Os óculos cor de rosa de IA: quebrando o hype com o Google Cloud

O que sustenta a IA – Dados, bancos de dados, pilhas de aplicativos, padrões de orquestração e muito mais – representa uma realidade preocupante para a promessa emocionante da tecnologia de IA. No entanto, o desenvolvimento de uma forte compreensão de como essa interação funciona, bem como as tendências em evolução projetadas para alimentar a IA, é crucial para aplicações do mundo real.

Sailesh Krishnamurthy, vice -presidente de engenharia, Google Cloude Joe Zimmermann, gerente de programas da equipe, Banco de dados do Google Cloudingressou DBTAé o webinar, Além do hype: aplicações do mundo real da Gen AI e bancos de dadospara explorar casos de uso do mundo real e informações valiosas sobre as principais tecnologias e padrões atuais que moldam o cenário de negócios.

“O mundo está mudando uma vez a cada duas semanas”, brincou Krishnamurthy, enquanto apontava para vários sentimentos que permeiam o cenário da tecnologia: “todos os codificações da vibração de todos agora”, “SaaS está morto” e “tudo é um agente”.

Decifrar o que é hype e o que é real será uma habilidade crucial, à medida que a tecnologia continua a evoluir e se transformar em um ritmo dramático.

Enquanto a IA se refere aos bancos de dados, Krishnamurthy analisou a carga de trabalho interna versus externa, destacando como essas áreas são diferenciadas por sua necessidade de diminuir ou expandir o conhecimento. As cargas de trabalho internas precisam reduzir suas propriedades de dados para adicionar contexto e nuances, enquanto as cargas de trabalho externas precisam da capacidade de expandir a pequena fatia do que elas podem ver contextualizando com outros dados não estruturados.

Embora a ordem em que os processos de banco de dados e as funções de pesquisa sejam diferentes de cada carga de trabalho, um padrão os conecta: ambas as cargas de trabalho precisam da capacidade de combinar dados estruturados e não estruturados com técnicas agênticas flexíveis e seguras.

Digite a IA Agentic, uma vítima de inovação no hype maciço este ano. Para ajudar a derramar esses óculos cor de rosa, Krishnamurthy quebrou exatamente o que é um agente:

• Um aplicativo que usa modelos generativos de IA (Genai) para pensar e agir em direção a objetivos
• Automatizar fluxos de trabalho corporativos complexos
• Use raciocínio e planejamento para determinar as etapas
• Utilize ferramentas para acessar dados e tomar ações, como consultar bancos de dados ou APIs de chamada

Crucial para a função do agente é o uso de ferramentas, uma palavra que Krishnamurthy observou pode ser “ainda mais abusada que os agentes”. As ferramentas são essencialmente chamadas de função que permitem que o Modelo de Linguagem Grande (LLM) atue como mecanismo para um agente de IA tomar ações além de simplesmente gerar texto.

Quando uma empresa possui muitas ferramentas, no entanto, surgem desafios, como a falta de entendimento das interdependências de ferramentas, criando riscos exclusivos de segurança que devem ser abordados no nível individual da ferramenta. Google’s Caixa de ferramentas MCP para bancos de dados Resolve esses problemas, atuando como um servidor MCP de código aberto que permite que as empresas desenvolvam ferramentas mais fáceis, mais rápidas e mais seguras, aliviando vários encargos do processo, como agrupamento de conexões, autenticação e muito mais.

É indiscutível que a onda AIA agentic interrompeu seriamente muitas indústrias, desbloqueando eficiências significativas por meio de suas capacidades de automação e sua natureza multimodal. Por meio dessa interrupção, surgiu uma nova pilha de aplicativos, explicou Krishnamurthy, onde a combinação de agênticos, pesquisa, suporte multimodal, bate-papo e interface de linguagem natural pode gerar novas experiências de usuário. Essa pilha capacita os desenvolvedores a aproveitar com segurança a IA nos dados, permitindo que eles acessem dados diretamente e, portanto, ignorando as camadas de aplicativos complexas para interceptar a intenção do usuário enquanto adere aos controles de segurança.

No entanto, o que faz com que um banco de dados esteja pronto para apoiar essa nova pilha? De acordo com Krishnamurthy, “não é apenas um banco de dados com um ou dois novos recursos, é uma coleção de recursos profundos que realmente deve nos fazer reconsiderar quais são os limites do banco de dados”. Ele destacou ainda mais as seguintes características como as principais características de um banco de dados AI-Ready:

1. Contexto semântico e controles programáticos: Os bancos de dados AI-Ready precisam de informações contextuais extras para serem explicitadas e acessíveis à IA e devem aplicar controles e restrições adicionais.
2. Interfaces interativas: Na ausência de aplicativos convencionais com lógica prescrita, agentes e bancos de dados devem colaborar conjuntamente e interativamente para ler e gravar os dados corretos para atender às necessidades do usuário, obscurecendo o limite entre o aplicativo e o banco de dados.
3. Não determinístico: Os operadores semânticos e o crescente uso de dados não estruturados e linguagem natural significam que as operações de banco de dados são cada vez mais não determinísticas. Precisão probabilística e recall deslocam cada vez mais definições estritas de correção.

Krishnamurthy e Zimmermann levaram os visualizadores de webinar através de uma variedade de inovações no Google Cloud preparadas para entregar o banco de dados AI-Ready, como o AlloyDB, o líder do setor PostgreSQL para aplicativos operacionais, analíticos e de IA. O Alloydb facilita a criação de aplicativos e agentes inteligentes, apresentando uma infinidade de recursos que alimentam a nova pilha de aplicativos.

Este é apenas um trecho do total Além do hype: aplicações do mundo real da Gen AI e bancos de dados webinar. Para o webinar completo, apresentando explicações mais detalhadas, uma demonstração de aloydb e muito mais, você pode ver uma versão arquivada do webinar aqui.