โมเดลและแพลตฟอร์ม AI

Google Cloud เปิดตัวตัวอย่างการดึงข้อมูลเมตาด้วย AI ใน Cloud Storage

Theo Nash
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญการเสริมข้อมูลออบเจ็กต์ย้ายการจัดการการอนุมาน AI ไปไว้ใน Cloud Storage…
ดูเพิ่มเติม
  • การเสริมข้อมูลออบเจ็กต์ย้ายการจัดการการอนุมาน AI ไปไว้ใน Cloud Storage เพื่อให้เอเจนต์สอบถามข้อมูลเมตาที่เตรียมไว้แทนการประมวลผลเฟรมซ้ำ
  • Google ตั้งราคาการใส่คำอธิบายภาพต่ำกว่าบริการที่คล้ายกันจากผู้ให้บริการคลาวด์รายอื่นถึง 75%
  • เวอร์ชันพรีวิวไม่รวมการเสริมข้อมูลด้วย Gemini และบัคเก็ต Rapid หรือ hierarchical-namespace โดยจำกัดออบเจ็กต์ไว้ที่ 20 MiB

เมื่อวันที่ 19 พฤศจิกายน 2026 Google Cloud เปิดตัวการเพิ่มข้อมูลกำกับออบเจ็กต์ ซึ่งเป็นบริการ Cloud Storage รุ่นตัวอย่างที่ดึงข้อมูลเมตาแบบมีโครงสร้างจากรูปภาพและ PDF ที่จัดเก็บไว้ เพื่อให้เอเจนต์ AI และระบบวิเคราะห์นำไปใช้ โดยตัวอย่างราคาที่เผยแพร่ระบุว่า การใช้โมเดลรูปภาพหนึ่งโมเดลกับรูปภาพ 10 ล้านภาพมีค่าใช้จ่าย 700 ดอลลาร์

ฟีเจอร์นี้ใช้งานได้ผ่านคอนโซลและ API ของ Cloud Storage โดยเป็นบริการที่ Google จัดการให้ครบวงจรและทำงานแบบอะซิงโครนัส เพื่อสแกนออบเจ็กต์ที่เข้าเกณฑ์ เรียกใช้โมเดลที่เลือก แยกวิเคราะห์ผลลัพธ์ แล้วเขียนผลลงในออบเจ็กต์แต่ละรายการ ระบบลองทำซ้ำและควบคุมอัตราการทำงานที่มีมาให้ช่วยลดความจำเป็นในการสร้างคิว เวิร์กเกอร์ ระบบจัดตารางเวลา และโค้ดไปป์ไลน์แบบกำหนดเอง ซึ่งลูกค้าต้องประกอบขึ้นเองเมื่อต้องจัดการโครงสร้างพื้นฐานอย่าง Cloud Run หรือ Google Kubernetes Engine

ตัวอย่างเอเจนต์ที่เป็นที่มาของแนวคิดนี้คือระบบปฏิบัติการที่ค้นหาภาพจากกล้องอัจฉริยะหรือกล้องติดยานพาหนะนับพันภาพ เพื่อหาเหตุการณ์ส่งพัสดุหรือสิ่งกีดขวางบนถนน การส่งภาพเหล่านั้นเข้าโมเดลทุกครั้งที่มีพรอมป์ต์จะสิ้นเปลืองโทเค็นและเพิ่มเวลาหน่วงหลายนาที ส่วนการค้นหาข้อมูลเมตาที่เตรียมไว้ล่วงหน้าจะย้ายงานดังกล่าวไปเป็นขั้นตอนประมวลผลแบบอะซิงโครนัสที่ฝั่งพื้นที่จัดเก็บ ข้อมูลเมตายังคงผูกอยู่กับออบเจ็กต์ แทนที่จะต้องเก็บไว้ในคลังแยกต่างหากที่ต้องซิงโครไนซ์

โมเดล 5 แบบและบริบทของออบเจ็กต์

เอกสารประกอบเรื่องการเพิ่มข้อมูลกำกับออบเจ็กต์ระบุโมเดลจากผู้ให้บริการเองไว้ 5 แบบ การตรวจจับออบเจ็กต์และการติดป้ายกำกับรูปภาพจะแสดงหมวดหมู่และกรอบสี่เหลี่ยมล้อมรอบ การตรวจจับใบหน้าจะเพิ่มจุดสังเกตบนใบหน้าและความน่าจะเป็นของสีหน้า ส่วนการจัดประเภท PDF จะกำหนดหมวดหมู่เอกสารพร้อมคะแนน หมวดหมู่เหล่านี้ครอบคลุมทั้งด้านธุรกิจและอุตสาหกรรม เช่น การเงิน เกม ข่าว และสุขภาพ

ระบบจัดเก็บคำอธิบายประกอบไว้ในบริบทของออบเจ็กต์ ซึ่งเป็นโครงสร้างข้อมูลเมตาของ Cloud Storage ที่ประกอบด้วยคีย์ ค่าแบบสตริง และการประทับเวลา พร้อมเพย์โหลด JSON ที่เลือกเพิ่มได้ ขนาดสูงสุด 128 KiB สำหรับผลลัพธ์โดยละเอียด แอปพลิเคชันสามารถกรองรายการออบเจ็กต์ด้วยคีย์และค่าของบริบทได้ ขณะที่สิทธิ์ Identity and Access Management จะควบคุมว่าใครสามารถเพิ่ม แก้ไข หรือลบข้อมูลเหล่านี้ได้ บริบทจะโอนไปโดยอัตโนมัติระหว่างการคัดลอก การเขียนใหม่ การประกอบ การย้าย และการกู้คืน

ชุดข้อมูล Storage Insights สามารถส่งออกข้อมูลเมตาจากออบเจ็กต์หลายล้านหรือหลายพันล้านรายการไปยัง BigQuery ได้ จากนั้นทีมข้อมูลก็สามารถสืบค้น object_contexts_catalog_view ข้อมูลด้วย SQL มาตรฐาน และนำป้ายกำกับหรือการจัดประเภทเอกสารไปเชื่อมกับตารางธุรกิจที่มีโครงสร้าง เพื่อรองรับการค้นหาสินทรัพย์ การคัดสรรข้อมูลฝึก และการวิเคราะห์ข้อมูลหลายรูปแบบ โดยไม่ต้องเขียนไปป์ไลน์ ETL แยกต่างหาก

ราคาและผลลัพธ์จากลูกค้ากลุ่มแรก

Google ระบุว่าค่าบริการทำคำอธิบายประกอบรูปภาพของบริษัทถูกกว่าบริการใกล้เคียงจากผู้ให้บริการคลาวด์รายอื่น 75% ส่วนราคาของ Cloud Storage ที่เผยแพร่ช่วยให้เห็นราคาอ้างอิงที่ชัดเจนยิ่งขึ้น โดยคิด 0.25 ดอลลาร์ต่อออบเจ็กต์ 1,000 รายการ สำหรับออบเจ็กต์รายเดือน 1 ล้านรายการแรกของโมเดลรูปภาพแต่ละโมเดล และคิด 0.05 ดอลลาร์ต่อ 1,000 รายการสำหรับจำนวนที่เกินเกณฑ์ดังกล่าว

ตัวอย่างการคำนวณของ Google ใช้การตรวจจับออบเจ็กต์และการติดป้ายกำกับรูปภาพกับรูปภาพ 10 ล้านภาพ ทำให้มีค่าประมวลผลอนุมานแบบจ่ายครั้งเดียว 1,400 ดอลลาร์ และค่าใช้จ่ายประจำรายเดือน 55.20 ดอลลาร์สำหรับบริบทของออบเจ็กต์, Storage Intelligence และพื้นที่จัดเก็บชุดข้อมูล ค่าบริการบริบทของออบเจ็กต์อยู่ที่ 3 ดอลลาร์ต่อบริบท 1 ล้านรายการต่อเดือน ฟีเจอร์นี้ยังมีค่าบริการเข้าถึงข้อมูลและเครือข่ายด้วย ขณะที่การอ่านออบเจ็กต์อาจทำให้เกิดการเปลี่ยนระดับพื้นที่จัดเก็บในบักเก็ตที่ใช้ Autoclass

การจัดประเภท PDF มีเงื่อนไขสำหรับรุ่นตัวอย่างต่างออกไป โดยใช้งานได้ฟรีจนกว่าจะเปิดให้บริการทั่วไปในช่วงหลังของปี 2026 และจำกัดการใช้งานไว้ที่ 100 ล้านออบเจ็กต์ต่อลูกค้าหนึ่งรายในช่วงตัวอย่างสาธารณะ หากกำหนดค่าบักเก็ตและโมเดลเดียวกันในสถานที่ประมวลผลมากกว่าหนึ่งแห่ง ระบบจะทำงานซ้ำและคิดค่าบริการซ้ำด้วย ดังนั้นขอบเขตของสถานที่จึงเป็นส่วนหนึ่งของการคำนวณต้นทุน

บัญชีลูกค้าที่เผยแพร่พร้อมประกาศดังกล่าวรายงานผลด้านการดำเนินงานที่ชัดเจนยิ่งขึ้น Antoine Castex สถาปนิกข้อมูลและ AI หลักของ L’Oreal กล่าวว่า บริการนี้ช่วยติดป้ายกำกับคลังสินทรัพย์งานสร้างสรรค์ได้เร็วขึ้น 100 เท่า โดยมีค่าใช้จ่ายเพียงเศษเสี้ยวของไปป์ไลน์เดิม Mayur Pillay รองประธานฝ่ายพันธมิตรของ Hyperscience รายงานว่าความแม่นยำในการจัดประเภทเอกสารเพิ่มขึ้นมากกว่า 50% และค่าประมวลผลอนุมานลดลงสองถึงสามเท่า Brandon Bunker รองประธานฝ่ายผลิตภัณฑ์ AI ของ Vivint กล่าวว่า การเพิ่มข้อมูลกำกับออบเจ็กต์และ BigQuery ช่วยลดเวลาพัฒนา AI จาก 6 เดือนเหลือ 1 เดือน

ข้อจำกัดของรุ่นตัวอย่างและแผนงาน Gemini

รุ่นตัวอย่างรองรับออบเจ็กต์รูปภาพและ PDF ที่มีขนาดไม่เกิน 20 MiB และออบเจ็กต์แต่ละรายการต้องมีค่าที่ถูกต้องและรองรับ Content-Type ซึ่งระบุประเภทไฟล์ รูปแบบรูปภาพที่รองรับ ได้แก่ BMP, GIF, ICO, JPEG, PNG, TIFF และ WEBP การประมวลผลพร้อมใช้งานใน us, eu และ asia สถานที่ ซึ่งช่วยให้ลูกค้าเลือกสถานที่ตามข้อกำหนดด้านอธิปไตยของข้อมูลและความใกล้กับภูมิภาคที่จัดเก็บข้อมูลของบักเก็ตได้

ไม่สามารถเปิดใช้การเพิ่มข้อมูลกำกับออบเจ็กต์กับบักเก็ต Rapid หรือบักเก็ตที่ใช้เนมสเปซแบบลำดับชั้นได้ ฟีเจอร์นี้ไม่รองรับคีย์เข้ารหัสที่ลูกค้าจัดหาเอง และต้องใช้ชื่อบักเก็ตแบบตรงทั้งหมด ไม่รองรับไวลด์การ์ดหรือนิพจน์ทั่วไป แม้จะไม่มีการกำหนดขีดจำกัดขนาดเวิร์กโหลดไว้อย่างชัดเจน แต่ข้อจำกัดด้านความจุอาจทำให้การประมวลผลล่าช้า Cloud Monitoring ติดตามจำนวนออบเจ็กต์ที่รอดำเนินการ จำนวนการเรียกใช้โมเดล และสถานะการประมวลผล

Google ระบุว่าการเพิ่มข้อมูลด้วย Gemini แบบเนทีฟเป็นฟีเจอร์ที่กำลังจะเปิดให้ใช้งาน ไม่ได้รวมอยู่ในการแสดงตัวอย่างครั้งนี้ ฟีเจอร์นี้ออกแบบมาเพื่อให้ใช้เหตุผลแบบหลายโมดัลกับข้อความ ไฟล์ PDF รูปภาพ เสียง และวิดีโอ โดยมีการสรุป การสกัดเอนทิตี การถอดเสียง และการแปลภาษาเป็นความสามารถที่อาจมีในอนาคต Google แนะนำให้ลูกค้าที่สนใจยื่นขอสิทธิ์เข้าถึงแยกต่างหาก

สำหรับองค์กร การแสดงตัวอย่างนี้ระบุข้อแลกเปลี่ยนไว้อย่างชัดเจนว่า Google จัดการการประสานงานการอนุมานและเก็บข้อมูลเมทาดาทาไว้กับออบเจ็กต์ ขณะที่ค่าใช้จ่ายจะคิดตามการเรียกใช้โมเดลแต่ละครั้ง บริบทที่จัดเก็บ และข้อมูลที่อ่าน ความสำคัญของฟีเจอร์นี้ต่อโครงสร้างพื้นฐานสำหรับเอเจนต์อยู่ที่การรวมฟังก์ชันเหล่านี้ไว้ภายใน Cloud Storage แทนที่จะเพิ่มคลังข้อมูลและชุดระบบประมวลผลอีกชุดที่เอเจนต์ต้องพึ่งพา

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว