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。
零售商经常问自己的一个基本问题是他们对客户的了解程度以及如何建立更深层次的关系。了解客户是谁可以对提高客户参与度产生直接影响，从而提高转化率、客户忠诚度、终身价值和更高的营销支出回报。 零售商已经开始使用身份图等创新的新方法，这些方法将来自内部数据库、营销系统、在线互动和社交媒体平台等多个来源的信息连接起来。虽然这些新方法已显示出希望，但最好、最有效的方法仍然是通过身份验证过程进行客户自我识别。 因此，零售商需要一个复杂的用户身份平台，通过适当的身份验证和授权来保护客户信息，该平台融合了多因素身份验证和智能账户保护等先进机制，以确保客户信息在整个生命周期中受到保护。
企业依靠处理大量文档来驱动流程并做出决策。许多此类文档合并为一个文件。例如，贷款申请可能在单个文件中包含驾驶执照、工资单、W2、银行对账单和其他文档类型。在单个文件中处理多种文档类型的复杂性使得企业难以进行大规模管理。 谷歌云致力于通过持续投资文档 AI 解决方案套件来解决这些挑战，该套件提供用于文档处理和见解的机器学习产品。Document AI Workbench 可帮助用户快速构建具有世界一流精度的 ML 模型，并针对其特定用例进行训练。
Cloud SQL 是 Google Cloud 的企业级、完全托管的数据库服务，用于运行 MySQL、PostgreSQL 和 SQL Server 工作负载。它被广泛用于从数字服务到银行再到零售的各个行业，目前 Google Cloud 前 100 名客户中超过 95% 的客户都在使用 Cloud SQL。随着要求更高的工作负载迁移到云端，有些客户一直希望谷歌云提供更高的性能和可用性以及更多选择和灵活性，以便根据个人工作负载需求优化配置。
2022 年 12 月，谷歌云宣布全面推出 AlloyDB for PostgreSQL，这是一种完全托管、与 PostgreSQL 兼容的数据库服务，为旧版专有数据库的现代化和扩展现有 PostgreSQL 工作负载提供了强大的选项。2022 年初，使用数据库迁移服务(DMS)推出了AlloyDB for PostgreSQL 迁移预览版。近日，谷歌云宣布 DMS 全面推出，用于从 PostgreSQL 源进行 AlloyDB 迁移。
通信服务提供商 (CSP) 正处于一个转折点。从停滞不前的收入，到满足 5G 需求的网络压力，再到提供创新客户体验方面的挑战，电信行业面临着巨大的转型压力。 在过去几年中，全球的 CSP 已转向人工智能 (AI) 来应对其中的一些挑战，但运营商运营费用的绝大部分仍花在了基础设施和数据管理上。这限制了他们利用核心数据资产和开发满足个人需求的差异化客户体验的能力。 进入生成式人工智能，这是一种机器智能，最近受到了极大的关注。我们都惊叹于它能够生成读起来像人写的文本、创建新图像，甚至构建乐谱的能力。它是 AI 工具集的一个引人入胜的补充，并且补充了机器学习 (ML) 及其识别模式以进行预测、发现效率或解释大型数据集的能力。 在过去几年中，全球的 CSP 已转向人工智能 (AI) 来应对其中的一些挑战，但运营商运营费用的绝大部分仍花在了基础设施和数据管理上。这限制了他们利用核心数据资产和开发满足个人需求的差异化客户体验的能力。 进入生成式人工智能，这是一种机器智能，最近受到了极大的关注。我们都惊叹于它能够生成读起来像人写的文本、创建新图像，甚至构建乐谱的能力。它是 AI 工具集的一个引人入胜的补充，并且补充了机器学习 (ML) 及其识别模式以进行预测、发现效率或解释大型数据集的能力。