BigQuery
PulseAugur coverage of BigQuery — every cluster mentioning BigQuery across labs, papers, and developer communities, ranked by signal.
- subsidiary of .google 100%
- developed by .google 100%
- developed by Google 100%
- subsidiary of Google 100%
- competes with Snowflake 70%
- competes with Redshift 70%
- used by PostgreSQL 70%
- used by Looker 70%
- competes with DuckDB 70%
- competes with Google Cloud Storage 70%
- uses Data Agent Kit 70%
- competes with Delta Lake 60%
5 天有情绪数据
-
AI 在软件开发中的作用，从优化到游戏 Modding，在各大平台进行讨论
多位开发者正在 Mastodon 和 DEV Community 等平台上分享关于 AI 在软件开发中应用的见解和解决方案。主题包括使用 Gemini 和 BigQuery 等工具优化 AI 搜索，使用 AI 进行网页可访问性检查和 HTML 修复，以及解决 Replit 等开发平台常见问题。还有关于 AI 如何改变游戏反编译和 Modding 的讨论，以及一个关于 AI 驱动的交付工作中数据管理的更广泛问题。
-
Claude AI生成无需SQL的仪表板和动画报告
Claude是一款AI助手，现在可以通过连接到BigQuery和Salesforce等数据源来生成交互式仪表板。用户可以要求Claude创建可视化和报告，而无需编写SQL查询或提交工单。此外，Claude Motion可以将报告制作成MP4格式的动画。
-
使用 Gemini、Google ADK 和 BigQuery 构建 AI 可见性代理
本文详细介绍了使用 Google 的 Gemini、Google ADK、MCP 和 BigQuery 创建 AI 可见性代理的过程。这是探索 AI 搜索之旅系列文章的一部分，本期重点关注构建用于分析 AI 搜索可见性和品牌绩效的代理。该过程涉及利用 Google Cloud 服务和 OpenTelemetry 等工具进行观测。
-
Google Cloud launches Gemini Agent for universal enterprise automation
Google Cloud has introduced the Gemini Agent, a universal autonomous digital worker designed for enterprise use. This cloud-hosted agent can answer questions, perform knowledge work, generate media, and write/execute co…
-
自主人工智能将彻底改变云数据质量监控
云数据质量监控需要从静态、基于规则的系统演变为利用机器学习的自主解决方案。这种方法包括持续的数据剖析以建立基线，使用无监督模型来检测异常，并将模式漂移视为关键信号。与传统方法相比，此类系统在动态条件下表现出更高的准确性和更少的误报。虽然自主修复很有前景，但它需要谨慎实施，并有严格的访问控制和人工监督，以解决可解释性和合规性挑战。
-
BigQuery 查询优化技巧，提高效率并节省成本
本文提供了编写高效 BigQuery 查询的最佳实践，以减少扫描数据量和查询时间。主要建议包括：避免使用 SELECT *，仅指定必需的列；尽可能在 CTE 或 WHERE 子句中尽早过滤数据；当只需要样本时，限制返回的行数。文章还强调了通过在连接前聚合数据来优化连接，以最小化数据移动和成本。
-
大型语言模型应编译SQL而非生成SQL，以实现可审计的企业级AI
两篇文章提出将大型语言模型生成的SQL视为编译目标而非直接输出。这种方法旨在确保生成确定性且可审计的SQL查询，类似于C编译器生成汇编语言。通过将大型语言模型专注于将自然语言转换为结构化意图，并由单独的编译器生成特定方言的SQL，该系统保证要么生成正确的查询，要么产生清晰的错误，从而避免了“貌似正确但实则错误”的输出的陷阱。
-
Google DeepMind 发布 WeatherNext 3 AI，实现超高精度每小时天气预报 · 跟踪 8 个来源
Google DeepMind 推出了 WeatherNext 3，这是一个用于全球天气预报的先进人工智能模型。该新模型通过直接从实时卫星观测中学习，绕过了传统的基于物理的模拟及其固有的数据延迟，从而显著提高了准确性和分辨率。WeatherNext 3 以 5 公里的分辨率生成每小时预报，比其前代产品提高了五倍，并正在集成到包括 Search、Gemini 和 Maps 在内的各种 Google 产品中。
-
Google TimesFM-3预测模型已封装以实现工具集成
一位开发者为Google的TimesFM-3模型创建了一个MCP服务器，使Claude Desktop、Claude Code和Cursor等工具能够利用其预测能力。该服务器公开了模型的median预测和九个官方分位数，但限制性许可禁止其在生产环境或付费API中使用。Google为TimesFM-3设想的商业路径是通过BigQuery和AlloyDB AI。
-
AWS 收购 DuckDB 创建者，将其定位为数据的“连接组织”
Amazon Web Services (AWS) 已收购 DuckDB 的幕后公司 DuckLabs。AWS 副总裁 Andy Warfield 表示，DuckDB 将作为整个数据领域的“连接组织”，使开发人员能够在应用程序内构建分析功能，并无缝连接到各种数据源，包括 AWS 的 Redshift 和 RDS，以及 Google 的 BigQuery 和 Microsoft Fabric 等竞争对手。DuckDB 数据库将继续在 M…
-
Google发布TimesFM-3用于多元时间序列预测
Google Research发布了TimesFM-3，这是一款能够进行多元预测的AI模型。该模型可以同时分析销售数据、天气模式和客流量等多个时间序列数据点，无需额外训练即可预测未来值。TimesFM-3已在超过一万亿个数据点上进行了预训练，并通过单步处理未来值来提高预测速度。
-
LLM在数据准确性方面遇到困难，在企业工作负载上准确率低于21%
将Claude和GPT-4等大型语言模型连接到数据源会产生出人意料的低准确率，在复杂企业工作负载上的准确率通常低于21%。这是因为模型难以理解模糊的字段定义，并且缺乏人类分析师的上下文理解能力。虽然连接器可以提供令人印象深刻的初步演示，但要获得可靠的结果，还需要强大的语义层、受治理的数据集和严格的评估工具，这些对于弥合原始数据访问与准确见解之间的差距至关重要。
-
如何使用GCP账单导出准确跟踪Vertex AI支出
本文详细介绍了如何通过分析账单导出数据来准确跟踪Google Cloud的Vertex AI支出。文章强调了使用详细的使用成本导出`gcp_billing_export_resource_v1`的重要性，该导出包含关键的资源级信息。指南解释了常见的陷阱，例如仅按SKU描述进行过滤而低估支出，以及在未考虑信用额度、承诺使用折扣或促销赠金的情况下误解“成本”列。文章提供了具体的BigQuery SQL查询，以正确计算净成本并将支出归因于各…
-
BigQuery ML 集成 Vertex AI 进行文本生成，并详细说明成本
BigQuery ML 用户现在可以创建引用 Vertex AI 端点的远程模型，从而直接在 BigQuery 中实现文本生成功能。此设置涉及创建一个充当中介进行授权的连接对象，从而防止分析师拥有直接的 IAM 角色。这些远程模型调用的定价在 BigQuery 的数据扫描成本和 Vertex AI 的令牌处理费用之间分配，其中 Vertex AI 成本通常在文本生成任务中占主导地位。
-
Google BigQuery 将生成式 AI 函数名称更新为 AI. 前缀
Google 已更新其在 BigQuery 中生成式 AI 函数的命名约定，将 'ML.' 前缀改为 'AI.'。具体来说，文本生成函数现在称为 AI.GENERATE_TEXT，取代了旧的 ML.GENERATE_TEXT。此更改会影响用户应如何编写新查询，尽管使用旧名称的现有查询将继续正常运行。本文档提供了有关使用新函数的使用指南，包括子查询中 'prompt' 列的要求以及用于控制成本和输出的推荐 STRUCT 参数，例如 te…
-
Looker 通过模型上下文协议 (MCP) 与 OpenAI 的 Codex 集成
本文详细介绍了如何配置模型上下文协议 (MCP) 以便与 Looker 和 OpenAI 的 Codex 一起使用。MCP 充当通用连接器，允许不同的 AI 代理与 Looker 等数据平台进行交互。此设置的先前版本使用了 Gemini CLI、Antigravity CLI 和 Claude Code 等其他代理，但此版本侧重于集成 Codex。Looker 是一个基于 Google Cloud 的商业智能平台，它使用 LookML…
-
Google Analytics 4 时区错误导致广泛的数据归因问题
Google Analytics 4 (GA4) 中一个严重的时区错误导致了广泛的数据归因问题，影响了依赖该平台获取营销洞察的企业。据报道，该错误影响了超过一百万用户，导致数据收集和分析不正确，可能歪曲营销活动绩效指标。Meta 等公司受到了影响，凸显了在数字广告和分析中准确处理数据的重要性。
-
Amazon、Google、Microsoft、OpenAI、Vercel推出AI代理插件标准 · 跟踪5个来源
Amazon、Cursor、Microsoft、OpenAI和Vercel合作制定了Agent Plugins，这是一个用于打包AI代理扩展的开放标准。这个新标准1.0.0版本旨在通过提供统一的代理技能和MCP服务器格式来简化开发流程，减少开发人员为不同AI客户端创建单独包的需求。Google已加入成为核心维护者，并计划将其Agent Plugins集成到自己的产品和工具中。
-
SAP云迁移因数据提取复杂性和政治因素而失败
大型企业的云迁移项目，特别是那些严重依赖SAP系统的项目，常常因低估数据提取的复杂性和政治挑战而失败。Lovelytics公司数据架构总监Naresh Sigamani指出，虽然Databricks和Snowflake等云平台功能强大，但其有效性取决于从SAP提取数据的质量和合规性。他强调，翻译专有的SAP业务规则需要专门的双语工程人才，以避免以更高的成本简单地复制遗留问题。
-
Databricks 提供 BigQuery 到 Lakehouse 迁移框架
Databricks 发布了一项战略框架，指导组织将其数据工作负载从 Google BigQuery 迁移到 Databricks Lakehouse 平台。该框架强调分阶段进行，重点关注评估当前的 BigQuery 使用情况，根据价值和复杂性确定迁移批次的优先级，并利用 Lakebridge 等工具进行自动化发现和迁移。目标是将数据存储、ETL、BI 和 AI 功能整合到一个统一的开放架构中，从而降低成本、改善治理并实现新的 AI 驱动用例。