинации LLM, переранжируя результаты на основе как семантической релевантности, так и частоты ключевых слов. Эти достижения являются частью более широкой концепции BigQuery по созданию комплексной платформы аналитики неструктурированных данных.
CdXz5zHNQW_jYrUlOLOjk.gif
Google Cloud обеспечивает безопасность данных и бизнес-систем благодаря своей инфраструктуре, инструментам и управлению. Они используют модель "общей судьбы", проактивно выявляя и устраняя угрозы до того, как они повлияют на клиентов. Гипермасштабируемые облачные платформы являются привлекательными целями для злоумышленников, стремящихся к срыву работы или финансовой выгоде. Команды безопасности Google Cloud активно отслеживают попытки эксплуатации рабочих нагрузок ИИ, майнинга криптовалют и кражи учетных данных. Они также защищаются от захвата аккаунтов, используя такие методы, как фишинг и кража сессионных cookie.Для снижения этих рисков Google Cloud применяет детальные меры по ограничению и регулированию аномального трафика. Они используют совместную сортировку для сложных рабочих нагрузок ИИ и локализованную изоляцию идентификаторов для предотвращения бокового перемещения. В крайнем случае, при серьезной угрозе целостности платформы, вводятся целевые приостановки проектов. Google также сотрудничает с хостами репозиториев для раннего обнаружения раскрытых учетных данных.Прозрачность имеет решающее значение: ведение журналов событий злоупотреблений в облаке обеспечивает видимость уведомлений о безопасности. При обнаружении критических злоупотреблений генерируются проактивные обращения в службу поддержки и уведомления о злоупотреблениях. Журналирование аудита облака и оповещения о аномальных расходах помогают выявлять несанкционированную деятельность, а основные контакты обеспечивают своевременную связь. Клиенты несут ответственность за укрепление своих сред путем таких действий, как принудительное применение многофакторной аутентификации и защита учетных записей служб.Также рекомендуется внедрять принцип наименьших привилегий, защиту периметра и регулярную гигиену ресурсов. Google постоянно отслеживает состояние платформы для выявления аномальных моделей использования. Поддержание безопасной среды — это партнерство, требующее самоотдачи как от Google Cloud, так и от его клиентов. Применяя надежные средства контроля доступа и лучшие практики безопасности, они вместе могут обеспечить безопасность и устойчивость рабочих нагрузок.
Многие руководители в сфере разработки и ИТ ищут практические способы внедрения ИИ-агентов в производство. Предоставленная информация предлагает практическое решение в виде комплексной программы, разработанной для того, чтобы провести пользователей от концепции ИИ до полностью автономных агентов. Этим летом люди смогут бесплатно использовать фреймворки и подходы Google для создания и масштабирования агентов. Программа Gemini Enterprise Agent Ready (GEAR) предлагает лаборатории и курсы, чтобы снабдить пользователей необходимыми инструментами и планами. Учебный план включает фундаментальные введения в ИИ-агентов и их влияние на производительность. Пользователи углубятся в основы агентов, такие как модели принятия решений и циклы выполнения для адаптивных агентов. Учебная программа также охватывает примеры использования корпоративных агентов, сопоставление агентов с KPI и использование различных фреймворков кодирования. Доступно несколько значков навыков, подтверждающих экспертизу в создании корпоративных приложений Gemini, оркестровке многоагентных рабочих процессов и разработке ИИ-агентов с помощью Agent Development Kit. Дополнительные модули посвящены интеграции текущих инструментов, управлению памятью и состоянием агентов, созданию пользовательских навыков агентов и эксплуатации агентов в Google Cloud. Участники могут проверить свои навыки на хакатоне All Things Agentic, соревнуясь за значительные призы. Программа поощряет немедленное участие для приобретения востребованных навыков и сертификатов, с новыми учебными планами, доступными для многоагентных систем и безопасности корпоративных агентов.
На стыке медицины и искусственного интеллекта появилось множество инноваций, но разработчики сталкиваются с проблемой создания надежных медицинских ИИ-инструментов, протестированных и оцененных на разнообразных реальных данных пациентов при сохранении конфиденциальности. Для решения этой проблемы Google Cloud сотрудничает с MLCommons в рамках инициативы MedPerf, которая использует конфиденциальные вычисления для создания безопасной среды для тестирования ИИ-моделей. Инициатива MedPerf, запущенная MLCommons в 2023 году, направлена на стандартизацию оценки медицинского ИИ путем использования федеративной оценки для тестирования моделей. Используя Google Cloud Confidential Space, проприетарные ИИ-модели могут оцениваться внутри аппаратно-изолированных доверенных сред выполнения, гарантируя, что ни одна из сторон не сможет увидеть код модели или данные пациента. Confidential VM распространяется за пределы ЦП на ГП, защищая веса моделей и данные пациентов во время инференса с ускорением ГП. Платформа MedPerf уже стимулирует критически важные исследования, такие как инициатива Federated Tumor Segmentation, которая работает над улучшением исследований опухолей головного мозга путем проверки ИИ-моделей на частных данных МРТ головного мозга со всего мира. Такой совместный подход демонстрирует, что ИИ-инструменты могут быть доказаны как работающие на действительно репрезентативной популяции пациентов, достигая клинического доверия и валидации. Влияние этого сотрудничества значительно: исследователи и клиницисты высоко оценивают безопасную, масштабируемую и совместную облачную среду, предоставляемую Google Cloud. Будущее медицинского ИИ обещает огромные перспективы, но оно может быть реализовано только в том случае, если клиницисты, исследователи и регулирующие органы смогут доверять бенчмаркам, используемым для его оценки. Упрощая безопасный обмен и оценку данных и моделей, сотрудничество между MLCommons и Google Cloud прокладывает путь к более быстрым, безопасным и справедливым медицинским прорывам.
Современные платформы данных сталкиваются с проблемами оптимизации производительности запросов и соотношения цены и производительности системы, особенно с ростом нагрузки от агентов. Ручная оптимизация запросов становится непрактичной по мере увеличения объема, разнообразия и скорости поступления данных, а также при автоматической генерации запросов агентами. BigQuery превратился в основной движок для эпохи агентного ИИ, ориентированный на автономную обработку запросов. Его дезагрегированная архитектура хранения и вычислений, бессерверная обработка и детальное управление вычислениями способствуют оптимальному соотношению цены и производительности. Ключевые инновации включают самообучающийся движок с оптимизациями на основе истории (HBO), который учится на предыдущих выполнениях запросов для автоматического применения полезных оптимизаций без вмешательства пользователя. Эта система включает защитные механизмы для предотвращения регрессий, отклоняя оптимизации, которые не улучшают производительность. Усовершенствованный рантайм улучшает векторизацию и реализует оптимизации для коротких запросов, ускоряя подходящие запросы и сокращая использование слотов. Эти улучшения последовательно применяются к различным форматам данных, включая открытые архитектуры lakehouse. Гибкое масштабирование улучшает авто масштабирование, позволяя оплачивать вычислительные ресурсы по секундной тарификации и снижая затраты. Эти автономные возможности имеют решающее значение для будущего платформ данных, поскольку ИИ-агентам требуется значительно более высокая задержка запросов и параллелизм, чем у людей. Цель BigQuery — автоматически и безопасно оптимизировать запросы, позволяя пользователям сосредоточиться на предоставлении лучших возможностей, а не на ручном управлении инфраструктурой и оптимизации запросов.
CdXz5zHNQW_RZymwO4c5H.png
Предприятия и правительства сталкиваются с трудностями при внедрении ИИ из-за строгих требований к соответствию данных и суверенитету, что часто требует хранения данных на локальных серверах. Эти организации должны управлять юрисдикционными, экономическими и геополитическими рисками, связанными с обработкой иностранных данных. Недавний опрос показал, что почти половина ИТ-руководителей отдают приоритет инфраструктуре, поддерживающей резидентность данных и местные законы о безопасности. Исторически хранение данных на локальных серверах означало отказ от доступа к новейшим достижениям в области ИИ. Однако внедрение гибридных облачных подходов, сочетающих локальные и мультиоблачные решения, теперь устраняет этот разрыв. Эта гибридная стратегия позволяет организациям сбалансировать мощь публичного облака с преимуществами местного суверенитета и соответствия требованиям. Она обеспечивает контроль над местоположением и доступом к данным, что ранее было затруднительно для тех, кто имел строгие правила. Создание собственных систем ИИ также считалось слишком медленным и дорогим для таких организаций. Google Distributed Cloud (GDC) предлагает решение, перенося возможности Google Cloud в локальные или граничные среды. GDC доступен в изолированных и подключенных моделях развертывания для удовлетворения потребностей рабочих нагрузок ИИ, связанных с суверенитетом. Он предоставляет комплексное локальное решение для ИИ с оптимизированной инфраструктурой, выбором моделей и экономически эффективными службами вывода. Это позволяет организациям создавать безопасные ИИ-агенты, сохраняя при этом полный контроль над данными.
CdXz5zHNQW_XwzheZFbR2.png
Группа Threat Intelligence Google отслеживает UNC6671, группу злоумышленников, которая продолжает проводить операции по краже и вымогательству данных, несмотря на предполагаемое прекращение деятельности бренда BlackFile. UNC6671 диверсифицировала свою деятельность на нескольких фронтах вымогательства, включая Redact, Pink, Helix и Falcon. Они используют фишинг по телефону (vishing), чтобы выдать себя за сотрудников службы поддержки IT, нацеливаясь на сотрудников через личные мобильные устройства. Эти звонки направляют жертв на поддельные порталы входа, где инфраструктура Adversary-in-the-Middle (AiTM) перехватывает учетные данные и токены многофакторной аутентификации. Как только получен доступ, автоматические скрипты используются для эксфильтрации данных из облачных сред, таких как Microsoft 365 и Okta. Анализ показывает перекрывающуюся инфраструктуру и шаблоны фишинга, соединяющие эти различные бренды вымогательства, что предполагает общую оперативную нить. Целевая аудитория UNC6671 эволюционировала, с недавним акцентом на финансовых услугах, частных инвестиционных фондах и профессиональных услугах. Новые методы включают использование предлогов Passkey для фишинга и применение тактик уклонения от обороны для поддержания постоянства и удаления доказательств. Платежи выкупа продолжают наблюдаться, с значительными суммами, переведенными даже после предполагаемого закрытия BlackFile. Организациям рекомендуется внедрять фишинг-устойчивую многофакторную аутентификацию для смягчения этих угроз.
CdXz5zHNQW_oek9BOyxep.png
Инфраструктура Google Cloud является предпочтительной платформой для большинства крупных лабораторий искусственного интеллекта и быстрорастущих стартапов в области ИИ. Эти организации полагаются на нее для обучения моделей, инференса и передовых исследований. Mirendil, новая передовая лаборатория ИИ, теперь также использует AI Hypercomputer от Google Cloud. Это будет включать использование комбинации ИИ-ускорителей TPU от Google и ИИ-инфраструктуры NVIDIA. Эта специализированная установка предназначена для поддержки приложений Mirendil по предварительному и последующему обучению моделей. Mirendil стремится разрабатывать системы ИИ, которые ускоряют и демократизируют исследования и разработку в области ИИ. Их работа включает управление сложными рабочими процессами обучения и обеспечение крупномасштабного обучения с подкреплением. Гибкость выбора как TPU, так и платформы NVIDIA в Google Cloud предоставляет Mirendil быстрый доступ к вычислительным ресурсам. Это позволяет им со временем сопоставлять рабочие нагрузки с наиболее подходящей архитектурой. Google Cloud тесно сотрудничал с Mirendil при проектировании и развертывании этой интегрированной инфраструктуры. Они также сотрудничали над системой, использующей управляемые кластеры обучения в рамках платформы Gemini Enterprise Agent Platform. Mirendil уже использует чипы TPU v5P и вскоре интегрирует системы ускоренных вычислений NVIDIA. Это расширение позволяет Mirendil масштабировать и улучшать свои системы ИИ. Они стремятся предоставить возможности передовых исследований в области ИИ в руки большего числа ученых и инженеров.
UiPath переходит на агентный ИИ, развертывая автономных агентов, которые рассуждают и принимают решения для оркестровки сложных бизнес-процессов. Этот переход требует значительной вычислительной мощности и надежной инфраструктуры, особенно для крупных предприятий. Эффективная оркестровка сотен графических процессоров имеет решающее значение для глобальных ИИ-платформ, обеспечивая баланс между обучением и инференсом без увеличения затрат или задержек. UiPath переработала свою инфраструктуру в Google Cloud, перейдя на общий парк графических процессоров для интеллектуальной обработки документов. Теперь они используют экземпляры виртуальных машин A3 для обучения и экземпляры виртуальных машин G4 для инференса, справляясь с пиковыми нагрузками и обеспечивая предсказуемые затраты. Это партнерство с Google Cloud обеспечивает необходимый масштаб, гибкость и специализированные возможности ИИ для амбициозных инициатив UiPath в области агентного ИИ. Предыдущий подход компании к выделению графических процессоров по запросу стал неуправляемым из-за пиковых нагрузок, узких мест в поставках высокопроизводительных чипов и операционных накладных расходов. Рассматривая графические процессоры как общий стратегический ресурс, платформа ML Services от UiPath приоритизирует работу и балансирует спрос между рабочими процессами, оптимизируя использование. Архитектура AI Hypercomputer от Google Cloud, интегрирующая аппаратное обеспечение, программное обеспечение и гибкие модели потребления, дополнительно поддерживает растущий масштаб UiPath. UiPath использовала Google Kubernetes Engine и динамический планировщик рабочих нагрузок Google Cloud (DWS) для заблаговременного обеспечения мощностей графических процессоров, что позволило осуществлять проактивное планирование. Теперь они используют экземпляры виртуальных машин A3 для обучения и экономичные экземпляры виртуальных машин G4 для инференса, оптимизируя производительность и цену. Эта новая инфраструктура позволяет UiPath внедрять в производство передовые модели, такие как те, которые используются Omega Healthcare и Thermo Fisher Scientific, достигая замечательной точности и эффективности обработки. Основные извлеченные уроки включают разделение мощностей, заблаговременное планирование вычислений и правильный подбор кремния для различных рабочих нагрузок.
CdXz5zHNQW_xB4j7Tpaox.jpeg
Общие инфраструктурные среды, такие как те, что используются поставщиками SaaS и предприятиями, уязвимы для проблемы "шумного соседа". Интенсивная активность данных одного арендатора или сбой базы данных могут снизить производительность для всех пользователей, что приведет к задержкам и нарушениям SLA. Устаревшие монолитные архитектуры, где все данные проходят через один поток, усугубляют эту проблему. Это означает, что сбой одной базы данных может остановить всю обработку, требуя неэффективного масштабирования для наихудших сценариев. Поддержание стабильных SLA становится практически невозможным, когда большой объем данных одного арендатора влияет на всю систему.Решением является шардированная архитектура "хаб и спицы", которая разделяет обработку на центральный хаб для маршрутизации и изолированные спицы для выполнения. Хаб, легковесная задача Dataflow, действует как диспетчер трафика, анализируя идентификаторы арендаторов и распределяя данные по изолированным буферам. Эти буферы, реализованные как надежные темы Pub/Sub, предотвращают влияние медленных нижестоящих приемников на исходный источник. Спицы состоят из нескольких меньших экземпляров Dataflow, категоризированных по рабочей нагрузке, такой как высокоприоритетные, общие уровни или конвейеры, специфичные для домена. Эта изоляция значительно снижает радиус поражения сбоев со 100% до менее 5%. Она также позволяет независимо масштабировать систему в зависимости от нагрузки арендатора, в отличие от неэффективного масштабирования монолитных систем для наихудших сценариев. Обслуживание становится безопаснее, поскольку обновления одного домена не обязательно влияют на другие. Дополнительные оптимизации, такие как очереди недоставленных сообщений (Dead Letter Queues), строгое объединение соединений и асинхронный ввод-вывод, еще больше повышают стабильность и предотвращают остановку конвейеров. Приняв этот шардированный подход, платформы могут устранить угрозу "шумного соседа", обеспечивая строгие SLA и позволяя выполнять более безопасные развертывания.
CdXz5zHNQW_wDjs5eoArR.png
Filestore от Google Cloud, масштабируемый файловый сервис NFS, получил значительное улучшение благодаря интеграции облачного бэкенд-слоя хранения данных на базе Colossus. Эта модернизация позволяет Filestore использовать ту же фундаментальную распределенную систему хранения, которая лежит в основе крупнейших глобальных сервисов Google. Интеграция обеспечивает большую гибкость и масштабируемость для требовательных современных рабочих нагрузок, включая рабочие процессы с использованием ИИ и агентов. Ключевым преимуществом является разделение емкости хранения и производительности, позволяющее независимо выделять IOPS для точного соответствия требованиям рабочей нагрузки. Такое раздельное масштабирование особенно выгодно для контейнеризированных сред, обеспечивая постоянное высокопроизводительное хранилище для рабочих нагрузок GKE через драйвер CSI Filestore. Многошаровые хранилища Filestore для GKE дополнительно оптимизируют использование ресурсов, разделяя экземпляры на более мелкие доли для нужд конкретных проектов. Эта новая архитектура открывает критически важные сценарии использования, такие как рабочие пространства с высокой степенью параллелизма для роев ИИ-агентов, где общий доступ к данным имеет решающее значение. Протокол NFS Filestore, поддерживаемый Colossus, обеспечивает миллионам агентов согласованный доступ к файловой системе и строгую консистентность данных посредством блокировки файлов NFS. С операционной точки зрения, улучшение обеспечивает повышенную гибкость благодаря масштабированию IOPS в реальном времени и более быстрому восстановлению после сбоев. Безопасность также повышается за счет глубокой интеграции с Google Cloud IAM и списками контроля доступа по IP. Это обновление позиционирует Filestore для удовлетворения меняющихся потребностей рабочих процессов данных эпохи ИИ, предлагая гибкость и экономическую эффективность.
Миграция хранимых процедур с множественными результатами из SQL Server в PostgreSQL представляет собой значительную проблему из-за архитектурных различий. SQL Server нативно передает несколько наборов результатов, в то время как PostgreSQL требует явного управления курсорами. Ручное переписывание сотен процедур непрактично, что делает автоматизированные инструменты, такие как служба миграции баз данных (DMS) Google Cloud, незаменимыми. DMS анализирует процедуры, чтобы определить, возвращают ли они один или несколько наборов результатов, с выходным скалярным значением или без него. Для одиночных наборов результатов или скалярных возвратов он генерирует процедуру PostgreSQL с INOUT refcursor. Множественные наборы результатов или их комбинация преобразуются в функцию PostgreSQL, возвращающую SETOF refcursor. Скалярное возвращаемое значение добавляется как отдельный курсор "return_value". Тестирование перенесенного кода требует выполнения в рамках транзакционных блоков и последовательного извлечения данных из каждого курсора. DMS использует сложный механизм предварительной обработки и анализ направленного графа с поиском в глубину для точного определения количества наборов результатов. Этот автоматизированный подход сохраняет основную логику, адаптируя обработку вывода для интеграции с приложениями и контроля качества. Понимание стратегии преобразования DMS является ключом к бесперебойной работе в PostgreSQL после миграции.
CdXz5zHNQW_dhhtMvrokU.jpeg
Deutsche Bank осознал, что API являются неотъемлемой инфраструктурой для трансформации цифрового банкинга. Они перешли от монолитных систем к модульным, повторно используемым API, что потребовало централизованной платформы управления API. Google Cloud Apigee был выбран благодаря своей адаптивности, масштабируемости, надежности, безопасности и готовности к использованию искусственного интеллекта. Apigee теперь управляет их экосистемой API, связывая финтех-партнеров и обеспечивая работу внутренних и клиентских приложений. Платформа обеспечивает унифицированное управление для обнаружения и автоматического соблюдения стандартов. Безопасность API управляется по принципу наименьших привилегий, аналогично контролю доступа сотрудников. Apigee обеспечивает отказоустойчивость и производительность за счет балансировки нагрузки и автоматического масштабирования. Наблюдаемость достигается с помощью унифицированных панелей мониторинга для получения информации о показателях производительности API в режиме реального времени. Такой подход, ориентированный на API, создает прочную основу для будущих интеллектуальных сервисов и новых отраслевых стандартов. Deutsche Bank рассматривает API как универсальный интерфейс для банковских возможностей, обеспечивающий бесшовную интеграцию новых сервисов. Инвестиции в эту инфраструктуру позволяют им адаптироваться к будущим потребностям и безопасно внедрять инновации.
CdXz5zHNQW_boa0H5odch.jpeg
Google Cloud запустил двух агентов баз данных на базе искусственного интеллекта для упрощения управления базами данных. Агент по внедрению баз данных помогает с первоначальной настройкой, конфигурацией и развертыванием, рекомендуя подходящие службы баз данных на основе требований пользователя, описанных на естественном языке. Для текущих операций агент по наблюдению за базами данных отслеживает, устраняет неполадки и обслуживает базы данных. Эти агенты интегрированы в различные поверхности Google Cloud и сторонние инструменты, такие как IDE, предоставляя помощь там и тогда, где это необходимо. Традиционно управление базами данных было сложным, ручным и трудоемким процессом, требующим значительного времени на устранение неполадок. Новые агенты автоматизируют такие задачи, как оптимизация запросов и обнаружение аномалий, снижая операционные расходы и повышая эффективность. Агент по наблюдению помогает решать сложные проблемы, анализируя данные из нескольких источников, предоставляя анализ первопричин и предлагая или выполняя проверенные исправления. Он предлагает устранение неполадок на уровне всего парка и расследования в продукте, коррелируя телеметрию из таких служб, как Cloud Monitoring и Cloud Logging. Интеграция в существующие рабочие процессы бесшовна, с возможностями, доступными через чат Cloud Assist, расследования в консоли и инструменты разработчика. Агенты поддерживают широкий спектр баз данных Google Cloud, включая Cloud SQL, Spanner, AlloyDB и Bigtable, решая различные проблемы с производительностью и эксплуатацией. Агент по внедрению анализирует потребности рабочей нагрузки, чтобы рекомендовать конкретные управляемые службы баз данных, оптимизируя процесс выбора и предоставления ресурсов.
CdXz5zHNQW_EaJdqPA9kl.gif
Современная розничная торговля требует персонализированного поиска товаров и естественной разговорной помощи. Target создала платформу Guest Product Confidence для укрепления доверия и помощи в принятии решений о покупке. Примером является чат-бот Gift Finder, запущенный в праздничный сезон 2025 года, который предлагает разговорный поиск товаров. Для достижения персонализации в реальном времени и семантических ответов в масштабе Target необходимо было объединить свою разрозненную экосистему данных в единую платформу. Эта платформа должна была одновременно поддерживать транзакционные нагрузки, графовые отношения, поиск по векторному сходству и поиск по ключевым словам. Target выбрала Spanner Graph для создания своей корпоративной онтологии, "графа графов" для торгового графа на базе генеративного ИИ. Объединив данные, Spanner теперь выступает в качестве единого источника истины для транзакционного состояния и семантической информации. Архитектура включает корпоративное дополнение, унифицированное хранилище графов/векторов/поиска и уровень оркестрации, обеспечивающий работу интерфейсов ИИ. Миграция с нулевым временем простоя в четыре этапа, включая сопоставление схем и параллельное воспроизведение данных, была успешно выполнена. Эта консолидация привела к измеримым бизнес-результатам, включая повышение релевантности рекомендаций и улучшение удовлетворенности клиентов. Это также привело к сокращению затрат на обслуживание инфраструктуры на 50%, ускоряя разработку новых функций ИИ.
Chrome Enterprise от Google развивает свои функции безопасности для поддержки роста автономных ИИ-агентов. Эти агенты все чаще выполняют сложные задачи в браузере, что требует надежной защиты данных как для пользователей, так и для самого ИИ. Браузер предлагает уникальное преимущество, сохраняя контекст пользователя, существующие политики доступа и информацию об активных приложениях. Это позволяет агентам работать безопасно, используя существующие корпоративные разрешения.Chrome Enterprise Premium представляет расширенную систему предотвращения утечек данных (DLP) для проверки потоков данных агентов в режиме реального времени. Это предотвращает утечку конфиденциальной информации в общедоступные большие языковые модели и позволяет управлять разрешениями расширений. Элементы управления доступом распространяются от пользователей на их ИИ-агентов, поэтому если пользователь не может получить доступ к определенным данным, его агенты также не смогут.Для обеспечения безопасного сотрудничества агентов Chrome внедряет ряд мер защиты. Критик согласованности с пользователем действует как контролер, анализируя метаданные для предотвращения атак внедрения подсказок. Изоляция сайтов улучшена для ограничения активности агентов соответствующими источниками задач, предотвращая несанкционированные действия на несвязанных сайтах. Агенты регистрируют свои действия, а Chrome автоматически приостанавливается на критических этапах для одобрения человеком, сохраняя сотрудника в курсе. Например, крупные финансовые транзакции или массовые рассылки электронной почты требуют явного согласия человека. Действия агентов четко маркируются в истории Chrome для прозрачности.Google активно тестирует эти средства защиты с помощью автоматического "красного тестирования" и расширил свою программу вознаграждений за уязвимости. Расширяя принципы изоляции браузера и предоставляя средства контроля видимости, Chrome Enterprise стремится позволить компаниям внедрять инструменты повышения производительности на базе ИИ без ущерба для безопасности. Такой подход гарантирует, что предприятия смогут безопасно внедрять инновации в развивающемся ландшафте работы с помощью ИИ.
Предприятия стоят перед трудным выбором: либо сохранить устаревшие мейнфреймы, либо пойти на рискованную миграцию одним махом. Google Cloud предлагает альтернативную стратегию итеративной модернизации, основанную на искусственном интеллекте и облачных технологиях. Этот подход признает, что модернизация мейнфреймов включает в себя нечто большее, чем просто преобразование кода, охватывая сложные зависимости, форматы данных, мониторы транзакций, рабочие процессы и проприетарные интерфейсы. Решение Google Cloud объединяет модели Gemini со специализированными продуктами для модернизации мейнфреймов по четырем направлениям: оценка, модернизация, снижение рисков и миграция данных.Инструмент оценки мейнфреймов (MAT) использует ИИ для обратного инжиниринга устаревших приложений, предоставляя информацию о зависимостях, бизнес-правилах, документации и обнаружении доменов. Модернизация предлагает гибкие пути, включая переписывание приложений для инноваций или выполнение детерминированной, идентичной модернизации для сохранения поведения. Процесс Dual Run от Google Cloud обеспечивает безопасность, одновременно запуская рабочие нагрузки в мейнфреймах и облачных средах, сравнивая результаты для проверки эквивалентности. Mainframe Connector облегчает миграцию данных в различные сервисы Google Cloud, позволяя выгружать обработку и открывать доступ к изолированным данным. Этот комплексный подход решает реальные проблемы модернизации мейнфреймов, понимая существующие процессы, модернизируя приложения, снижая риски перед запуском и модернизируя данные. Google Cloud приглашает предприятия протестировать этот ускоренный с помощью ИИ подход через пилотные программы, начиная с автоматизированной оценки кодовой базы.
CdXz5zHNQW_Bxqmdjy8fD.png
Проект Data Commons стремится упорядочить информацию мира и сделать ее универсально доступной и полезной, объединяя разрозненные общедоступные наборы данных от более чем 100 авторитетных поставщиков. Data Commons предоставляет графовые базы знаний, которые связывают реальные объекты и их взаимосвязи, содержащие более 400 миллиардов точек данных, структурированных с использованием стандартизированных определений Schema.org. Платформа предлагает инструменты для исследования данных, инструменты MCP и облачные API для доступа и интеграции очищенных наборов данных, что облегчает компаниям сопоставление их внутренних данных с общедоступными справочными данными. Data Commons интегрирует общедоступную информацию из различных областей, включая сельское хозяйство, демографию, экономику, окружающую среду и здравоохранение, открывая мощные сценарии использования, такие как анализ тенденций ВВП страны и отслеживание местного равенства в области здравоохранения. Платформа перешла на собственную графовую модель с Spanner Graph, которая обеспечивает удобство интерфейса, похожего на SQL, и выразительность графов в Spanner, с его высокой доступностью, горизонтальным масштабированием и поддержкой собственного языка запросов к графам ISO/IEC 39075. Приняв многосущностную схему Spanner Graph, Data Commons представляет сущности как узлы, а их доменные связи — как динамические ребра графа, что позволяет выполнять сложные запросы к отношениям непосредственно в базе данных с использованием GQL. Новая архитектура упрощает конвейеры, устраняя необходимость в сложных, предварительно вычисленных индексах, и обеспечивает инкрементальные обновления конкретных наборов данных без необходимости обновления всей базы данных. Data Commons также использует упрощенную реализацию технического стандарта Statistical Data and Metadata eXchange (SDMX), обеспечивая согласованный подход к описанию и обмену статистическими данными вместе с описательной статистической метаинформацией. Обновление платформы Data Commons добавляет поддержку технического стандарта SDMX версии 3.0, обеспечивая интеграцию "из коробки" со сторонними инструментами для многомерных наборов данных. Объединяя общедоступный граф знаний и частный граф знаний, содержащий их собственные данные, пользователи могут реализовать захватывающие новые сценарии использования, сохраняя при этом изоляцию данных и гарантируя отсутствие дублирования данных.
CdXz5zHNQW_8FZTNms1zk.png
Бизнесу необходимо быстро и безопасно внедрять агентов ИИ, чтобы увеличить доходы и снизить риски, одновременно защищая основные ERP-системы. Для этого требуется не только исходные данные; Она требует совместимых продуктов данных, которые служат единым источником истины, переводя сложные записи в понятные деловые термины. Cortex Framework версии 7 от Google Cloud решает эту проблему, модернизируя архитектуру данных для готовности агентов ИИ. Этот релиз упрощает развертывание, кастомизацию и расширение продуктов с данными, снижая инфраструктурные накладные расходы.Cortex Framework v7 включает специально разработанные ускорители продуктов данных для SAP, которые внедряются непосредственно в BigQuery и Knowledge Catalog. Они обеспечивают платформу Gemini Enterprise Agent Platform точным бизнес-контекстом, позволяя агентам ИИ выполнять работу с высокой точностью. Dataform обеспечивает модульную и масштабируемую архитектуру развертывания фреймворка, упрощая оркестрацию и позволяя командам по данным создавать и контролировать версии рабочих процессов.Новый релиз предоставляет готовые к агентам продукты данных с метаданными, дружественными к ИИ, позволяя агентам рассуждать и выполнять рабочие процессы. Он преобразует сырые данные SAP в понятные бизнес-термины и обрабатывает сложную логику, такую как сдвиги валютных десятичных знаков, обеспечивая высокую точность данных для ИИ. Ускоряя кастомные проекты в области ИИ, версия 7 включает навыки агента для конструктора продуктов данных на основе искусственного интеллекта, использующего естественный язык. Фреймворк также может быть расширен для сохранения разделения между содержимым фреймворка и пользовательскими моделями, что позволяет проводить чистые обновления.Модульные развертывания на базе Dataform обеспечивают управление SQL с контролем версий и управлением зависимостями, обрабатывая только необходимые таблицы. Этот модульный подход обрабатывает сложные среды SAP, параллельно разворачивая продукты для различных систем SAP и автоматически вводя пользовательские поля. Экономически эффективное масштабирование достигается за счёт постепенной загрузки BigQuery и неразрушающих обновлений схемы, минимизируя вычислительные и операционные расходы. Оркестрация основана на безсерверном выполнении Dataform для масштабируемой обработки данных без дополнительной инфраструктуры.Cortex Framework v7 теперь нативно поддерживает Business Data Cloud от SAP, объединяя свои продукты данных с продуктами SAP BDC для раскрытия новых бизнес-возможностей. Включены образцы решений как для данных SAP BDC, так и для решения критически важных бизнес-вопросов. Совместные инновации с лидерами отрасли сформировали v7, ставя приоритет на гибкость предприятия и готовность к ИИ. Этот релиз превращает сложные корпоративные данные в стратегический актив благодаря безсерверному выполнению, семантике, готовой к ИИ, и нативной интеграции SAP.
CdXz5zHNQW_2lk7aE3kwy.png
Эффективность ИИ-агентов в значительной степени зависит от качества предоставленных инструкций и контекста. Google Agent Skills призван повысить возможности ИИ-агентов для написания кода, кодируя знания домена Google Cloud в структурированные, открытые инструкции. Эта инициатива, запущенная в рамках быстрого "роя" усилий к Google Cloud Next 2026, направлена на то, чтобы сделать ИИ-агентов умнее, безопаснее и точнее. Кросс-функциональная команда разработала стандартизированные, читаемые агентами инструкции для знаний Google Cloud. Проект быстро набрал обороты, более 15 000 звезд на GitHub свидетельствуют о сильном интересе сообщества.Растущая популярность создала значительную проблему в поддержании контроля качества при разнообразном вкладе команды. Для решения этой проблемы были установлены строгие стандарты и автоматизированное управление, чтобы предотвратить хаотичность репозитория. Каждый навык соответствует стандартизированной компоновке, отдавая приоритет удаленным инструментам MCP для лучшей архитектуры. Навыки тщательно разрабатываются и оцениваются внутри компании перед публичным экспортом, удаляя конфиденциальные внутренние данные и обеспечивая чистоту.Автоматические проверки, включая линтеры, проверку ссылок и валидацию с помощью ИИ, выполняются перед слиянием любого навыка в репозиторий. Непрерывные оценки, как при отправке, так и еженедельные, имеют решающее значение для выявления регрессий, вызванных развитием документации, API или моделей LLM. Эти оценки измеряют точность и эффективность, гарантируя, что навыки обеспечивают измеримое улучшение. Проект подчеркивает, что навыки рассматриваются как живые продукты, требующие постоянного обслуживания, с определенной ответственностью за состояние репозитория и поддержание отдельных навыков.Для поддержки авторов были разработаны инструменты и агентные рабочие процессы для помощи в создании эффективных инструкций и наборов для оценки. Параллельная внутренняя инициатива DevRel Skills фокусируется на создании агентных навыков для внутренних рабочих процессов команды с целью повышения эффективности и согласованности. Google Agent Skills предлагает общедоступные навыки на GitHub и связанные с ними вводные материалы для разработчиков.
CdXz5zHNQW_snlohUPtMF.png
Google добивается всестороннего прогресса в области ИИ-инфраструктуры для поддержки эры агентов. Компания разрабатывает передовые модели ИИ, такие как Gemini, и проектирует программные фреймворки и аппаратное обеспечение. Google также интегрирует ИИ в повседневные инструменты и создает базовую инфраструктуру, включая вычислительные мощности, ускорители и программное обеспечение для оркестрации. Эта надежная инфраструктура имеет решающее значение для компаний, стремящихся ускорить инновации и улучшить пользовательский опыт. Google ежемесячно публикует обновления новостей о своей ИИ-инфраструктуре, включая обновления продуктов, технологий и инструментов. Последние обновления включают Google Cloud Managed Lustre, сетевые оптимизированные виртуальные машины C4N и масштабирование GKE Dataplane V2. Новые функции включают кооперативное разделение времени для рабочих нагрузок RL и открытый инструмент безопасности k8s-aibom. Руководства для практиков предлагают подробные инструкции по развертыванию моделей, таких как Kimi K3, и выполнению различных рабочих нагрузок ИИ на TPU. Технические схемы демонстрируют оптимизацию производительности для больших моделей на TPU Google. Gartner признал Google лидером в области ИИ-инфраструктуры. Отчеты указывают на растущий разрыв между амбициями в области ИИ и реальностью инфраструктуры, причем большинству организаций требуются модернизации. Confidential Computing теперь доступен на оптимизированных для ускорителей машинах серии G4 для безопасной обработки данных ИИ. TPU Developer Hub и TPU AI Telemetry Collector Agent предлагают новые ресурсы для разработчиков. В новых руководствах подробно описано создание высокой доступности для рабочих нагрузок ИИ-инференса на GKE и подключение ИИ-агентов к данным в Cloud Storage. Независимые тесты показывают, что GKE Inference Gateway превосходит ведущие управляемые сервисы Kubernetes. Успехи клиентов демонстрируют успешное применение ИИ-инфраструктуры Google в здравоохранении и на платформах отзывов клиентов.
"Cloud CISO Perspectives" подчеркивает решающую роль безопасности ИИ для советов директоров. Крис Бетц и Алиция Кейд подчеркивают, что безопасность ИИ теперь является базовым требованием для советов директоров, необходимым для гибкости бизнеса. Советы директоров должны поощрять CISOs к принятию нативных для ИИ, агентных и открытых оборонительных стратегий. Это означает согласование скоростей защиты с автоматизированными циклами атак и использование бизнес-контекста для унифицированных платформ инструментов. Google разработал AI Threat Defense для перехода безопасности от ручных к автоматизированным возможностям. Советы директоров должны предоставлять управляющие структуры для операционной модернизации, уделяя особое внимание пяти ключевым областям. К ним относятся поддержка бизнеса, оптимизация циклов устранения неполадок, консолидация систем, контекстуальная приоритизация, а также безопасность и политика ИИ. Инвестиции в эти области повышают устойчивость и ускоряют бизнес-процессы. Советы директоров должны ориентироваться на платформенно-ориентированную, контекстно-зависимую безопасность для защиты активов и стимулирования инноваций. Последние обновления включают агентов безопасности кода ИИ, отчеты об устойчивости и квантово-устойчивые цифровые подписи. Другие темы охватывают именование злоумышленников, чертежи эксплойтов ИИ и обеспечение безопасности бессерверных сред. Подкасты обсуждают проверенную CISOs устойчивость, эволюцию мошенничества с использованием ИИ и безопасную интеграцию ИИ.
CdXz5zHNQW_mSqxbvCj5V.jpeg
Современные облачные приложения становятся автономными цифровыми работниками, способными рассуждать и действовать. Изначально развертывание агентов на виртуальных машинах с использованием таких фреймворков, как OpenClaw, является простым подходом. Однако по мере масштабирования этих рабочих нагрузок, всплесковый характер работы ИИ-агентов приводит к неэффективному потреблению ресурсов, поскольку простаивающие агенты по-прежнему используют ЦП и память. Задача состоит в том, чтобы разместить больше агентов на фиксированных вычислительных ресурсах без ущерба для надежности или эффективности. Оркестрация, будучи интегрированной в архитектуру, значительно улучшает экономику, масштабируемость и надежность. Google Kubernetes Engine (GKE) предлагает продвинутые возможности оркестрации для максимизации вычислительной мощности. Базовый тест, запускающий агентов OpenClaw на microVM, достиг предела масштабирования в 61 агент из-за накладных расходов гостевых операционных систем. Переход на GKE Agent Sandbox, использующий легковесный gVisor для изоляции, увеличил плотность агентов на 44% до 88 агентов на том же узле. Эта оптимизация также снизила стоимость одного агента более чем на 30%. Дальнейшее повышение плотности включает использование снимков GKE Pod с функциями приостановки и возобновления для сохранения состояния простаивающих агентов, освобождая ресурсы. Это позволяет осуществлять сверхподписку вычислительных ресурсов, но требует адаптации стратегий для различных требований к задержке агентов. GKE обеспечивает одновременную поддержку чувствительных к задержке, сбалансированных и толерантных к задержке рабочих нагрузок агентов. Комбинируя GKE Agent Sandbox с приостановкой и возобновлением, плотность агентов может быть увеличена до 3,5 раз, а затраты снижены до 75% для периодически активных агентов. В конечном итоге, эффективное масштабирование агентов в эпоху агентов достижимо за счет использования возможностей платформы и интеграции оркестрации с самого начала.
CdXz5zHNQW_BPn0h5T532.png