Yapay zeka modelleri ve platformları

Google Cloud, Cloud Storage’da Yapay Zekâ Meta Verisi Çıkarımını Önizlemeye Açıyor

Theo Nash
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarNesne zenginleştirmeleri, AI çıkarım orkestrasyonunu Cloud Storage'a taşıyarak…
Daha fazla göster
  • Nesne zenginleştirmeleri, AI çıkarım orkestrasyonunu Cloud Storage'a taşıyarak ajanların kareleri yeniden işlemek yerine hazırlanmış üst verileri sorgulamasını sağlar.
  • Google, görüntü açıklamalarını diğer bulut sağlayıcılarındaki benzer hizmetlere göre %75 daha düşük fiyatlandırıyor.
  • Önizleme, Gemini zenginleştirmesini ve Rapid veya hiyerarşik ad alanı paketlerini hariç tutarken nesneleri 20 MiB ile sınırlıyor.

Google Cloud, 19 Kasım 2026’da nesne zenginleştirmelerini kullanıma sundu. Önizleme aşamasındaki bu Cloud Storage hizmeti, yapay zekâ ajanları ve analiz uygulamaları için depolanan görüntü ve PDF’lerden yapılandırılmış meta veriler çıkarıyor. Yayımlanan bir fiyatlandırma örneğinde, tek bir görüntü modelinin 10 milyon görüntü için maliyeti 700 dolar olarak hesaplanıyor.

Cloud Storage konsolu ve API üzerinden kullanılabilen, tam olarak yönetilen bu özellik; uygun nesneleri eşzamansız biçimde tarıyor, seçilen modelleri çalıştırıyor, yanıtlarını ayrıştırıyor ve sonuçları her nesneye yazıyor. Yerleşik yeniden deneme ve hız sınırlama mekanizmaları, müşterilerin Cloud Run veya Google Kubernetes Engine gibi altyapıların çevresinde kurmak zorunda kalacağı kuyrukların, çalışanların, zamanlamanın ve özel işlem hattı kodlarının yerini alıyor.

Tasarımın temelindeki ajan örneği, bir teslimat paketini veya yoldaki tehlikeyi bulmak için binlerce akıllı kamera ya da araç görüntüsünü tarayan bir operasyon sistemidir. Her istemde bu görüntüleri bir modele aktarmak token tüketir ve gecikmeye dakikalar ekler; önceden hazırlanmış meta verileri sorgulamak ise bu işi depolama tarafında eşzamansız bir işleme adımına taşır. Meta veriler ayrıca ayrı bir depoda saklanıp eşitlenmek yerine nesneye bağlı kalır.

Beş Model ve Nesne Bağlamları

nesne zenginleştirmeleri belgelerinde Google’ın kendi geliştirdiği beş model listeleniyor. Nesne algılama ve görüntü etiketleme, kategorileri ve dikdörtgen sınırları döndürüyor; yüz algılama, yüz işaret noktalarını ve yüz ifadelerinin olasılıklarını ekliyor; PDF sınıflandırması ise belgelere puanlarla birlikte kategoriler atıyor. Bu kategoriler arasında finans, oyun, haber ve sağlık gibi iş ve sektör alanları bulunuyor.

Ek açıklamalar, anahtar, dize değeri ve zaman damgaları içeren bir Cloud Storage meta veri yapısı olan nesne bağlamlarında saklanıyor. Ayrıntılı sonuçlar için isteğe bağlı olarak en fazla 128 KiB boyutunda bir JSON yükü de eklenebiliyor. Uygulamalar nesne listelerini bağlam anahtarlarına ve değerlerine göre filtreleyebilir; kimlerin bağlam ekleyebileceğini, değiştirebileceğini veya kaldırabileceğini ise Identity and Access Management izinleri belirler. Bağlamlar kopyalama, yeniden yazma, birleştirme, taşıma ve geri yükleme işlemleri sırasında otomatik olarak aktarılır.

Storage Insights veri kümeleri, meta verileri milyonlarca veya milyarlarca nesne genelinde BigQuery’ye aktarabilir. Veri ekipleri daha sonra bu verileri sorgulayabilir object_contexts_catalog_view standart SQL kullanarak etiketleri veya belge sınıflandırmalarını yapılandırılmış iş tablolarıyla birleştirebilir. Böylece ayrı bir ETL işlem hattı yazmadan varlık keşfi, eğitim verisi düzenleme ve çok modlu analiz yapılabilir.

Fiyatlandırma ve İlk Müşteri Sonuçları

Google, görüntü ek açıklamalarının diğer bulut sağlayıcılarının benzer hizmetlerinden %75 daha düşük maliyetli olduğunu belirtiyor. yayımlanan Cloud Storage fiyatları daha somut bir karşılaştırma noktası sunuyor: Her görüntü modelinde aylık ilk 1 milyon nesne için 1.000 nesne başına 0,25 dolar, bu eşiğin üzerindekiler içinse 1.000 nesne başına 0,05 dolar.

Google’ın örnek hesabında 10 milyon görüntüye nesne algılama ve görüntü etiketleme uygulanıyor; bunun sonucunda tek seferlik çıkarım ücretleri 1.400 dolar, nesne bağlamları, Storage Intelligence ve veri kümesi depolaması için yinelenen aylık ücretler ise 55,20 dolar oluyor. Nesne bağlamlarının fiyatı, ayda milyon bağlam başına 3 dolar. Özellik ayrıca veri erişimi ve ağ ücretlerine de tabi; nesnelerin okunması, Autoclass kullanılan paketlerde depolama sınıfı geçişlerini tetikleyebilir.

PDF sınıflandırmasının önizleme koşulları farklı: 2026’nın ilerleyen dönemlerinde genel kullanıma sunulana kadar ücretsiz ve herkese açık önizleme süresince müşteri başına kullanım 100 milyon nesneyle sınırlı. Aynı paketin ve modelin birden fazla işleme konumunda yapılandırılması hem işlemin hem de ücretin tekrarlanmasına yol açıyor; bu nedenle konum kapsamı maliyet hesabının bir parçası.

Duyuruyla birlikte yayımlanan müşteri anlatımları, operasyonel etkilerin daha büyük olduğunu bildirdi. L’Oreal’ın baş veri ve yapay zekâ mimarı Antoine Castex, hizmetin yaratıcı varlık deposunu mevcut işlem hatlarının maliyetinin çok küçük bir bölümü karşılığında 100 kat daha hızlı etiketlediğini söyledi. Hyperscience iş ortaklıkları başkan yardımcısı Mayur Pillay, belge sınıflandırma doğruluğunda %50’yi aşan bir artış ve iki ila üç kat daha düşük çıkarım maliyetleri bildirdi. Vivint’in ürün ve yapay zekâ başkan yardımcısı Brandon Bunker ise nesne zenginleştirmeleri ve BigQuery sayesinde yapay zekâ geliştirme süresinin altı aydan bir aya indiğini belirtti.

Önizlemenin Sınırları ve Gemini Yol Haritası

Önizleme, boyutu 20 MiB’ı aşmayan görüntü ve PDF nesnelerini kabul ediyor; ayrıca her nesnenin desteklenen, geçerli bir Content-Type dosya türünü tanımlayan değere sahip olması gerekiyor. Desteklenen görüntü biçimleri BMP, GIF, ICO, JPEG, PNG, TIFF ve WEBP’dir. İşleme şu konumlarda kullanılabilir: us, eu ve asia konumlarında; böylece müşteriler veri egemenliği gereksinimlerine ve paketin depolama bölgesine yakınlığa göre konum seçebilir.

Nesne zenginleştirmeleri Rapid paketlerinde veya hiyerarşik ad alanı kullanan paketlerde etkinleştirilemez; müşteri tarafından sağlanan şifreleme anahtarlarını desteklemez ve joker karakterler ya da düzenli ifadeler yerine paket adlarının tam olarak belirtilmesini gerektirir. Açık bir iş yükü boyutu sınırı yoktur, ancak kapasite kısıtları işlemeyi geciktirebilir. Cloud Monitoring bekleyen nesneleri, model çalıştırma sayılarını ve işleme durumunu izler.

Google, Gemini’nin yerleşik zenginleştirme özelliğini bu önizlemeye dahil edilmiş değil, gelecekte sunulacak bir özellik olarak listeliyor. Bu özellik; metin, PDF’ler, görseller, ses ve video üzerinde çok modlu akıl yürütme için tasarlanıyor. Özetleme, varlık çıkarımı, deşifre ve çeviri, ileride sunulması planlanan kullanım alanları arasında yer alıyor. Google, ilgilenen müşterilerin erişim için ayrıca talepte bulunmasını istiyor.

Kurumsal işletmeler açısından bu önizlemede ödünleşim açıkça görülüyor: Google, çıkarım orkestrasyonunu yönetiyor ve meta verileri nesneye bağlı tutuyor; buna karşılık fatura, her model çalıştırmasını, depolanan bağlamı ve okunan verileri yansıtıyor. Özelliğin ajan altyapısı açısından önemi, ajanların bağımlı olacağı yeni bir depo ve işleme yığını eklemek yerine bu işlevleri Cloud Storage içinde bir araya getirmesinde yatıyor.

Theo Nash, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; yapay zekâ altyapısını, hesaplama kaynaklarını ve modern yapay zekâya güç veren donanım sistemlerini inceler. Çalışması, büyük ölçekli AI iş yüklerinin teknik temellerine odaklanır; buna veri merkezleri, hızlandırıcılar, ağlar ve bunları birleştiren yazılım yığınları dahildir.

Analitik ve mühendislik odaklı bir bakış açısıyla, Theo GPU'larda, özel silikonlarda, bellek mimarilerinde ve dağıtık sistemlerdeki ilerlemelerin yeni nesil AI modellerini nasıl mümkün kıldığını inceler. Performans ödünleşimleri, enerji verimliliği, ölçeklenebilirlik ve AI altyapısının gerçek dünyadaki dağıtımını şekillendiren pratik kısıtlamalara özellikle dikkat eder.

Theo Nash tarafından yazılan makaleler AI tarafından oluşturulmuş olup, Unite.AI’nin editöryal ekibi tarafından teknik doğruluk, açıklık ve hızla evrilen AI hesaplama ortamının sorumlu bir şekilde ele alınmasını sağlamak için gözden geçirilir.