#google-bigquery

Cortex Framework v7: Power AI agents with SAP data faster

Cortex Framework v7 đã chính thức phát hành, cho phép biến đổi dữ liệu SAP thành các sản phẩm dữ liệu sẵn sàng cho AI (như trên BigQuery và Knowledge Catalog) nhằm cung cấp dữ liệu cho các tác nhân AI sử dụng Gemini.

Lập trình viên phát triển ứng dụng AI nên đọc để hiểu cách tối ưu hóa việc tích hợp dữ liệu SAP vào các mô hình AI như Gemini thông qua Cortex Framework v7, giúp tăng tốc độ và hiệu quả xây dựng các agent AI mạnh mẽ từ nguồn dữ liệu doanh nghiệp.

Supabase Pipelines is now in Public Alpha

Supabase Pipelines ra mắt phiên bản Public Alpha với hỗ trợ thay đổi schema, tốc độ sao chép ban đầu nhanh hơn và biểu mẫu yêu cầu đích mới cho ClickHouse, Snowflake và DuckLake.

Là người phát triển cần tối ưu quy trình xử lý dữ liệu và tự động hóa công việc, Supabase Pipelines sẽ giúp bạn nhanh chóng tích hợp và chuyển đổi dữ liệu với hiệu suất cao, đặc biệt khi kết hợp với các nguồn lưu trữ như ClickHouse, Snowflake, hoặc DuckDB, giúp tiết kiệm thời gian và công sức trong quản lý dữ liệu.

New BigQuery Data Transfer Service Capabilities

Dịch vụ BigQuery Data Transfer Service bổ sung khả năng mới, cho phép tự động hóa việc đưa dữ liệu từ nhiều nguồn đa dạng vào data warehouse với chi phí thấp.

Lập trình viên nên đọc bài này để khám phá cách tự động hóa và tối ưu hóa việc chuyển dữ liệu từ nhiều nguồn khác nhau vào BigQuery với chi phí thấp, giúp tiết kiệm thời gian và công sức trong việc xây dựng hệ thống xử lý dữ liệu hiệu quả.

I Built an AI Data Agent Which Can Query Data and Answer Business Questions. Here’s How.

Bài viết hướng dẫn từng bước xây dựng một AI agent phân tích dữ liệu hội thoại bằng Google Cloud BigQuery's Conversational Analytics API, cho phép người dùng đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận câu trả lời dựa trên SQL mà không cần viết code. Tác giả so sánh các lựa chọn triển khai (từ đầu vs. nền tảng quản lý như Snowflake Cortex, Databricks Genie) và chia sẻ kinh nghiệm thiết lập BigQuery, viết hướng dẫn cho agent, thêm truy vấn đã xác minh, cùng tích hợp agent vào ứng dụng Flask.

Là người phát triển muốn tự động hóa phân tích dữ liệu cho doanh nghiệp mà không cần viết SQL thủ công, bài này sẽ hướng dẫn cách xây dựng một công cụ AI thông minh, từ thiết kế cơ sở đến triển khai ứng dụng giao tiếp tự nhiên, giúp tiết kiệm thời gian và nâng cao hiệu quả làm việc.

BigQuery Performance Optimizations

Tìm hiểu những cải tiến mới nhất nhằm tối ưu hiệu suất giá thành cho BigQuery thông qua xử lý truy vấn tự động.

Lập trình viên nên đọc bài này để hiểu cách tự động hóa và tối ưu hóa các truy vấn BigQuery bằng công nghệ tự động xử lý, giúp giảm chi phí và tăng hiệu suất khi xử lý dữ liệu lớn.

Introducing the borderless Lakehouse

The borderless Lakehouse provides secure, bi-directional access via BigQuery and Managed Service for Apache Spark to any Iceberg-compatible engine.

Conversational Analytics in Google Data Cloud in Q326

Get up to speed on the latest for Conversational Analytics (CA) in Google Data Cloud, including BigQuery, Looker and Databases.

Best Buy scales secure AI access with Workforce Identity Federation

Best Buy triển khai Workforce Identity Federation để tích hợp các danh tính Entra ID hiện có, nhằm hỗ trợ hàng chục nghìn người dùng trong kiến trúc nhận dạng hiện đại.

Lập trình viên nên đọc bài này để hiểu cách triển khai federation identity—một giải pháp an toàn và hiệu quả cho quản lý quyền truy cập lớn, giúp các doanh nghiệp như Best Buy tự động hóa xác thực người dùng và giảm thiểu rủi ro bảo mật trong hệ thống cloud.

SAP and Google Cloud launch BDC Connect for BigQuery

SAP và Google Cloud ra mắt giải pháp SAP BDC Connect for BigQuery, tích hợp dữ liệu vận hành theo thời gian thực với kiến trúc zero-copy nhằm giảm chi phí IT.

Lập trình viên cần đọc bài này để khám phá cách tích hợp dữ liệu SAP với BigQuery một cách hiệu quả, giúp tối ưu hóa quy trình xử lý dữ liệu thực thời mà không cần chuyển đổi trực tiếp, giúp tiết kiệm chi phí và tăng hiệu suất trong ứng dụng cloud.

Medium

GCP đang nổi lên như tương lai của điện toán đám mây nhờ những lợi ích vượt trội, các trường hợp sử dụng đa dạng và khả năng tích hợp mạnh mẽ, thu hút ngày càng nhiều doanh nghiệp lựa chọn nền tảng này.

Nếu bạn đang tìm hiểu về cloud computing để nâng cao kiến thức về GCP, đây là cơ hội để hiểu rõ cách Google Cloud không chỉ là một nền tảng mạnh mẽ mà còn là lựa chọn hàng đầu cho các dự án tương lai, từ hiệu suất cao đến tính mở rộng tự động và tính bảo mật tiên tiến—đặc biệt khi các doanh nghiệp ngày càng chuyển sang mô hình cloud.

OKF v0.2 adds trust signals

Bản spec v0.2 của Open Knowledge Foundation (OKF) bổ sung các trường tín hiệu (trust signals) giúp đánh giá độ tin cậy của các bundle do các tác nhân (agents) ghi chép.

Lập trình viên nên đọc bài này để hiểu cách xây dựng và kiểm soát độ tin cậy của dữ liệu công khai trong ứng dụng của mình bằng cách áp dụng các tín hiệu tin cậy (trust signals) trong tiêu chuẩn OKF v0.2.

BigQuery Client — Typed Errors, Injectable Auth, and Pagination

BigQuery Client — Typed Errors, Injectable Auth, and Pagination RustCloud is a Rust library giving developers one unified interface to any cloud provider. This post covers a rewrite of the BigQuery …

AI-Native Data Warehouses (Snowflake Cortex, BigQuery AI, Databricks Mosaic AI): A 2026 Comparison

Bài viết so sánh ba nền tảng data warehouse tích hợp AI của Snowflake (Cortex), Google BigQuery (AI) và Databricks (Mosaic AI) dự kiến vào năm 2026.

Lập trình viên muốn xây dựng hệ thống AI/ML hiện đại nên đọc bài này để so sánh các giải pháp mới nhất trong năm 2026 về cơ sở dữ liệu AI-native, giúp chọn lựa công cụ phù hợp với nhu cầu tích hợp dữ liệu và mô hình AI một cách hiệu quả nhất.

State of AI infrastructure report and the Agentic Data Cloud

Hạ tầng cơ bản cần được tối ưu hóa để hỗ trợ khối lượng công việc và yêu cầu mà các agent (tác tử AI) đặt lên dữ liệu trong hệ thống Agentic Data Cloud.

Lập trình viên cần đọc bài này để hiểu cách xây dựng cơ sở hạ tầng hiệu quả cho các hệ thống AI agent, giúp tối ưu hóa khả năng xử lý dữ liệu và tăng hiệu suất cho ứng dụng tương tác tự động.

3 Python + Data Warehouse Patterns I Use in Every Production Pipeline

3 Python + Data Warehouse Patterns I Use in Every Production Pipeline After 1.5 years building enterprise data pipelines, these are the patterns I reach for every single time. Every data engineer …

Chapter 6: Cleaning Traffic Metrics and Building Flask Dashboards

Chương 6 hướng dẫn cách làm sạch dữ liệu metrics lưu lượng truy cập (traffic metrics) và xây dựng các dashboard bằng Flask. Sau khi hoàn tất phiên âm podcast của nhà phát triển bằng Whisper ở Chương 5, tác giả chuẩn bị phân tích dữ liệu từ trang web ManojGArc.

Là người phát triển web, bạn cần hiểu cách xử lý dữ liệu thô từ traffic để chuyển đổi thành dashboard Flask hiệu quả, giúp tối ưu hóa quyết định kinh doanh và cải thiện trải nghiệm người dùng.

Google Cloud Platform for Data Engineering: The Definitive Masterclass

Bài viết "Google Cloud Platform for Data Engineering: The Definitive Masterclass" do Aman Nandan biên soạn, cung cấp hướng dẫn toàn diện về sử dụng Google Cloud Platform trong kỹ thuật dữ liệu.

Là người xây dựng hệ thống xử lý dữ liệu quy mô lớn, bạn cần hiểu cách tối ưu hóa Google Cloud Platform để tự động hóa, mở rộng và bảo trì pipeline dữ liệu hiệu quả, từ đó giảm chi phí và tăng tốc độ triển khai dự án.

BigQuery Search innovations: Unify structured & unstructured data

Discover how BigQuery simplifies AI pipelines with Autonomous Embeddings, faster AI.SEARCH, and Hybrid Search

Level Up Your Column-level Security: Using IAM Data Governance Tags in BigQuery

Bài viết hướng dẫn quản lý quyền truy cập theo cột trong BigQuery bằng cách sử dụng IAM data governance tags, giúp phân loại và bảo vệ dữ liệu một cách an toàn và có khả năng mở rộng.

Những lập trình viên cần quản lý và bảo mật dữ liệu trong BigQuery sẽ tìm hiểu cách áp dụng các thẻ quản trị dữ liệu IAM để kiểm soát quyền truy cập theo cột, giúp tối ưu hóa an ninh và tuân thủ hiệu quả.

Bridge SQL and Python with BigQuery

Sử dụng BigQuery DataFrames và %%bqsql magic cell trong Jupyter notebooks để kết nối Python và SQL một cách liền mạch. Hướng dẫn từng bước chi tiết trong bài viết.

Lập trình viên cần đọc bài này để khám phá cách kết hợp hiệu quả BigQuery với Python trong Jupyter Notebook, giúp tối ưu hóa việc xử lý dữ liệu lớn và tăng tốc độ phân tích bằng cách sử dụng các công cụ SQL và Python cùng một lúc.

Analyze & Govern Gemini Enterprise at Scale with BigQuery

Tìm hiểu cách sử dụng BigQuery để phân tích nhật ký sử dụng Gemini Enterprise, kiểm toán tuân thủ và xây dựng các dashboard Looker ở quy mô lớn cho tổ chức của bạn.

Lập trình viên chuyên về cloud và phân tích dữ liệu nên đọc bài này để khám phá cách tích hợp BigQuery với Gemini Enterprise để tự động hóa phân tích quy mô lớn, từ đó tối ưu hóa quản trị hệ thống và xây dựng báo cáo minh bạch cho doanh nghiệp.

Neo4j Virtual Graph on BigQuery. Explore how to query and visualise…

Neo4j Virtual Graphs (released June 2026 as a preview) let you query BigQuery data using Cypher and visualize it as a graph without any ETL. The post walks through setting up the IMDB dataset (~100M rows) in BigQuery, creating a graph model in Neo4j Aura, and running both a native Neo4j instance and a Virtual Graph instance side by side. It demonstrates finding the Bacon number using Cypher's SHORTEST path on native Neo4j and Dijkstra's algorithm via GDS Sessions on the Virtual Graph. Performance comparisons show both approaches complete fixed-length traversal queries in seconds for this dataset. The post also covers inspecting the generated SQL via EXPLAIN, optimizing the graph model with dedicated labels and relationship types, and using BigQuery's native GQL graph support as an alternative.

Conversational Analytics in BigQuery now GA

Google has announced the general availability of Conversational Analytics in BigQuery, enabling business and technical users to query data, run multi-step analyses, and generate visual reports using natural language. Built on Gemini models, the feature includes explainability through visible reasoning steps, SQL inspection, and context citations. It supports cross-cloud data sources including Apache Iceberg, Databricks Unity, AWS Glue, SAP, and Salesforce. Enterprise governance features include CMEK, VPC Service Controls, data residency guarantees, and full audit logging. New capabilities include a deep-dive mode for autonomous multi-step investigations and scheduled agentic workflows for proactive monitoring and reporting.

Fraud Prevention with BigQuery Graph

Curve, a UK-based financial super-app, shares how they adopted BigQuery Graph to tackle organized fraud rings that traditional SQL-based detection missed. By modeling their payment ecosystem as a property graph with users as nodes and shared identifiers as edges, they replaced complex multi-hop SQL self-joins with native GQL traversals across billions of connections. The approach saved approximately $12M in transaction losses in 2025, achieved ~72% precision in identifying fraudulent users, and enabled more frequent fraud rule refreshes. The team also highlights the advantage of keeping data within BigQuery rather than migrating to a separate graph database, and outlines plans for real-time streaming graph traversals and IP-level connection analysis.

Deep dive into BigQuery AI.AGG function

BigQuery's new AI.AGG() function lets you run natural-language instructions over millions of rows of unstructured or multimodal data using a single SQL query. The post covers practical use cases including analyzing Apache Spark system logs for hidden inefficiencies, discovering and applying product categories from text and image data using AI.AGG() combined with AI.CLASSIFY(), and handling multimodal inputs from Cloud Storage. Key technical details include how AI.AGG() manages LLM context windows via automatic multi-level batching, token usage considerations, model endpoint configuration (short-form vs. fully-qualified), NULL handling in STRUCT inputs, and error reporting via job statistics. The function is currently in preview and always returns a string output.

Alert with SQL in Cloud Monitoring Observability Analytics

Google Cloud has launched SQL-based alerting in Cloud Monitoring Observability Analytics, now in preview. Instead of relying on simple threshold metrics, engineers can write analytical SQL queries over logs and traces and turn them directly into alert policies. Alerts can trigger on row count thresholds or boolean column values, enabling complex logic like error rate percentages, high-cardinality dimension analysis, and JOIN operations across logs and traces. Queries run on a user-defined schedule using BigQuery under the hood, with billing through standard BigQuery pricing. Setup requires enabling Observability Analytics, linking a BigQuery dataset, and configuring IAM permissions. Alerts can be managed via the Cloud Console, API, or Terraform.

Query logs and traces with SQL in Observability Analytics

Google Cloud has rebranded Log Analytics as Observability Analytics, adding general availability for trace data querying and a new Observability API. The platform lets developers and SREs run SQL queries that JOIN logs and distributed trace spans in a single place, powered by BigQuery under the hood. Key use cases include analyzing AI agent tool failure rates and P95 latency across millions of spans, correlating trace data with application logs to identify which customers experience the worst performance, and joining observability data with business metrics in BigQuery. The Observability API enables programmatic management of observability buckets and allows AI agents or analytical workloads to query telemetry directly via BigQuery APIs. Concrete SQL query examples are provided for both AI agent optimization and customer latency analysis scenarios.