Với những thách thức về dữ liệu như: kích thước, định dạng, trên cơ sở hạ tầng on-premise hay trên cloud, quá nhiều công cụ để migrate dữ liệu, nhờ AI Cloud của Google, doanh nghiệp có thể kết nối với dữ liệu của mình ở nhiều cấp độ:

1. Kết nối dữ liệu cấu trúc và phi cấu trúc: 

Google Cloud vừa áp dụng rộng rãi BigLake Object Tables cho phép người dùng truy cập, chuyển đổi, xử lý và truy vấn dữ liệu phi cấu trúc bằng SQL dễ dàng. Đồng thời, Google còn hỗ trợ cho định dạng tệp Hudi và Delta trong Biglake.

Người dùng có thể sử dụng tính năng nhập luồng thông lượng cao trong Cloud Storage, tối ưu hóa lưu trữ tự động cho Lakehouse, và thực hiện giao dịch DML sử dụng BigLake để cho phép sửa đổi nhất quán và cải thiện bảo mật dữ liệu, mà vẫn duy trì khả năng tương thích với đầu đọc Iceberg.

2. Kết nối dữ liệu trên các đám mây

Nhiều doanh nghiệp quản lý và phân tích dữ liệu trên GCP, AWS, Azure bằng BigQuery Omni. Google Cloud đã bổ sung thêm tính năng hỗ trợ cho các chế độ xem cụ thể hóa và tham gia trên multi cloud. Đồng thời, Google cũng đã mở rộng phân tích sang dữ liệu on-premise bằng cách đưa Dataproc Spark lên Cloud, giúp doanh nghiệp có thể kết nối Spark với BigQuery cũng như chạy Spark trên các dự liệu nhạy cảm trong Data Center của mình.

3. Kết nối và quản lý dữ liệu

Với Dataplex, Google đã bổ sung khả năng lập hồ sơ thông minh cho dữ liệu giúp doan nghiệp có cái nhìn tổng quan cho tất cả dữ liệu và nội dung AI của mình như: mô hình vertex AI, cơ sở dữ liệu vận hành và phân tích trên Google Cloud và Omni.

4. Chia sẻ dữ liệu

Nhằm hỗ trợ cho việc kết nối dữ liệu, BigQuery data clean rooms giúp doanh nghiệp chia sẻ, so khớp các file cũng như cộng tác phân tích với các đối tác đáng tin cậy đồng thời tôn trọng quyền bảo mật và riêng tư của người dùng.

5. Tối ưu hóa chi phí: 

Với các phiên bản định giá BigQuery cùng với những cải tiến về tính năng tự động chia tỷ lệ vị trí và mô hình thanh toán bộ nhớ nén mới, việc kết nối sẽ không còn tốn kém và không thể dự đoán như trước.