什么是数据云？

现代数据云基于几个关键组件构建，可提供灵活性和可伸缩性：

1. 开放式湖仓一体：利用 Apache Iceberg 等格式（通过 Google Cloud Lakehouse），数据云可在 BigQuery 和 Spark 等开源引擎之间提供互操作性，确保开放而灵活的数据存储，而不会受制于供应商。
2. 自主数据平台：BigQuery 等自主平台可自动完成注入、扩缩和处理，充当无服务器“数据到 AI”平台。
3. 统一的数据治理：Knowledge Catalog 等工具可为 AI 提供目录，为智能体提供语义，确保跨多云和混合环境进行数据和 AI 治理。
4. 内置 AI 和机器学习：通过与 Gemini Enterprise Agent Platform 等平台集成，组织可以将 AI/机器学习嵌入业务流程，使数据“AI 就绪”，以便进行智能体和预测性分析。
5. 事务型数据库：作为事实来源，捕获客户购买、库存变化或个人资料更新等实时事件。虽然这些数据库（通常是基于 SQL 的数据库，如 PostgreSQL 或 MySQL）经过优化，可以快速更新单个行，但数据云将它们集成到一个更大的生态系统中，以进行高级分析。

• 实时处理数据并获取洞见，以促进产品和服务创新并提升员工和客户体验
• 整个数据生命周期管理过程中的数据保护与治理
• 自助式分析报告、信息中心和可视化
• AI 驱动的分析和自动化功能（包括数据和机器学习模型），以简化流程、提高效率并提供更高的生产力
• 自动优化数据质量以提高数据一致性，无需移动或复制数据

总体而言，数据云的用途很广泛，并且可以在各行各业中取得出色的成效。零售品牌能够更好地了解库存情况并帮助员工在实体店内找到商品。医疗保健组织使用 AI 更快地分析样本，并将非结构化临床记录转换为结构化格式，从而提升患者治疗效果。物流公司通过更高效的路线减少燃料消耗，而金融服务机构和银行则可以提高处理速度。

数据云的价值只有在实际应用中才能真正体现出来。下面介绍数据科学家如何利用 Google Cloud 免费试用服务，在几分钟内将原始存储数据转化为 AI 驱动型分析洞见。

第 1 步：与 Google Cloud Lakehouse 统一

无需移动 PB 级数据，使用 Lakehouse 即可创建存储在 Apache Iceberg 中的客户日志的统一视图。这使得 BigQuery 和开源引擎之间能够立即实现互操作性，而不会受制于供应商。

第 2 步：使用 BigQuery Studio 和 Gemini 进行探索

打开 BigQuery Studio 笔记本，并使用 Gemini 根据自然语言提示生成 SQL 或 Python 代码。例如：“分析过去 30 天内顾客评价的情绪，并将其与库存水平相关联。”

第 3 步：使用 Managed Service for Apache Spark 进行扩缩

准备好将模型投入生产环境了吗？只需一个命令即可提交无服务器 Spark 作业。数据云负责自动扩缩和集群管理，让您能够专注于模型逻辑。