Google llevó el 13 de octubre a disponibilidad general la función AI.AGG de BigQuery, que agrega semánticamente datos no estructurados a partir de una instrucción en lenguaje natural. Un día después, el 14 de octubre, la función añadió también en disponibilidad general el argumento output_schema, que permite declarar la estructura del resultado como una lista de campos en lugar de recibir texto libre. En el mismo lote, el modelo gemini-4-argon pasó a estar generalmente disponible para las funciones de IA generativa del almacén.
La diferencia con las funciones escalares de IA que BigQuery ya tenía es el ámbito. Aquellas evalúan fila a fila y devuelven un resultado por registro; AI.AGG es una función de agregación: sintetiza, agrupa y resume información a lo largo de miles o millones de filas para producir una única salida. En la práctica se combina con GROUP BY como cualquier otro agregado, de modo que una consulta puede devolver, por cada categoría de producto, el número de artículos y un resumen de una frase sobre lo que tienen en común, generado a partir de sus descripciones.
Los casos de uso que Google plantea son los que hasta ahora obligaban a sacar los datos del almacén: registros de sistema, descripciones de producto, documentos y colecciones de imágenes sobre los que se quieren hacer preguntas amplias —qué quejas se repiten, qué errores de sistema son comunes, qué patrón hay en los casos de soporte que acaban mal—. La aportación del argumento output_schema es precisamente la que hace operativa la función: un resultado con campos declarados se puede unir, filtrar y materializar como cualquier otra tabla, mientras que un párrafo de texto libre hay que parsearlo.
Para un arquitecto de datos en España el movimiento importa por dónde se ejecuta el cálculo. Hasta ahora, analizar texto masivo con un modelo implicaba exportar a un proceso externo, con el coste de salida, la copia intermedia y el problema de gobierno que supone tener el dato en dos sitios. Que la agregación semántica sea una función SQL dentro del almacén mantiene el dato donde ya está gobernado y donde ya se aplican los permisos. El contrapeso es el de siempre: el resultado no es determinista, la misma consulta puede devolver redacciones distintas, y eso lo descarta como insumo de un indicador que deba cuadrar entre ejecuciones. Encaja mejor en exploración, triaje y clasificación previa que en la capa de métricas.
Conviene además medir antes de generalizar: una función de agregación que invoca un modelo sobre millones de filas tiene un perfil de coste muy distinto al de un COUNT. Conviene revisar la tarificación por tokens y las cuotas de las funciones de IA generativa de BigQuery antes de dimensionar cualquier carga recurrente.
Más en Dataprix: sección de ciencia de datos de Dataprix
Fuente: Google Cloud Blog
Contenido elaborado con asistencia de inteligencia artificial — Equipo Editorial Dataprix. Verifica la información antes de tomar decisiones.