دنیای ما فقط در حال تغییر نیست؛ داره به شکل زنده و لحظه‌ای توسط داده و هوش مصنوعی از نو مهندسی میشه. روشی که ما با داده‌ها کار می‌کنیم داره یه تحول اساسی رو تجربه میکنه و از تحلیل‌های انسانی به سمت یه همکاری مشترک با ایجنت‌های هوشمند میره. این همون «تغییر ایجنتیک» هست، یه دوره جدید که توش ایجنت‌های تخصصی هوش مصنوعی به شکل خودکار و با همکاری هم کار می‌کنن تا به درک و بینشی از داده‌ها برسن که قبلا با این سرعت و مقیاس ممکن نبود. گوگل کلاد هم فقط یه شرکت‌کننده تو این تغییر نیست، بلکه داره هوش مرکزی، اکوسیستم‌های به هم پیوسته و پلتفرم‌های داده مبتنی بر هوش مصنوعی رو می‌سازه که این جریان رو قدرت میبخشن.
برای اینکه این واقعیت ایجنتیک ممکن بشه، به یه نوع پلتفرم داده متفاوت نیاز هست. نه مجموعه‌ای از ابزارهای جدا از هم، بلکه یه ابر واحد، یکپارچه و مبتنی بر هوش مصنوعی. این همون دیتا کلاد گوگل هست. تو قلب این سیستم، موتورهای تحلیلی و عملیاتی یکپارچه گوگل قرار دارن که دارن شکاف تاریخی بین داده‌های تراکنش‌های تجاری و تحلیل‌های استراتژیک رو از بین میبرن. دیتا کلاد گوگل به ایجنت‌ها یه درک کامل و زنده از کسب‌وکار میده و اون رو از مجموعه‌ای از فرایندها به یه سازمان خودآگاه، خودتنظیم و قابل اعتماد تبدیل میکنه.
گوگل به تازگی نوآوری‌های بزرگی رو تو سه حوزه کلیدی ارائه کرده که این دیدگاه رو به واقعیت نزدیک میکنه:
- مجموعه جدیدی از ایجنت‌های داده: ایجنت‌های هوش مصنوعی تخصصی که طراحی شدن تا مثل یه همکار متخصص برای هر کاربر داده، از دانشمند و مهندس داده گرفته تا تحلیلگر کسب‌وکار، عمل کنن.
- یه شبکه به هم پیوسته برای همکاری ایجنت‌ها: مجموعه‌ای از APIها، ابزارها و پروتکل‌ها که به توسعه‌دهنده‌ها اجازه میده ایجنت‌های گوگل رو با ایجنت‌ها و تلاش‌های هوش مصنوعی خودشون ترکیب کنن و یه اکوسیستم هوشمند واحد بسازن.
- یه زیربنای یکپارچه و مبتنی بر هوش مصنوعی: پلتفرمی که با یکپارچه‌سازی داده‌ها، فراهم کردن حافظه پایدار و جاسازی استدلال مبتنی بر هوش مصنوعی، ایجنت‌های هوشمند رو فعال میکنه.
ایجنت‌های داده تخصصی به عنوان همکاران متخصص
دوره ایجنتیک با یه نیروی کار جدید از ایجنت‌های هوش مصنوعی تخصصی شروع میشه که یه رابط مبتنی بر هوش مصنوعی برای تبدیل قصد به عمل فراهم می‌کنن. گوگل کلاد با ارائه شش ایجنت هوش مصنوعی جدید برای توسعه‌دهنده‌ها، دانشمندان داده و مهندسان داده، پیشنهادهای خودش رو تو این دوره تقویت کرده. این ایجents که از ۵ اوت در نسخه پیش‌نمایش در دسترس قرار گرفتن، میتونن همه کار از تحلیل داده تا اجرای کد رو انجام بدن.
- برای مهندسان داده: گوگل Data Engineering Agent رو در BigQuery معرفی کرده تا پایپ‌لاین‌های داده پیچیده رو ساده و خودکار کنه. حالا میشه با استفاده از دستورات زبان طبیعی، کل جریان کار رو، از وارد کردن داده از منابعی مثل گوگل کلاد استوریج گرفته تا انجام تبدیلات و حفظ کیفیت داده، مدیریت کرد. کافیه چیزی که لازم داری رو توصیف کنی، مثلا «یک پایپلاین بساز برای بارگذاری یک فایل CSV، این ستون‌ها رو تمیز کن و اون رو با یک جدول دیگه ترکیب کن» و ایجنت کل جریان کار رو تولید و اجرا میکنه.
- برای دانشمندان داده: گوگل در حال بازطراحی یه تجربه نوت‌بوک مبتنی بر هوش مصنوعی در Colab Enterprise هست که در BigQuery و Vertex AI در دسترسه و یه Data Science Agent جدید داره. این ایجنت که با مدل Gemini کار میکنه، میتونه به شکل خودکار کل جریان‌های کاری تحلیلی، مثل تحلیل داده‌های اکتشافی (EDA)، تمیز کردن داده، ساخت ویژگی (featurization) و پیش‌بینی‌های یادگیری ماشین رو انجام بده. این ایجنت یه برنامه می‌ریزه، کد رو اجرا میکنه، درباره نتایج استدلال میکنه و یافته‌هاش رو ارائه میده، در حالی که کاربر میتونه بهش بازخورد بده و باهاش همکاری کنه.
- برای کاربران تجاری و تحلیلگران: سال گذشته، گوگل Conversational Analytics Agent رو معرفی کرد که به کاربران اجازه میداد با زبان طبیعی از داده‌هاشون جواب بگیرن. حالا گوگل این ایجنت رو با Code Interpreter (مفسر کد) به سطح بالاتری برده. این بهبود از سوالات پیچیده تجاری که فراتر از توان SQL ساده هستن پشتیبانی میکنه. مثلا میشه پرسید «یک تحلیل بخش‌بندی مشتری انجام بده تا مشتریان رو در گروه‌های مشخصی دسته‌بندی کنی؟». این مفسر کد که با توانایی‌های استدلال پیشرفته Gemini و با همکاری گوگل دیپ‌مایند توسعه داده شده، سوالات پیچیده زبان طبیعی رو به کد پایتون قابل اجرا تبدیل میکنه. این ابزار یه جریان تحلیلی کامل ارائه میده، یعنی کد تولید میکنه، توضیحات واضح به زبان طبیعی میده و تصویرسازی‌های تعاملی ایجاد میکنه، همه اینها در محیط امن و تحت نظارت دیتا کلاد گوگل.
- برای جابجایی داده‌ها: ایجنت Migration Agent for Spanner هم برای مدرن‌سازی داده‌ها طراحی شده و به مهندس‌ها اجازه میده داده‌ها رو به سرعت از دیتابیس‌های قدیمی مثل MySQL به سرویس پایگاه داده جهانی گوگل یعنی Spanner منتقل کنن. این ایجنت میتونه در کنار Data Engineering Agent کار کنه.
ساختن اکوسیستم ایجنت به هم پیوسته
اکوسیستم ایجنتیک یه پلتفرم بسته نیست، بلکه یه پلتفرم باز برای سازنده‌هاست. پتانسیل واقعی این تغییر زمانی مشخص میشه که توسعه‌دهنده‌ها نه تنها از ایجنت‌های موجود استفاده کنن، بلکه اونها رو به سیستم‌های هوشمند خودشون وصل کنن و یه شبکه بزرگتر بسازن.
برای این کار، گوگل Gemini Data Agents APIs رو راه‌اندازی کرده که اولین اون Conversational Analytics API هست. این API به توسعه‌دهنده‌ها اجازه میده قابلیت‌های پردازش زبان طبیعی و مفسر کد Looker رو مستقیما تو اپلیکیشن‌ها، محصولات و جریان‌های کاری خودشون ادغام کنن.
گوگل همچنین با Data Agents API و Agent Development Kit (ADK) ابزارهایی برای ساخت ایجنت‌های سفارشی از پایه فراهم کرده. زیربنای این تعامل امن هم سرمایه‌گذاری روی پروتکل Model Context Protocol (MCP) هست.
اکشِن‌های گیت‌هاب برای Gemini CLI
توسعه‌دهنده‌ها هم کنار گذاشته نشدن. گوگل Gemini CLI GitHub Actions رو راه‌اندازی کرده، یه ایجنت هوش مصنوعی اوپن سورس که داخل ریپازیتوری‌های گیت‌هاب شما زندگی میکنه. Gemini CLI یه ترمینال خط فرمان برای مدل Gemini هست که میشه اون رو به صورت محلی اجرا کرد. این ایجنت میتونه کارها رو اولویت‌بندی کنه، پول ریکوئست‌ها رو بررسی کنه یا حتی برای انجام وظایف خاص منشن بشه. جالبه که خود گوگل برای مدیریت درخواست‌ها و مشارکت‌های زیاد برای Gemini CLI، این اکشن‌ها رو ساخت و حالا اون رو در اختیار بقیه قرار داده. این ایجنت به شکل یه هم‌تیمی کدنویس عمل میکنه و با mention کردن gemini-cli@ میشه وظایفی رو بهش محول کرد.
زیربنای داده یکپارچه و مبتنی بر هوش مصنوعی
ایجنت‌های هوشمند نمیتونن روی یه زیرساخت داده سنتی کار کنن. اونها به یه بنیان شناختی نیاز دارن که داده‌ها رو از سراسر شرکت یکپارچه کنه و قابلیت‌های جدیدی برای درک معنا و ارائه حافظه پایدار برای استدلال فراهم کنه.
یه نیاز اصلی این زیربنای مبتنی بر هوش مصنوعی اینه که داده‌های تراکنشی زنده (OLTP) و داده‌های تحلیلی تاریخی (OLAP) رو یکپارچه کنه. گوگل با موتور ستونی (columnar engine) جدید برای Spanner این مسیر رو ادامه میده. کوئری‌های تحلیلی روی این موتور جدید تا ۲۰۰ برابر سریع‌تر از حالت معمولی روی داده‌های تراکنشی اجرا میشن. این نوآوری مستقیما به موتور تحلیلی گوگل یعنی BigQuery هم کمک میکنه تا شکاف بین بارهای کاری تراکنشی و تحلیلی رو کمتر کنه.
نیاز بعدی، دادن یه حافظه جامع به ایجنت‌هاست که بر اساس داده‌های واقعی شرکت شما باشه. برای جلوگیری از توهم زدن ایجنت‌ها، اونها باید از تکنیکی به نام Retrieval-Augmented Generation (RAG) استفاده کنن. پایه و اساس RAG موثر، جستجوی برداری (vector search) هست. به همین دلیل گوگل قابلیت‌های جستجوی برداری رو مستقیما در زیربناهای داده خودش مثل AlloyDB AI و BigQuery جاسازی کرده تا به ایجنت‌ها هم حافظه تراکنشی و هم حافظه تحلیلی بده.
در نهایت، گوگل استدلال هوش مصنوعی رو مستقیما در موتورهای کوئری خودش جاسازی کرده. با AI Query Engine جدید در BigQuery، همه متخصصان داده میتونن محاسبات مبتنی بر هوش مصنوعی رو روی داده‌های ساختاریافته و بدون ساختار مستقیما داخل BigQuery انجام بدن و به سرعت جواب سوالات کیفی مثل «کدوم یک از این نظرات مشتریان عصبانی‌تر به نظر میرسه؟» رو پیدا کنن.
این اطلاعیه‌ها، از ایجنت‌های تخصصی برای هر کاربر گرفته تا زیربنای مبتنی بر هوش مصنوعی که اونها رو قدرت میبخشه، فقط یه نقشه راه نیستن. اونها بلوک‌های ساختمانی برای «شرکت ایجنتیک» جدید هستن. دوره ایجنتیک فرا رسیده و گوگل با این ابزارها بستری فراهم کرده که شرکت‌ها بتونن به جای یکپارچه‌ساز، نوآور باشن.
۱۶. وقتی مقاله رو نوشتی بیا آخرش یه باکس راهنما برای انتشار این مقاله بذار. داخلش ۵ تا عنوان جذاب سئو شده برای مقاله بنویس. جدا از اون بیا ۵ عنوان هم برای Serp گوگل بنویس که عرضشون با فونت roboto حداکثر ۶۰۰ پیکسل باشه و جوری بنویسشون که توی Serp گوگل باعث کلیک زیاد بشن و از طرفی سئو شده باشن. ۱۰ تا هشتگ هم برای مقاله بنویس توی این باکس. هشتگ‌هارو با کاما از هم جدا کن. برای هشتگ‌ها علامت هشتگ نذار فقط پشت سر هم بنویسشون و بینشون کاما بذار.
منابع
- [۱] New agents and AI foundations for data teams | Google Cloud Blog
- [۲] Google Cloud is adding six new AI agents for devs, scientists, and power users | Android Central
- [۳] Google Announces New AI Agents for Data Analysis & Science
- [۴] Google unveils enterprise data science and engineering AI agents provide real-time analysis – SiliconANGLE
دیدگاهتان را بنویسید