جوجل بيغ كويري تحدث ثورة في البحث عن البيانات بوظيفة البحث المتجهي

في خطوة رائدة، أعلنت Google عن دمج وظيفة البحث المتجهي (Vector Search) في منصة BigQuery الخاصة بها، مما يمثل تقدماً كبيراً في قدرات البيانات والذكاء الاصطناعي. تتيح هذه الميزة الجديدة للمستخدمين إجراء عمليات بحث عن التشابه المتجهي، وهي أمر أساسي لمجموعة واسعة من تطبيقات البيانات والذكاء الاصطناعي مثل البحث الدلالي، وكشف التشابه، والتوليد المعزز بالاسترجاع (RAG) باستخدام نماذج اللغة الكبيرة (LLMs).

في وضع المعاينة، يتيح البحث المتجهي في BigQuery البحث عن الجيران الأقربين التقريبي، وهو مكون حاسم لمختلف حالات استخدام البيانات والذكاء الاصطناعي. تعمل دالة VECTOR_SEARCH، المدعومة بفهرس محسن، على تبسيط تحديد التشابهات الوثيقة من خلال عمليات البحث الفعالة وحسابات المسافة.

تحديثات الفهرسة التلقائية والتحسين

يتم تحديث فهارس المتجهات في BigQuery تلقائياً، مما يضمن تكاملاً سلساً مع أحدث البيانات. تم تسمية التنفيذ الأولي بـ IVF (Inverted File for Vectors)، وهو يجمع بين نموذج تجميعي ومحدد صف معكوس، مما يخلق فهرساً مكوناً من جزأين يحسن الأداء.

قامت Google بتبسيط التكاملات القائمة على Python مع أطر العمل مفتوحة المصدر والجهات الخارجية من خلال الاستفادة من LangChain. يتيح هذا التكامل للمطورين دمج قدرات البحث المتجهي في سير عملهم الحالي بسلاسة.

توسيع نهج البيانات النصية

عبر ماكس أوستابينكو، مدير منتج أول في Opera، عن حماسه للميزة الجديدة، قائلاً: «لقد فوجئت إيجابياً بمحاولة البحث المتجهي باستخدام التضمينات في BigQuery! نحن غارقون الآن في عالم تعزيز رؤى المنتج مع Vertex AI. إنه يوسع نهجك في التعامل مع البيانات النصية.»

لمساعدة المستخدمين على الاستفادة من قوة البحث المتجهي، قدمت Google tutorialاً شاملاً. باستخدام مجموعة بيانات Google Patents العامة كمثال، يوضح الـ tutorial ثلاث حالات استخدام مميزة: بحث براءات الاختراع باستخدام التضمينات المولدة مسبقاً، وبحث براءات الاختراع مع توليد التضمينات في BigQuery، وRAG من خلال التكامل مع النماذج التوليدية.

يبرز أوميد فاتيميه ومايكل كيلبري، قائد الهندسة ورئيس المنتج في Google على التوالي، القدرات المتقدمة لـ BigQuery، مما يمكّن المستخدمين من توسيع حالات البحث إلى رحلات RAG كاملة. على وجه التحديد، يمكن للمستخدمين الاستفادة من مخرجات استعلامات VECTOR_SEARCH كسياق لاستدعاء نماذج اللغة الطبيعية الأساسية (LLM) الخاصة بـ Google عبر دالة ML.GENERATE_TEXT في BigQuery.

لا يقتصر التزام Google بتحسين BigQuery على البحث المتجهي. أعلنت مزودة السحابة عن توفر Gemini 1.0 Pro لعملاء BigQuery عبر Vertex AI. بالإضافة إلى ذلك، تم تقديم تكامل جديد لـ BigQuery مع Vertex AI للنص والكلام.

الفوترة والأسعار

بينما يجلب إدخال البحث المتجهي وظائف محسنة لمستخدمي BigQuery، من المهم ملاحظة أن الفوترة لبيان CREATE VECTOR INDEX ودالة VECTOR_SEARCH تعتمد على تسعير الحوسبة في BigQuery. بالنسبة لبيان CREATE VECTOR INDEX، يتم اعتبار العمود المفهرس فقط لحساب البايتات المعالجة، مما يضمن شفافية وتوقعاً واضحاً لفوترة المستخدم.

مع دمج البحث المتجهي، تستمر Google BigQuery في دفع حدود تحليلات البيانات والذكاء الاصطناعي، وتمكين المستخدمين من خلال أدوات قوية لكشف الرؤى ودفع عجلة الابتكار.