غالباً ما يعاني محللو البيانات من صعوبة فهم الصورة الكبيرة عندما تتعامل الدوال العادية مع كل صف على حدة. اليوم، أعلنت Google Cloud عن دالة جديدة في BigQuery تُدعى AI.AGG، تتيح لك كتابة سطر SQL واحد لتحليل ملايين الصفوف دفعة واحدة باستخدام قدرات التفكير الخاصة بنموذج Gemini.
ما هي دالة AI.AGG تحديداً؟
على عكس دوال الذكاء الاصطناعي التقليدية في BigQuery التي تعمل صفاً بصف (row-by-row)، فإن AI.AGG مصممة لترى الغابة بأكملها. تستخدم تعليمات باللغة البشرية الطبيعية لتلخيص المواضيع المشتركة، كشف اتجاهات المشاعر السائدة، وتحليل البيانات متعددة الوسائط – أي النصوص والصور معاً – من خلال جملة SQL واحدة.
تخيل أن لديك طاولة ببيانات مراجعات العملاء تضم ملايين الصفوف، كل صف يحتوي على تعليق نصي وصورة للمنتج. بدلاً من كتابة استعلامات طويلة أو استخدام أدوات خارجية، يمكنك الآن طلب: “لخّص أهم المواضيع الإيجابية والسلبية في هذه المراجعات” وسيقوم AI.AGG بإرجاع ملخص دقيق في ثوانٍ.
كيف يختلف عن دوال AI العادية؟
الدوال التقليدية مثل ML.GENERATE_TEXT تعالج كل صف على حدة، مما يجعلها مناسبة لتحليل فردي كترجمة النصوص أو تصنيفها. لكن AI.AGG تنظر إلى المجموعة ككل (group-level reasoning)، وتستنتج أنماطاً واتجاهات عامة لا يمكن لتحليل الصف الواحد تحقيقها. بمعنى آخر، تنتقل من مرحلة قراءة الجمل إلى مرحلة فهم القصة الكاملة.
في العرض التوضيحي الرسمي، قام المهندس Thomas باستخدام AI.AGG لتلخيص مراجعات المستخدمين النصية واكتشاف المشاعر المسيطرة في كل فئة، ثم انتقل إلى تحليل مجموعة من الصور لاستخلاص الموضوعات المشتركة مثل الألوان أو التصميم – كل ذلك دون مغادرة بيئة SQL المألوفة.
تأثير عملي على محللي البيانات وفرق المنتج
الميزة الأكبر لهذه الدالة هي تقليل الفجوة بين خبراء SQL وفرق الذكاء الاصطناعي. لم يعد مطلوباً كتابة نماذج مخصصة أو استخدام أدوات تحليل خارجية للحصول على ملخصات ذكية. يمكن لفرق المنتج والتسويق تشغيل استعلامات مباشرة على مستودعات بيانات ضخمة واستخراج رؤى سريعة عن آراء العملاء، دون الحاجة لكتابة كود Python أو JavaScript.
كما أن معالجة الصور ضمن نفس الاستعلام تفتح آفاقاً لتحليل المحتوى المرئي مثل لقطات الشاشة أو صور المنتجات على نطاق واسع. كل ما تحتاجه هو جدول يحتوي على روابط الصور، مع تعليمات توضح ما تريد اكتشافه.
القيود التي يجب متابعتها
كما هو الحال مع أي تقنية جديدة، يجب التعامل مع النتائج بعين ناقدة. دقة التلخيص تعتمد على جودة البيانات ووضوح التعليمات باللغة الطبيعية. كما أن استخدام نموذج Gemini يعني احتساب تكاليف إضافية على استهلاك الذكاء الاصطناعي في BigQuery، وهي تكلفة تختلف حسب كمية البيانات وعمق التحليل. لم تعلن Google بعد عن جداول تسعير محددة، لكن المستخدم يجب أن يراقب فاتورته خاصة عند معالجة مئات الملايين من الصفوف.
خلاصة عملية
إذا كنت تستخدم BigQuery بالفعل وتحتاج إلى تحليل سريع للاتجاهات الرئيسية من نصوص وصور دون الخوض في تعقيد الذكاء الاصطناعي، فإن AI.AGG خطوة عملية وجديرة بالتجربة. تذكر استخدام وثائق Google الرسمية لفهم بناء الجملة الدقيق وأمثلة الاستخدام.
التطبيقات والروابط الرسمية
- وثائق دالة AI.AGG: https://goo.gle/bq-ai-agg
- نظرة عامة على الذكاء الاصطناعي التوليدي في BigQuery: https://goo.gle/bq-genai-overview
مصدر المقطع
نشر المقطع على قناة Google Cloud Tech في YouTube، وتم اختياره لأنه حديث ومرتبط بموضوعات عليها طلب في الذكاء الاصطناعي.