Google Cloud rende ObjectRef di BigQuery disponibile in GA
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
ObjectRef permette di trattare immagini, video, audio e documenti come colonne native in BigQuery, abilitando analisi multimodali e conversazionali interamente in SQL.
Google Cloud porta in General Availability ObjectRef in BigQuery: i team possono rappresentare immagini, video, audio e documenti come colonne native accanto ai dati relazionali, con logiche espresse in SQL1.
L’annuncio arriva sul blog ufficiale, firmato da Guarav Soni, Engineering Manager, e Jamy Su, Product Manager. Il post presenta ObjectRef e le analisi multimodali in BigQuery come disponibili in GA e posiziona il data warehouse come piattaforma multimodale per casi d’uso conversazionali1.
Che cosa cambia. Finora, i team di data science, data engineering e machine learning hanno gestito pipeline separate per dati strutturati e non strutturati. Anche quando i file restavano in Cloud Storage, l’inferenza richiedeva di orchestrare workload di machine learning esterni, poi di unire a posteriori i risultati di inferenza nel data warehouse. Questo data stitching introduceva overhead operativo e disallineamento del database1. Con ObjectRef, BigQuery crea un collegamento nativo tra Cloud Storage e il motore analitico, e consente di rappresentare i dati non strutturati come colonne ObjectRef direttamente accanto alle colonne relazionali1.
Perché conta. L’integrazione mira a ridurre l’overhead causato dallo stitching post‑hoc e i rischi di disallineamento tra sistemi. La logica analitica resta in SQL, anche per piattaforme che abilitano analisi conversazionali su dati multimodali, come indica il titolo del post1. La gestione dei file non strutturati avviene nel perimetro di BigQuery, che assume il ruolo di piattaforma unificata per analitiche su dati di natura diversa.
Come funziona, in breve. BigQuery espone riferimenti agli oggetti in Cloud Storage come colonne ObjectRef. Queste colonne vivono nelle stesse tabelle delle colonne relazionali. Le query possono quindi includere riferimenti a file accanto agli attributi tabellari, portando più vicino all’engine analitico l’accesso ai dati non strutturati1. L’approccio evita di spostare il baricentro operativo verso orchestrazioni esterne quando l’obiettivo è l’analisi.
Chi è coinvolto. Il post cita i team di data science, data engineering e machine learning come principali beneficiari del modello. BigQuery resta il piano di analisi. Cloud Storage mantiene i file non strutturati. ObjectRef funge da ponte nativo tra i due, collegando archiviazione e analisi senza passaggi intermedi non necessari1.
Implicazioni pratiche per i team dati. Le squadre possono ridurre la dipendenza da pipeline parallele per strutturato e non strutturato. Possono limitare l’orchestrazione di job esterni di inferenza quando l’obiettivo è portare i risultati nell’analisi, e contenere l’onere del data stitching a valle1. Questo assetto rende più diretta la costruzione di piattaforme multimodali per analitiche conversazionali in SQL, con dati strutturati e non strutturati rappresentati nello stesso ambiente.
Fonti. Le informazioni qui riportate provengono dal post “BigQuery ObjectRef now GA: Build multimodal data platforms for conversational analytics entirely in SQL”, pubblicato sul blog di Google Cloud e firmato da Guarav Soni e Jamy Su1.
Con ObjectRef in GA e con le analisi multimodali in BigQuery, Google Cloud dichiara l’obiettivo di fare del data warehouse una piattaforma multimodale agentica, capace di collegare archiviazione e analisi su dati eterogenei all’interno dello stesso contesto1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 7,9/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.