En el mundo de las aplicaciones de inteligencia artificial, la complejidad de gestionar múltiples bases de datos es un desafío común. Sin embargo, con la llegada de Spanner Multi-model, podemos consolidar todas nuestras capacidades de búsqueda en una sola plataforma unificada. En este post, vamos a explorar cómo Spanner simplifica el desarrollo de aplicaciones de inteligencia artificial y cómo podemos aprovechar sus capacidades para crear experiencias de usuario más personalizadas.
Lo que resulta interesante es que, en la mayoría de los casos, una aplicación de inteligencia artificial requiere manejar múltiples bases de datos. Podemos tener una base de datos relacional para nuestros datos de negocio principales, una base de datos gráfica para la información que necesita ser accesible y relevante, y una base de datos vectorial para el uso de búsqueda semántica. Esto crea una compleja red de silos de datos construidos en tuberías de ETL, lo que resulta en desafíos de consistencia para los desarrolladores.
Pero ¿qué pasa si podemos hacer todo esto en una sola plataforma unificada? Eso es exactamente lo que ofrece Spanner Multi-model. Esta herramienta se construyó sobre la base de la confiabilidad y garantiza una consistencia transaccional fuerte a escala global. Disponibilidad fina y escalado horizontal sin esfuerzo hacen que Spanner sea una aplicación crítica que no puede ofrecer ninguna interrupción.
En el vídeo que hemos visto, Rakkesh y Nha nos muestran cómo construir un agente de viajes AI en Spanner. El agente necesita ayudar a un viajero a planificar un viaje familiar a San Francisco. Para hacer esto, han construido un agente equipado para ejecutar búsquedas y proporcionar resultados relevantes. Vamos a sumergirnos en cómo construimos el agente de viajes AI en Spanner.
Lo que llama la atención es cómo Spanner simplifica el desarrollo al consolidar las capacidades de búsqueda relacional, gráfica y vectorial en una sola base de datos de alta rendimiento. La consola de Spanner muestra cómo hemos definido un esquema de base de datos completo en un lugar. Tenemos nuestras tablas de datos relacional estándar para atracciones y restaurantes que contienen tus datos estructurados. También hemos definido un grafo de conocimiento que es nuestro grafo de propiedades. Finalmente, tenemos una tabla que contiene embeddings vectoriales de búsqueda semántica que alimenta la búsqueda semántica.
Llama la atención cómo podemos utilizar nuestra interfaz de usuario del agente de viajes AI para ayudar al viajero a planificar su viaje. Tenemos un poco más de 10 consultas de búsqueda aquí en esta interfaz que podrían ser de interés para un planificador de viajes visitando San Francisco. Todo esto se hace con un modelo de datos consolidado único construido en Spanner.
En el vídeo, Rakkesh y Nha nos muestran cómo ejecutar diferentes tipos de consultas en Spanner. Podemos empezar con una consulta simple para encontrar las atracciones más populares. Luego, podemos hacer clic en «ejecutar en Spanner» y devuelve un máximo de 10 resultados. En el lado derecho, tenemos la inteligencia de la consulta impulsada por Gemini 3 Flash que nos guiará a través de la sintaxis de la consulta.
Lo que resulta interesante es cómo podemos mejorar la experiencia utilizando la búsqueda semántica en Spanner. Vamos a hacer la misma pregunta pero con una consulta de búsqueda semántica. Esta consulta recupera muchos más registros que la OLTP, ya que es capaz de entender que «joya costera» en la columna de descripción está conceptualmente relacionada con «playa», incluso si no utilizamos explícitamente la palabra clave «playa».
Finalmente, vamos a revisar la consulta multimodelo que combina diferentes modelos de datos. La pregunta que Rakkesh está haciendo es «muestra atracciones que sean entretenimiento familiar o conceptualmente cerca de la playa y cuenta los restaurantes cerca de ellos». Comenzamos con una búsqueda de recorrido gráfico para encontrar los restaurantes que están cerca de las atracciones de playa. Luego hacemos una búsqueda de texto completo que encuentra coincidencias literales para entretenimiento familiar en las descripciones. Tenemos las uniones que definen nuestra consulta OLTP. Y vamos a movernos a la búsqueda semántica que utiliza embeddings vectoriales para encontrar atracciones que sean semánticamente similares a la frase «playas». Y finalmente, utilizamos una consulta OLAP para encontrar el recuento de restaurantes cerca de estas atracciones.
En conclusión, Spanner Multi-model es una herramienta ideal para construir aplicaciones de inteligencia artificial modernas de alta rendimiento multimodelo. Al consolidar todas nuestras capacidades de búsqueda en una sola plataforma unificada, podemos eliminar la complejidad de gestionar sistemas de datos fragmentados. Por favor, prueba Spanner hoy y descubre cómo puedes aprovechar sus capacidades para crear experiencias de usuario más personalizadas.
Fuente: YouTube
