Pinapadali ng Google ang pag-aaral ng makina gamit ang sql

Nagdagdag na ngayon ang Google ng mga kakayahan sa pag-aaral ng machine (ML) sa kanyang Google BigQuery, ang alok ng petabyte (PB) -scale cloud database ng kumpanya. Ngayon ay tinawag na BigQuery ML, hinahayaan ka ng bagong bersyon na gumamit ka ng mga simpleng pahayag na Structured Query Language (SQL) upang makabuo at mag-deploy ng mga modelo ng ML para sa mahuhulaan na analytics.

Hindi lang ito magandang balita para sa mga siyentipiko ng data na gumagamit ng Google. Mabuti rin para sa mga operator ng negosyo na interesado sa pagsulong ng kanilang mga kakayahan sa data analytics dahil nagdaragdag ito ng isang mas epektibong kakumpitensya sa isang halip maliit na listahan ng mga vendor na may kakayahang maihatid ang antas ng pagiging sopistikado sa pamamagitan ng ulap. Ang iba pang dalawang kilalang mga pangalan ay ang Relational Database Service ng Amazon at ang Azure SQL ng Microsoft, at maaari kang makahanap ng higit pa sa aming kamakailang pag-ikot ng serbisyo sa cloud cloud.

Ang bane ng lahat ng data ng mga nagbebenta ng data at mga mamimili ay palaging ang gap ng kasanayan. Ito ay naging totoo lalo na para sa mga interesado sa ML at mahuhulaan na analytics, dahil ang mga disiplinang ito ay madalas na nangangailangan ng kaalaman sa mga bagong teknolohiya at mga query sa wika.

"Para sa bawat isang siyentipiko ng data, mayroong daan-daang mga analyst na nagtatrabaho sa data, at karamihan sa paggamit ng SQL, " sinabi ni Sudhir Hasbe, Direktor ng Pamamahala ng Produkto sa Google Cloud, sa PCMag. Ang isang bagay ay dapat ibigay kung ang kapangyarihan ng isang hukbo ng mga analyst ng data ay dapat na walang pinag-aralan mula sa bottleneck na nilikha ng napakakaunti at masyadong labis na labis na mga siyentipiko ng data.

Ang sagot ng Google sa problemang ito ay walang kapansin-pansin. Habang ang ML ay isang mainit na takbo at ipinapakita sa mga produkto ng lahat ng uri sa lahat ng dako, matatag pa rin ang teritoryong siyentipiko ng teritoryo. Marami sa mga nagbebenta ang gumawa ng daan sa pagpapasimple ng teknolohiya, ngunit ang pangit na katotohanan ay, maaari mong gawing simple ito ng maraming at mahirap pa rin para sa higit sa 99 porsyento ng populasyon ng tao na gagamitin. Gayunpaman, kailangan nating magamit ito dahil ang ML ay maaaring gumawa ng higit pa, at gawin ito nang mas mabilis kaysa sa isang pangkat ng mga sobrang matalinong tao.

Ang Google ay nagtatanim ng ML sa loob ng Google BigQuery upang ito ay naninirahan malapit sa data. Ang application ay magdadala sa mga kakayahan ng ML nang mas mabilis kaysa sa tradisyonal na mga modelo ng ML sa bahagi dahil ang data analytics ay maaaring gumanap sa mapagkukunan. Ngayon sa beta, binibigyang-daan ng BigQuery ML ang mga analyst (at mga siyentipiko ng data) na magpatakbo ng mga mahuhulaan na analytics tulad ng pagtataya ng benta at paglikha ng mga segment ng customer mismo sa tuktok ng data kung saan nakaimbak. Iyon lamang ay isang kagalang-galang at isang kilalang pag-upgrade.

Gayunpaman, ang Google ay nagpunta nang higit pa kaysa sa pamamagitan ng pagdaragdag ng isang kakayahan na nagbibigay-daan sa mga analyst ng data na gumamit ng mga simpleng pahayag ng SQL upang makabuo at magpalawak ng mga modelo ng ML. Sa ngayon, ang mga pagpipilian ay linear regression at logistic regression models para sa predictive analysis dahil ang mga ito ay ang dalawang modelo na karaniwang ginagamit.

Narito ang isang paglalarawan na ibinigay ng Google upang ipakita kung paano gagamitin ng mga analyst ng data ang kakayahang ito:

Plano ng Google na magdagdag ng higit pang mga pagpipilian sa ML sa kakayahang ito sa paglipas ng panahon, ayon kay Hasbe. "Kailangan nating pakinggan mula sa aming mga customer kung aling mga modelo ang nais nilang idagdag upang ibigay muna namin ang mga pinaka kapaki-pakinabang, " aniya.

Mga Karagdagang Mga Pag-upgrade ng Google BigQuery

Ang pagtigil sa malaking listahan ng mga pag-upgrade pagkatapos ng ML ay isang kumpol ng kakayahang kumpol, BigQuery Geographic Information Systems (BigQuery GIS), isang bagong konektor ng data ng Google Sheets, at isang bagong connector ng data ng Google Sheets.

Ang clustering ay nasa beta din, at nagbibigay-daan sa paglikha ng mga clustered na talahanayan sa isang paglipat ng data sa pag-optimize na naglalagay ng mga hilera ng mga magkakasamang key key. Binabawasan nito ang mga gastos dahil pinapabuti nito ang pagganap at nagbibigay-daan sa Google BigQuery na singilin ang gumagamit para lamang sa mga na-scan na data sa halip na sa buong mesa o pagkahati.

Ang BigQuery GIS ay kasalukuyang nasa alpha, at ginagamit para sa pagsusuri ng geospatial data. Habang ang koponan ng Google Cloud ay nakipagtulungan sa Google Earth Engine upang bumuo ng BigQuery GIS, kailangan mong dalhin ang iyong sariling data sa geospatial. Iyon ay hindi isang problema sa at sa maraming mga industriya, kabilang ang mga konektadong mga sistema ng kotse, ang Internet of Things (IoT), pagmamanupaktura, tingi, matalinong mga lungsod, at telematic. Hindi sa banggitin ang mga ahensya ng gobyerno na nagmula sa Environmental Protection Agency (EPA) at National Geospatial-Intelligence Agency hanggang sa National Oceanic and Atmospheric Administration (NOAA) at lahat ng mga sangay ng militar, siyempre.

Ginagamit ng BigQuery GIS ang library ng S2, na mayroon na ngayong mahigit isang bilyong gumagamit sa pamamagitan ng iba't ibang mga produkto tulad ng Google Earth Engine at Google Maps. Kung kailangan mo ng mas maraming data sa geospatial, kung gayon ang pederal na pamahalaan ay nagbabahagi ng napakalawak na halaga nito sa GeoPlatform.

Ang isang bagong data ng Google Sheets ay malamang na magalak sa maraming mga analyst ng data dahil lamang ito praktikal para sa pang-araw-araw na paggamit. Maaari mong ma-access ang Google BigQuery mula sa Google Sheets (spreadsheet program) at gumamit ng mga tool sa Google Sheets tulad ng Galugarin, na isang pinagsama-samang pakikipagtulungan, data visualization, at natural na tool sa pagtatanong ng wika.

Ang Google BigQuery ay mayroon ding bagong interface ng gumagamit (UI) sa beta, din. Ang isa sa mga mas kawili-wiling elemento ay isang pag-andar ng pag-click sa visualization, na sinusuportahan ng Google Data Studio. Sinabi ng lahat, ito ay isang mahusay na pag-ikot ng mga pag-upgrade para sa isang matikas na serbisyo. Ang mga pag-upgrade na ito ay susuriin sa susunod na pag-ikot ng PCMag's Database-as-a-Service (DBaaS) na mga pagsusuri sa solusyon, pagkatapos magtrabaho ang mga bug, at ang mga produkto ay lumipat na lampas sa kani-kanilang mga katayuan sa alpha at beta.

Tinalakay ng PCMag EIC Dan Costa ang hinaharap ng data: