{"id":12079,"date":"2023-05-11T12:17:08","date_gmt":"2023-05-11T11:17:08","guid":{"rendered":"https:\/\/telecomkh.info\/?p=12079"},"modified":"2023-05-11T12:17:08","modified_gmt":"2023-05-11T11:17:08","slug":"soluciones-basadas-en-datos-e-ia-para-una-nueva-era-de-innovacion-y-eficiencia","status":"publish","type":"post","link":"https:\/\/telecomkh.info\/?p=12079","title":{"rendered":"Soluciones basadas en datos e IA para una nueva era de innovaci\u00f3n y eficiencia"},"content":{"rendered":"

Aunque vivamos en un clima empresarial muy cambiante, nuestros clientes tienen muy claras sus necesidades: quieren reducir sus costes, aumentar sus ingresos y transformar la experiencia de cliente<\/strong><\/p>\n

 <\/p>\n

Por Gerrit Kazmaier, GM y VP de Data Analytics, Google Cloud y Andi Gutmans, GM y VP de Engineering Databases, Google Cloud<\/em><\/span><\/p>\n

En el tercer encuentro anual de Google sobre Data Cloud e IA, anunciamos nuevas innovaciones en productos y servicios a clientes que permitir\u00e1n optimizar la relaci\u00f3n precio-rendimiento, facilitar la adopci\u00f3n de ecosistemas abiertos y definir est\u00e1ndares de datos seguros. En definitiva, nuevas propuestas para llevar todo el potencial de la inteligencia artificial y el aprendizaje autom\u00e1tico a los datos que tienen las organizaciones, con un ecosistema de socios sumamente din\u00e1mico. Nuestras innovaciones m\u00e1s importantes permiten a los clientes:<\/p>\n

\u25cf Hacer m\u00e1s predecible el coste de los datos, con las ediciones de BigQuery.
\n\u25cf Liberarse de bases de datos antiguas, con AlloyDB Omni.
\n\u25cf Unificar las m\u00e9tricas a escala de la organizaci\u00f3n, con Looker Modeler.
\n\u25cf Incorporar el potencial de la IA y el aprendizaje autom\u00e1tico a BigQuery y a otras plataformas de terceros.<\/p>\n

Reducci\u00f3n de los costes operativos de BigQuery<\/strong>
\nLas condiciones del mercado evolucionan r\u00e1pidamente y las organizaciones necesitan sistemas m\u00e1s inteligentes, con la eficiencia y flexibilidad necesaria para poder adaptarse. Es por eso que hoy presentamos nuevas ediciones de BigQuery con distintos puntos de precio, junto a innovaciones de autoescalado y un nuevo modelo de facturaci\u00f3n por almacenamiento comprimido.
\nLas distintas ediciones de BigQuery ofrecen m\u00e1s opciones y flexibilidad a la hora de seleccionar la funcionalidad m\u00e1s id\u00f3nea para los requisitos de distintas cargas de trabajo. Ahora es posible elegir entre las ediciones Standard, Enterprise y Enterprise Plus para obtener la combinaci\u00f3n de precio y prestaciones m\u00e1s adecuada para cada carga de trabajo.
\nLas ediciones de BigQuery ofrecen dos posibilidades de forma simult\u00e1nea: un compromiso durante uno o varios a\u00f1os a un precio reducido, perfecto para cargas de trabajo predecibles, y un nuevo sistema de autoescalado para cargas impredecibles, con la opci\u00f3n de pagar estrictamente por la capacidad de c\u00e1lculo que se utiliza. A diferencia de otras soluciones del mercado basadas en m\u00e1quinas virtuales, que cobran por un almac\u00e9n completo con una capacidad fija predefinida, BigQuery se beneficia de una arquitectura sin servidores, que permite incorporar capacidad adicional en incrementos granulares, para no pagar nunca de m\u00e1s por la capacidad que no se utiliza. Adem\u00e1s, hemos puesto a punto un nuevo sistema de facturaci\u00f3n por almacenamiento comprimido para los clientes de las ediciones de BigQuery, con potencial para rebajar los costes en funci\u00f3n del tipo de datos estructurados y no estructurados que se guarden.<\/p>\n

Liberarse de bases de datos antiguas, con AlloyDB<\/strong>
\nLo que muchas organizaciones necesitan para reducir sus costes es abandonar bases de datos heredadas que les resultan muy caras. Pero, en ocasiones, no pueden migrar tan r\u00e1pidamente como les gustar\u00eda, porque sus cargas de trabajo se ejecutan en centros de datos locales debido a requisitos normativos o de soberan\u00eda de datos, o porque sus aplicaciones se ejecutan en el borde de la red. Como paso previo a la nube, muchos clientes recurren a una modernizaci\u00f3n in situ con AlloyDB, nuestra base de datos de alto rendimiento compatible con PostgreSQL.
\nHoy anunciamos un avance de AlloyDB Omni, una edici\u00f3n descargable de AlloyDB, dise\u00f1ada para funcionar de forma local, en el borde de la red, repartida entre distintas nubes o incluso en port\u00e1tiles de desarrolladores. AlloyDB Omni tiene muchas de las ventajas de AlloyDB, como su alto rendimiento, la compatibilidad con PostgreSQL y el soporte de Google Cloud, pero a un coste muy inferior al de las bases de datos heredadas. En nuestras pruebas de rendimiento, AlloyDB Omni ha resultado el doble de r\u00e1pida que las bases de datos PostgreSQL est\u00e1ndar para cargas de trabajo transaccionales, y hasta 100 veces m\u00e1s r\u00e1pida en las consultas anal\u00edticas.
\nY, para que sea a\u00fan m\u00e1s f\u00e1cil beneficiarse de nuestra nube de datos abierta, hemos creado una nueva herramienta de evaluaci\u00f3n de la migraci\u00f3n de bases de datos (DMA) a Google Cloud. Esta herramienta proporciona informes f\u00e1ciles de entender, que explican el esfuerzo que requiere migrar a una de nuestras bases de datos PostgreSQL, ya sea AlloyDB o Cloud SQL.<\/p>\n

Definici\u00f3n de est\u00e1ndares de datos seguros<\/strong>
\nLas organizaciones que hacen un uso intensivo de los datos necesitan saber que pueden confiar en los datos que obtienen sus herramientas de inteligencia empresarial (BI). Hoy anunciamos Looker Modeler, una herramienta para definir m\u00e9tricas sobre tu organizaci\u00f3n, con una innovadora capa de modelizaci\u00f3n sem\u00e1ntica. Looker Modeler aporta fiabilidad a las m\u00e9tricas y es compatible con numerosas herramientas de BI, como PowerBI, Tableau, Thoughtspot, Connected Sheets y Looker Studio. Es imbatible a la hora de proporcionar a los usuarios datos de calidad a partir de los cuales tomar decisiones informadas.
\nAdem\u00e1s de Looker Modeler, hoy tambi\u00e9n anunciamos los espacios de limpieza de datos de BigQuery, dise\u00f1ados para ayudar a las organizaciones a compartir y cotejar conjuntos de datos entre empresas, respetando la privacidad de los usuarios. A partir del tercer trimestre de este a\u00f1o se podr\u00e1 utilizar una versi\u00f3n preliminar de estos espacios de limpieza de datos de BigQuery para cargar datos propios y combinarlos con datos de campa\u00f1as publicitarias o con conjuntos de datos de terceros a trav\u00e9s del mercado de datos de Google Cloud, para aplicaciones de marketing. Estos procesos pueden ser muy interesantes para obtener nuevos hallazgos y mejorar las campa\u00f1as, desde la protecci\u00f3n m\u00e1s rigurosa de la privacidad.
\nAsimismo, estamos ampliando nuestra visi\u00f3n de los procesos de limpieza de datos con varias asociaciones nuevas. Habu se integrar\u00e1 con BigQuery para facilitar la gesti\u00f3n de datos conforme a normas de privacidad, y aportar\u00e1 su servicio de limpieza de datos. En Google Cloud, LiveRamp har\u00e1 posible la colaboraci\u00f3n de datos y la resoluci\u00f3n de identidades priorizando la privacidad, directamente en BigQuery, con el fin de aumentar la eficacia de las asociaciones de datos. Lytics es una plataforma de datos de clientes basada en BigQuery que ayuda a capitalizar la informaci\u00f3n en todos los canales de marketing.<\/p>\n

El poder del aprendizaje autom\u00e1tico, aplicado a tus datos<\/strong>
\nBigQuery ML permite a los analistas de datos crear y ejecutar modelos de aprendizaje autom\u00e1tico mediante herramientas de SQL ya existentes. En 2022, su uso creci\u00f3 m\u00e1s de un 200%. Desde que, en 2019, empez\u00f3 a estar disponible con car\u00e1cter general, nuestros clientes han ejecutado cientos de millones de consultas de predicci\u00f3n y entrenamiento. Google Cloud proporciona la infraestructura necesaria para que los desarrolladores trabajen con datos, IA y aprendizaje autom\u00e1tico; por ejemplo, Vertex AI, las unidades de procesamiento tensorial en la nube (TPU) y las avanzadas GPU de Nvidia. Para acercar el aprendizaje autom\u00e1tico a tus datos, introducimos una nueva funcionalidad en BigQuery. As\u00ed, los usuarios podr\u00e1n importar modelos como los de PyTorch, alojar modelos remotos en Vertex AI y ejecutar modelos pre entrenados desde Vertex AI.<\/p>\n

Por otro lado, y dentro de nuestro ecosistema abierto para el desarrollo de la IA, hemos establecido nuevas asociaciones que aportar\u00e1n a nuestros clientes m\u00e1s posibilidades para transformar sus datos en informaci\u00f3n \u00fatil, con la ayuda de IA y aprendizaje autom\u00e1tico, con varias nuevas integraciones:<\/p>\n

\u25cf Integraci\u00f3n de DataRobot con BigQuery<\/strong>. Proporciona a los usuarios un entorno de notebook con el que construir modelos de aprendizaje autom\u00e1tico y aplicar las predicciones de esos modelos a BigQuery. En \u00faltima instancia, agiliza la experimentaci\u00f3n con modelos de aprendizaje autom\u00e1tico.
\n\u25cf Integraci\u00f3n de Neo4j con BigQuery<\/strong>. Colaboraci\u00f3n fluida entre BigQuery y Neo4j Graph Data Science, mediante BigQuery SQL o notebooks, para ampliar el an\u00e1lisis SQL.
\n\u25cf Integraci\u00f3n de ThoughtSpot con m\u00faltiples servicios de Google Cloud, como BigQuery, LookML y Google Sheets<\/strong>. Ofrece una mayor capacidad de b\u00fasqueda asistida por IA haciendo uso de lenguaje natural, para que los usuarios puedan obtener m\u00e1s r\u00e1pidamente informaci\u00f3n de utilidad a partir de los datos de la organizaci\u00f3n.<\/p>\n

Un ecosistema abierto para acelerar tu nube de datos<\/strong>
\nLas aplicaciones de m\u00e1s de 900 socios de software funcionan en la nube de datos de Google. Estos socios han ampliado el ecosistema abierto de Google Cloud y creado nuevas formas de acelerar el uso de los datos entre los clientes. A continuaci\u00f3n citamos algunas de las \u00faltimas novedades sobre nuestros socios de la nube de datos:<\/p>\n

\u25cf Crux Informatics ofrece m\u00e1s de 1000 nuevos conjuntos de datos en el servicio Analytics Hub, con planes para ampliarlos a 2000 a lo largo de este a\u00f1o.
\n\u25cf Starburst est\u00e1 incrementando su integraci\u00f3n con BigQuery para que los clientes puedan efectuar an\u00e1lisis de sus datos con independencia de d\u00f3nde residan; incluso en lagos de datos o fuentes locales.
\n\u25cf Collibra ha introducido nuevas funciones en BigQuery, Dataplex, Cloud Storage y AlloyDB que ayudan a los clientes a entender sus actividades con un mayor grado de profundidad, empleando datos de absoluta fiabilidad.
\n\u25cf Informatica ha lanzado en Google Cloud un servicio de gesti\u00f3n de datos maestros nativo en la nube y asistido por IA, con el que resulta m\u00e1s sencillo conectar datos a todas las escalas de una organizaci\u00f3n, para obtener una visi\u00f3n contextual total en BigQuery y extraer informaci\u00f3n de utilidad.
\n\u25cf Google Cloud Ready for AlloyDB es un nuevo programa que da visibilidad a los socios que desarrollan soluciones conformes con los estrictos requisitos de integraci\u00f3n de AlloyDB. Hasta el momento, treinta socios han recibido esta designaci\u00f3n; entre ellos Collibra, Confluent, Datadog, Microstrategy y Striim.<\/p>\n

Arriba, en la foto, Gerrit Kazmaier, GM y VP de Data Analytics, Google Cloud \/ Imagen cortes\u00eda de Google Cloud<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Aunque vivamos en un clima empresarial muy cambiante, nuestros clientes tienen muy claras sus necesidades: quieren reducir sus costes, aumentar sus ingresos y transformar la experiencia de cliente   Por Gerrit Kazmaier, GM y VP de Data Analytics, Google Cloud y Andi Gutmans, GM y VP de Engineering Databases, Google Cloud En el tercer encuentro … <\/p>\n

Continue reading \u00abSoluciones basadas en datos e IA para una nueva era de innovaci\u00f3n y eficiencia\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":12080,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[15,11,9],"tags":[],"_links":{"self":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/12079"}],"collection":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=12079"}],"version-history":[{"count":1,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/12079\/revisions"}],"predecessor-version":[{"id":12081,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/12079\/revisions\/12081"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/media\/12080"}],"wp:attachment":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=12079"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=12079"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=12079"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}