随着越来越多的组织采用多云数据架构，我们不断收到客户的一个最重要的请求，那就是如何在BigQuery中实现跨云分析，使其变得非常简单和具有成本效益。为了帮助客户实现跨云分析之旅，我们今天非常高兴地宣布 BigQuery Omni 跨云物化视图（即跨云 MV）的公共预览。跨云 MV 允许客户非常轻松地在 GCP 上从另一个云上的基础数据资源创建摘要物化视图。跨云 MV 会在基础表更改时自动和增量地进行维护，这意味着只需要进行最小的数据传输即可保持 GCP 上的物化视图同步。其结果是一种具有行业先进性、具有成本效益和可扩展能力的能力，使客户能够进行无摩擦、高效和经济的跨云分析。
软件即服务 (SaaS) 是希望为最终客户提供交钥匙且可靠的产品体验的软件供应商的首选交付方法。公司在构建 SaaS 产品时必须考虑许多因素，其中之一当然是用于运行 SaaS 应用程序的框架。由于现代软件开发使用软件容器，运行现代 SaaS 平台的一个自然且最受欢迎的选择是 Kubernetes，即流行的容器编排器。在这篇文章中，我们将回顾在Google Kubernetes Engine (GKE) 上构建 SaaS 平台时决定选择何种架构的基础知识。
Looker Studio 支持对临时数据进行自助分析，并与 Looker 一起为每月访问 Looker 系列产品的超过 1000 万用户做出贡献。今天，我们为分析师推出新方法，为业务用户提供探索数据和自助业务决策的选项，扩展所有用户分析和探索数据的方式，从而做出更快、更明智的决策。
Google Cloud 于11月9日宣布了 Cloud TPU 平台的两项重要更新： 首先，在最新的 MLPerf™ Training 3.1 结果中，与上一代 TPU v4 相比，TPU v5e 在训练大型语言模型 (LLM) 方面表现出 2.3 倍的性价比提升。 其次，Cloud TPU v5e 现已普遍可用，Singlehost推理和Multislice训练技术也同时提供。这些进步为 Google Cloud 客户带来了成本效益、可扩展性和多功能性，可以使用统一的 TPU 平台来进行训练和推理工作负载。
生成式人 AI 标志着重大的技术转变，与互联网或移动电话一样，它对个人和企业生产力的潜在影响是巨大的。事实上，82% 正在考虑或正在使用生成式 AI 的组织相信它将显著改变或改变他们的行业（Google Cloud Gen AI 基准研究，2023 年 7 月）。 在零售业，生成式人工智能的价值已经开始显现。组织正在利用生成式人工智能来启用和增强相关领域的用例，并以此重塑员工和客户的体验。 任何技术都不会夺走您的价值主张和零售核心价值链的基础。不过，可以改变的是如何使用这项技术来让您的团队更高效、更有意义地工作。借助正确的工具，您不仅可以改进核心产品并解决阻碍其交付的基本问题，甚至还可以为您的零售业务带来新的差异点。
Kubernetes 是当今云原生开发的事实上的标准。长期以来，Kubernetes 主要与无状态应用程序相关，例如 Web 和批处理应用程序。然而，与大多数事物一样，Kubernetes 也在不断发展。如今，我们看到 Kubernetes 上有状态应用程序的数量呈指数级增长。事实上，自 2019 年以来，在 Google Kubernetes Engine (GKE) 上运行有状态应用程序的集群数量每年都增加一倍。 如今，Kubernetes 越来越多地用于运行有状态和数据应用程序，例如数据库（Kafka、MySQL、PostgreSQL 和 MongoDB）、大数据（Hadoop 和 Spark）、数据分析（Hive 和 Pig）以及机器学习（TensorFlow 和 PyTorch） 。
2018 年初，Google Cloud 与社区合作，通过BigQuery 公共数据集实现区块链数据民主化；2019 年，又扩展了六个数据集；今天，我们在 BigQuery 公共数据集中添加了 11 个最受欢迎的区块链预览版。我们也在对该程序中的现有数据集进行改进。
随着人工智能生成内容（AIGC）的日益流行，基于文本到图像的人工智能模型（例如稳定扩散）的开源项目已经出现。稳定扩散是一种扩散模型，可根据给定的文本输入生成逼真的图像。在此 GitHub 存储库中，我们提供了三种不同的解决方案，分别用于在 Google Cloud Vertex AI、Google Kubernetes Engine (GKE) 和基于 Agones 的平台上快速部署 Stable Diffusion，以通过弹性基础设施确保稳定的服务交付。本文将重点介绍 GKE 上的稳定扩散模型，并将启动时间缩短多达 4 倍。
您知道通过调整工作负载请求以更好地代表其实际使用情况可以节省多少钱吗？如果您没有调整工作负载规模，则可能会为工作负载根本没有使用的资源支付过高的费用，甚至更糟，从而使工作负载面临因配置不足而导致可靠性问题的风险。
开放表格式依赖嵌入式元数据来提供事务一致的 DML 和时间旅行功能。它们保留不同版本的数据文件，并且能够生成清单，清单是表示时间点快照的数据文件列表。许多数据运行时（例如Delta Lake和Apache Hudi）都可以生成清单，可用于加载和查询用例。