AI-modeller og platforme
Google Cloud viser en forhåndsvisning af AI-metadataudtræk i Cloud Storage

NøglepunkterObjekterigelse flytter AI-inferensorkestrering ind i Cloud Storage, så agenter…
Vis mere
- Objekterigelse flytter AI-inferensorkestrering ind i Cloud Storage, så agenter forespørger forberedte metadata i stedet for at genbehandle frames.
- Google prissætter billedannotationer 75 % lavere end lignende tjenester fra andre cloududbydere.
- Forhåndsvisningen udelukker Gemini-berigelse og Rapid- eller hierarkiske namespace-buckets, mens objekter begrænses til 20 MiB.
Den 19. november 2026 introducerede Google Cloud objektberigelser, en Cloud Storage-tjeneste i forhåndsvisning, der udtrækker strukturerede metadata fra lagrede billeder og PDF-filer til AI-agenter og analyseformål. Et offentliggjort priseksempel anslår, at én billedmodel koster 700 $ for 10 millioner billeder.
Den fuldt administrerede funktion er tilgængelig via Cloud Storage-konsollen og API’et. Den scanner automatisk kvalificerede objekter asynkront, kører de valgte modeller, fortolker deres svar og skriver resultaterne til hvert objekt. Indbyggede genforsøg og hastighedsbegrænsning erstatter de køer, arbejdere, planlægning og tilpassede pipelinekode, som kunder ellers selv skulle opbygge omkring infrastruktur som Cloud Run eller Google Kubernetes Engine.
Det agenteksempel, der ligger til grund for designet, er et driftssystem, der søger gennem tusindvis af billeder fra smartkameraer eller køretøjer efter en pakkelevering eller en fare på vejen. Hvis billederne blev sendt til en model ved hver prompt, ville det bruge tokens og medføre flere minutters forsinkelse. Ved at forespørge på forhåndsforberedte metadata flyttes arbejdet til et asynkront behandlingstrin på lagringssiden. Metadataene forbliver desuden knyttet til objektet i stedet for at ligge i et separat lager, der skal synkroniseres.
Fem modeller og objektkontekst
Dokumentationen om objektberigelser opregner fem modeller fra Google. Objektdetektion og billedmærkning returnerer kategorier og rektangulære afgrænsninger, ansigtsdetektion tilføjer ansigtstræk og sandsynligheder for ansigtsudtryk, og PDF-klassifikation tildeler dokumentkategorier med tilhørende scorer. Kategorierne omfatter forretnings- og brancheområder som finans, spil, nyheder og sundhed.
Annoteringer gemmes som objektkontekster, en type metadata i Cloud Storage, der indeholder en nøgle, en strengværdi og tidsstempler samt en valgfri JSON-payload på op til 128 KiB med detaljerede resultater. Applikationer kan filtrere objektlister efter kontekstnøgler og -værdier, mens tilladelser i Identity and Access Management styrer, hvem der kan tilføje, ændre eller fjerne dem. Kontekster overføres automatisk ved kopiering, omskrivning, sammensætning, flytning og gendannelse.
Storage Insights-datasæt kan eksportere metadataene fra millioner eller milliarder af objekter til BigQuery. Datahold kan derefter forespørge på object_contexts_catalog_view med standard-SQL og sammenkoble etiketter eller dokumentklassifikationer med strukturerede forretningstabeller. Det understøtter søgning efter aktiver, kuratering af træningsdata og multimodal analyse uden at skrive en separat ETL-pipeline.
Priser og de første kunders resultater
Google oplyser, at billedannoteringer koster 75 % mindre end tilsvarende tjenester fra andre cloududbydere. De offentliggjorte Cloud Storage-priser giver et mere konkret sammenligningsgrundlag: 0,25 $ pr. 1.000 objekter for hver billedmodels første 1 million månedlige objekter og derefter 0,05 $ pr. 1.000 over denne grænse.
I Googles priseksempel anvendes objektdetektion og billedmærkning på 10 millioner billeder, hvilket medfører engangsudgifter til inferens på 1.400 $ og tilbagevendende månedlige udgifter på 55,20 $ til objektkontekster, Storage Intelligence og lagring af datasæt. Objektkontekster koster 3 $ pr. million kontekster pr. måned. Funktionen medfører også udgifter til dataadgang og netværk, og læsning af objekter kan udløse skift af lagerklasse i buckets, der bruger Autoclass.
PDF-klassifikation har en anden ordning i forhåndsvisningen: Den er gratis indtil den generelle tilgængelighed senere i 2026, og brugen er begrænset til 100 millioner objekter pr. kunde under den offentlige forhåndsvisning. Hvis den samme bucket og model konfigureres i mere end én behandlingslokation, gentages både arbejdet og udgiften, så valget af lokation indgår i omkostningsberegningen.
Kundecases offentliggjort sammen med annonceringen rapporterede om større driftsmæssige effekter. L’Oreals ledende data- og AI-arkitekt, Antoine Castex, sagde, at tjenesten mærkede virksomhedens samling af kreative aktiver 100 gange hurtigere til en brøkdel af de hidtidige pipelineomkostninger. Hypersciences vicepræsident for partnerskaber, Mayur Pillay, rapporterede om en forbedring af dokumentklassifikationens nøjagtighed på over 50 % og inferensomkostninger, der var to til tre gange lavere. Vivints vicepræsident for produkt-AI, Brandon Bunker, sagde, at objektberigelser og BigQuery reducerede udviklingstiden for AI fra seks måneder til én måned.
Begrænsninger i forhåndsvisningen og Gemini-planer
Forhåndsvisningen accepterer billed- og PDF-objekter på højst 20 MiB, og hvert objekt skal have en gyldig, understøttet Content-Type værdi, der identificerer filtypen. Understøttede billedformater er BMP, GIF, ICO, JPEG, PNG, TIFF og WEBP. Behandling er tilgængelig i us, eu og asia lokationer, så kunderne kan vælge en lokation ud fra krav til datasuverænitet og nærhed til bucketens lagerregion.
Objektberigelser kan ikke aktiveres på Rapid-buckets eller buckets med hierarkisk navnerum, understøtter ikke kundeleverede krypteringsnøgler og kræver præcise bucketnavne frem for jokertegn eller regulære udtryk. Der er ingen udtrykkelig grænse for arbejdsbelastningens størrelse, men kapacitetsbegrænsninger kan forsinke behandlingen. Cloud Monitoring registrerer afventende objekter, antal modelkørsler og behandlingsstatus.
Google angiver, at indbygget Gemini-berigelse er på vej og ikke indgår i denne forhåndsvisning. Funktionen er tænkt til multimodal ræsonnering på tværs af tekst, PDF-filer, billeder, lyd og video, og de mulige anvendelser omfatter opsummering, udtrækning af entiteter, transskription og oversættelse. Google henviser interesserede kunder til at anmode om adgang separat.
For virksomheder er afvejningen tydelig i forhåndsvisningen: Google håndterer inferensorkestreringen og knytter metadata til objektet, mens regningen afspejler hver modelkørsel, den lagrede kontekst og de læste data. Funktionens betydning for agentinfrastrukturen ligger i, at disse funktioner samles i Cloud Storage, så agenterne ikke behøver at være afhængige af endnu et lager og en behandlingsstak.












