Technologie-Peripheriegeräte
KI
Google Cloud Database bietet weitere Funktionen für künstliche Intelligenz
Google Cloud Database bietet weitere Funktionen für künstliche Intelligenz
Google Cloud erweitert seine Analyse- und Transaktionsdatenbanken, darunter BigQuery, AlloyDB und Spanner, mit dem Ziel, die Entwicklung seiner kundengenerierten Anwendungen für künstliche Intelligenz voranzutreiben.
BigQuery ist der fortschrittliche Datenbankdienst von Google Cloud, der zur Unterstützung von Analysen und Aufgaben der künstlichen Intelligenz entwickelt wurde. Der Dienst führt mehrere Verbesserungen der künstlichen Intelligenz ein. Zunächst veröffentlichte Google Cloud eine Vorschauversion der Integration von BigQuery und Vertex AI, die sich auf Text- und Sprachfunktionen konzentrierte. Durch diese Integration können Benutzer wertvolle Erkenntnisse aus unstrukturierten Daten wie Bildern und Dokumenten gewinnen.
Das leistungsstärkste Modell der künstlichen Intelligenz des Unternehmens, Gemini, wurde BigQuery-Kunden über Vertex AI zur Verfügung gestellt. Das Modell löste letzte Woche einige Kontroversen aus, nachdem es auf dem Verbrauchermarkt kein herausragendes Debüt gegeben hatte.
Diese KI-Funktionen folgen der früheren Ankündigung von BigQuery zu Vektorsuchfunktionen. Die Vektorsuchfunktion in der Vorschau ist eine Schlüsselkomponente von GenAI-Anwendungen und unterstützt die Ähnlichkeitssuche und Retrieval-Augmented Generation (RAG) unter Verwendung großer Sprachmodelle.
Der direkte Zugriff auf Vertex AI in BigQuery bietet Google Cloud AI-Kunden in mehrfacher Hinsicht Benutzerfreundlichkeit, sagte Gerrit Kazmaier, General Manager und Vice President für Datenanalyse bei Google Cloud AI.
In der Pressekonferenz erwähnte Kazmaier, dass Sie als Datenanalyse-Praktiker über die SQL-Befehlszeile oder die in BigQuery eingebettete Python-API auf alle Vertex-KI-Modelle, einschließlich Gemini-Modelle, zugreifen können. Dies erleichtert den Zugriff auf diese Modelle, ohne auf einen Datenwissenschaftler oder eine Plattform für maschinelles Lernen angewiesen zu sein. Sie können mit den vorhandenen Daten direkt in Ihrem Arbeitsbereich darauf zugreifen. Das Aufkommen dieser neuen Technologie bringt mehr Möglichkeiten und Flexibilität in die Datenanalyse.
Kazmaier wies darauf hin, dass ein zweiter Vorteil der Integration der einfachere Zugriff auf die für KI-Modelle benötigten Daten sei. Vor der Integration erforderte die Übertragung von Daten an KI-Modelle häufig den Aufbau und die Wartung von Datenpipelines, um die Daten zu verschieben. Jetzt, sagt er, sei das nicht mehr nötig. „Alle komplizierten Verfahren wurden vereinfacht.“
In Vertex können Datenanalysten durch die Nutzung der Funktionen text- und bildbasierter künstlicher Intelligenzmodelle mehr Datenanalysevorteile durch BigQuery erzielen und den Kunden mehr Vorteile bieten.
„Dies eröffnet eine neue Phase der Szenarioanalyse.“ Er sagte, dass die Zusammenfassung, Emotionsextraktion, Klassifizierung, Konzentration und Übersetzung strukturierter und unstrukturierter Daten eine große Sache seien. Grob gesagt sind 90 % der Daten unstrukturiert. Diese Daten werden normalerweise nicht für die Analyse von Unternehmensdaten verwendet, da sie nicht sinnvoll verarbeitet werden können.
Auf der transaktionalen (oder betrieblichen) Seite kündigte Google Cloud die allgemeine Verfügbarkeit von AlloyDB AI an, der KI-spezifischen Version der gehosteten Postgres-Datenbank, die das Unternehmen letztes Jahr auf der Next 23-Konferenz angekündigt hatte. AlloyDB AI verfügt über die Fähigkeit, Vektoreinbettungen zu speichern und Vektorsuchfunktionen auszuführen, was Google Cloud als eine Kernkomponente der GenAI-Anwendungsfälle seiner Kunden betrachtet.
Google Cloud hat außerdem eine neue Integration mit LangChain eingeführt, einem beliebten Open-Source-Framework, das dabei hilft, Kundendaten in große Sprachmodelle (LLMs) zu integrieren. Andi Gutmans, General Manager und Vizepräsident für Datenbanken bei Google Cloud, sagte, dass alle Google Cloud-Datenbanken in LangChain integriert werden.
Gutmans sagte, die neuen Funktionen seien eine Reaktion auf die Nachfrage der Kunden, einen Weg zu finden, mehr GenAI-Wert aus ihren Daten zu ziehen.
Das Unternehmen kündigte außerdem an, dass es Vektorsuchfunktionen zu anderen Datenbanken hinzufügen wird, die in seiner Cloud für Kunden gehostet werden, darunter Redis und MySQL. Cloud Spanner, Firestore und Bigtable werden ebenfalls Vektorfähigkeiten erhalten, sagte Gutmans.
„Das Besondere an Spanner ist, dass es über die Möglichkeit zur Suche nach nächsten Nachbarn verfügt, was eine etwas andere Variante ist“, sagte Gutmans. „Was wirklich spannend ist, sind die Kunden, die wirklich große Anwendungsfälle haben – z. B. Billionen von Vektoren.“ als Höhenpartitionierung basierend auf Benutzern. Sie können sich vorstellen, dass einige der internen Anwendungen von Google nach Benutzern partitioniert sind – sie werden in der Lage sein, Vektoren im Maßstab von Billionen (Vektoren) zu speichern und zu durchsuchen“, sagte er. : „Wir glauben, dass jede Datenbank Jeder Ort, an dem Betriebsdaten gespeichert werden, die Sie in einem GenAI-Anwendungsfall benötigen, sollte auch über Vektorfunktionen verfügen.“ Behalten Sie einfach die Grundfunktionalität der Datenbank bei.“
Das obige ist der detaillierte Inhalt vonGoogle Cloud Database bietet weitere Funktionen für künstliche Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1377
52
Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet
Jun 28, 2024 am 03:51 AM
Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen
Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag
Jun 10, 2024 am 11:08 AM
Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird
Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft
Jun 11, 2024 pm 03:57 PM
Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert
Sieben coole technische Interviewfragen für GenAI und LLM
Jun 07, 2024 am 10:06 AM
Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren
Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt
Jul 25, 2024 am 06:42 AM
Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten
Fünf Schulen des maschinellen Lernens, die Sie nicht kennen
Jun 05, 2024 pm 08:51 PM
Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen
Jul 17, 2024 pm 06:37 PM
Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
GlobalFoundries erschließt Märkte wie KI und erwirbt die Galliumnitrid-Technologie von Tagore Technology und zugehörige Teams
Jul 15, 2024 pm 12:21 PM
Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
