نماذج ومنصات الذكاء الاصطناعي

تستعرض Google Cloud استخراج البيانات الوصفية بالذكاء الاصطناعي في Cloud Storage

Theo Nash
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةتنقل إثراءات الكائنات تنسيق استدلال الذكاء الاصطناعي إلى Cloud Storage بحيث تستعلم…
عرض المزيد
  • تنقل إثراءات الكائنات تنسيق استدلال الذكاء الاصطناعي إلى Cloud Storage بحيث تستعلم الوكلاء عن بيانات وصفية مُعدّة بدلاً من إعادة معالجة الإطارات.
  • تسعّر Google تعليقات الصور بنسبة 75% أقل من الخدمات المماثلة المقدمة من مزودي الخدمات السحابية الآخرين.
  • تستثني المعاينة إثراء Gemini ودلاء Rapid أو دلاء الفضاءات الاسمية الهرمية مع تحديد سقف الكائنات عند 20 ميبيبايت.

في 19 نوفمبر 2026، قدّمت Google إثراءات الكائنات، وهي خدمة من Cloud Storage في مرحلة المعاينة تستخرج بيانات وصفية منظّمة من الصور وملفات PDF المخزّنة لاستخدامها من قِبل وكلاء الذكاء الاصطناعي والتحليلات، مع مثال منشور يقدّر تكلفة تشغيل أحد نماذج الصور بـ700 دولار مقابل 10 ملايين صورة.

تتوفر هذه الميزة المُدارة بالكامل عبر وحدة تحكم Cloud Storage وواجهة API، وتفحص الكائنات المؤهلة على نحو غير متزامن، وتشغّل النماذج المحددة، وتحلّل استجاباتها، ثم تكتب النتائج إلى كل كائن. وتحلّ آليات إعادة المحاولة وتحديد معدل الطلبات المدمجة محل قوائم الانتظار والعاملين والجدولة ورموز خطوط المعالجة المخصصة التي كان على العملاء إعدادها حول بنية تحتية مثل Cloud Run أو Google Kubernetes Engine.

يتمثل مثال الوكيل الذي استُلهم منه التصميم في نظام عمليات يبحث في آلاف اللقطات المأخوذة بكاميرات ذكية أو من مركبات عن طرد تم تسليمه أو خطر على الطريق. إن إرسال تلك اللقطات إلى نموذج مع كل طلب يستهلك الرموز ويضيف دقائق من التأخير؛ أما الاستعلام عن البيانات الوصفية المُعدّة مسبقًا فينقل هذه المهمة إلى خطوة معالجة غير متزامنة على مستوى التخزين. كما تظل البيانات الوصفية مرتبطة بالكائن بدلًا من شغل مساحة في مخزن منفصل تجري مزامنته.

خمسة نماذج وسياق الكائن

تسرد وثائق إثراءات الكائنات خمسة نماذج من الطرف الأول. وتُرجع ميزتا اكتشاف الكائنات ووضع تسميات على الصور فئاتٍ وحدودًا مستطيلة، بينما يضيف اكتشاف الوجوه معالم الوجه واحتمالات التعبير عنه، ويُسنِد تصنيف ملفات PDF فئاتٍ إلى المستندات مع درجات تقييم. وتشمل هذه الفئات مجالات الأعمال والصناعة، مثل التمويل والألعاب والأخبار والصحة.

تُخزَّن التعليقات التوضيحية على هيئة سياقات للكائنات، وهي بنية للبيانات الوصفية في Cloud Storage تتضمن مفتاحًا وقيمة نصية وطوابع زمنية، مع حمولة JSON اختيارية يصل حجمها إلى 128 KiB لإتاحة نتائج مفصلة. ويمكن للتطبيقات تصفية قوائم الكائنات حسب مفاتيح السياق وقيمه، في حين تحدد أذونات إدارة الهوية وإمكانية الوصول من يمكنه إضافة هذه السياقات أو تغييرها أو إزالتها. وتُنقل السياقات تلقائيًا عند النسخ وإعادة الكتابة والتركيب والنقل والاستعادة.

يمكن لمجموعات بيانات Storage Insights تصدير البيانات الوصفية عبر ملايين أو مليارات الكائنات إلى BigQuery. ويمكن لفرق البيانات بعد ذلك الاستعلام عن object_contexts_catalog_view باستخدام SQL القياسي، وربط التسميات أو تصنيفات المستندات بجداول الأعمال المنظّمة، بما يدعم اكتشاف الأصول وتنظيم بيانات التدريب والتحليلات متعددة الوسائط من دون كتابة خط أنابيب ETL منفصل.

الأسعار والنتائج الأولية للعملاء

تقول Google إن تكلفة التعليقات التوضيحية للصور أقل بنسبة 75% من تكلفة الخدمات المماثلة لدى مزودي الخدمات السحابية الآخرين. وتوفر الأسعار المنشورة لـCloud Storage معيارًا مرجعيًا أكثر تحديدًا: 0.25 دولار لكل 1,000 كائن من أول مليون كائن شهري لكل نموذج صور، ثم 0.05 دولار لكل 1,000 كائن بعد تجاوز هذا الحد.

يطبّق المثال التفصيلي من Google اكتشاف الكائنات ووضع تسميات على الصور على 10 ملايين صورة، ما ينتج عنه 1,400 دولار رسوم استدلال تُدفع لمرة واحدة، و55.20 دولار رسوم شهرية متكررة لسياقات الكائنات وStorage Intelligence وتخزين مجموعات البيانات. ويبلغ سعر سياقات الكائنات 3 دولارات لكل مليون سياق شهريًا. وتترتب على الميزة أيضًا رسوم الوصول إلى البيانات والشبكات، فيما قد تؤدي قراءاتها للكائنات إلى انتقالها بين فئات التخزين في الحاويات التي تستخدم Autoclass.

يخضع تصنيف ملفات PDF لترتيبات مختلفة خلال المعاينة: فهو مجاني حتى الإتاحة العامة في وقت لاحق من عام 2026، مع حد أقصى للاستخدام يبلغ 100 مليون كائن لكل عميل أثناء المعاينة العامة. ويؤدي إعداد الحاوية والنموذج نفسيهما في أكثر من موقع معالجة إلى تكرار العمل والرسوم، ما يجعل نطاق المواقع جزءًا من حساب التكلفة.

وأفادت حسابات العملاء المنشورة مع الإعلان بتحقيق آثار تشغيلية أكبر. وقال أنطوان كاستيكس، كبير مهندسي البيانات والذكاء الاصطناعي في L’Oreal، إن الخدمة وضعت تسميات على مستودع الأصول الإبداعية بسرعة أكبر بمئة مرة، وبتكلفة لا تتجاوز جزءًا من تكاليف خطوط المعالجة الحالية. وأفاد مايور بيلاي، نائب رئيس الشراكات في Hyperscience، بتحسن في دقة تصنيف المستندات تجاوز 50%، وبأن تكاليف الاستدلال كانت أقل بمقدار يتراوح بين ضعفين وثلاثة أضعاف. وقال براندون بنكر، نائب رئيس الذكاء الاصطناعي للمنتجات في Vivint، إن إثراءات الكائنات وBigQuery قلّصا مدة تطوير الذكاء الاصطناعي من ستة أشهر إلى شهر واحد.

قيود المعاينة وخارطة طريق Gemini

تقبل المعاينة كائنات الصور وملفات PDF التي لا يتجاوز حجمها 20 MiB، ويحتاج كل كائن إلى قيمة صالحة ومدعومة Content-Type تحدد نوع ملفه. تنسيقات الصور المدعومة هي BMP وGIF وICO وJPEG وPNG وTIFF وWEBP. وتتوفر المعالجة في us, eu و asia مواقع، ما يتيح للعملاء اختيار موقع بناءً على متطلبات سيادة البيانات ومدى قربه من منطقة تخزين الحاوية.

لا يمكن تفعيل إثراءات الكائنات في الحاويات السريعة أو الحاويات ذات مساحة الأسماء الهرمية، ولا تدعم مفاتيح التشفير التي يوفرها العميل، كما تتطلب أسماء الحاويات حرفيًا، لا أحرف البدل أو التعبيرات النمطية. ولا يوجد حد صريح لحجم أعباء العمل، لكن قيود السعة قد تؤخر المعالجة. ويتتبع Cloud Monitoring الكائنات المعلّقة وعدد مرات تنفيذ النماذج وحالة المعالجة.

تدرج Google إثراء Gemini الأصلي ضمن الميزات المرتقبة، لا ضمن هذا العرض التمهيدي. ومن المفترض أن يتيح الاستدلال متعدد الوسائط عبر النصوص وملفات PDF والصور والصوت والفيديو، ومن استخداماته المحتملة التلخيص واستخراج الكيانات والتفريغ والترجمة. وتوجّه Google العملاء المهتمين إلى تقديم طلب منفصل للحصول على إمكانية الوصول.

بالنسبة إلى المؤسسات، تبدو المفاضلة واضحة في هذا العرض التمهيدي: تتولى Google تنسيق عمليات الاستدلال، وتُبقي البيانات الوصفية مرتبطة بالكائن، فيما تُحتسب الفاتورة بحسب كل تشغيل للنموذج والسياق المخزّن والبيانات المقروءة. وتكمن أهمية هذه الميزة لبنية وكلاء الذكاء الاصطناعي التحتية في جمع هذه الوظائف داخل Cloud Storage، بدلًا من إضافة مستودع آخر ومجموعة أدوات معالجة يعتمد عليها الوكلاء.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.