Dane to nowe złoto – zdają sobie z tego sprawę firmy i organizacje nastawione na rozwój. Świadome biznesy prowadzą analizę istniejących procesów, wprowadzają zmiany i ulepszenia na podstawie liczb. Niektóre idą dalej – korzystając z możliwości, jakie daje technologia, przewidują trendy, prawdopodobne zmiany na rynku, skutki jeszcze niepodjętych decyzji biznesowych.
Wraz z rozwojem biznesu rosną ilości danych – gigabajty zamieniają się w terabajty czy petabajty. By zachować odpowiedni poziom kosztów utrzymania narzędzia analitycznego oraz krótki czas generowania raportów, należy zadbać o odpowiedni dobór technologii. Z nieocenioną pomocą przychodzi BigQuery – usługa dedykowana prowadzeniu analiz Big Data, napędzająca wiele narzędzi analitycznych. Dziś BigQuery to nie tylko hurtownia danych – Google opisuje je jako platformę danych zintegrowaną z AI, co otwiera zupełnie nowe możliwości analizy, o których piszemy w dalszej części.
Co to jest BigQuery, czyli hurtownia danych (data warehouse) od Google?
BigQuery to usługa bezserwerowej, skalowalnej hurtowni danych w chmurze (cloud data warehouse). Pozwala obsłużyć miliony zapytań (query) oraz prowadzić zaawansowaną analizę ogromnych ilości danych – rzędu petabajtów – w języku SQL, bez konieczności zamartwiania się kosztownym utrzymaniem zaawansowanej infrastruktury, skalowaniem czy równoważeniem ruchu.
BigQuery jest jedną z usług dostępnych w Google Cloud Platform (GCP). Przechowywanie oraz procesowanie zestawów danych odbywa się w chmurze, na stabilnej, bezpiecznej i skalowalnej infrastrukturze Google Cloud. Z pomocą usługi można stworzyć własne narzędzie analityczne – na przykład hurtownię danych – które posłuży śledzeniu rozwoju, procesów czy zachodzących zmian wewnątrz firmy lub wokół niej. Google BigQuery posiada wbudowane mechanizmy uczenia maszynowego (ML – machine learning) oraz, jak opisujemy w kolejnej sekcji, generatywnej AI, co pozwala rozbudować system o możliwości prowadzenia predykcji czy symulację różnych scenariuszy biznesowych.
Bezserwerowa technologia
Google BigQuery jest usługą bezserwerową, co oznacza, że procesy utrzymaniowe są poddane automatyzacji. Jako użytkownik nie musisz prowadzić konserwacji fizycznych maszyn, aktualizacji oprogramowania, ustawiać reguł skalowania, równoważenia ruchu czy skomplikowanych zasad bezpieczeństwa. O te elementy dba dostawca usług – Google Cloud – a Ty możesz skupić się na prowadzeniu analityki bez dodatkowych rozpraszaczy.
Szybka analiza pokładów danych
Hurtownie danych (warehouses) w odróżnieniu od baz danych (databases) są w stanie przeanalizować ogromne składy informacji i przeprowadzić kompleksową analizę, kiedy bazy danych wydajniej działają w modelu małe zapytanie/szybka odpowiedź. Tak wysoka wydajność wynika z kolumnowego sposobu przechowywania danych (columnar storage) – BigQuery odczytuje tylko te kolumny, które są potrzebne do wykonania zapytania, zamiast skanować całe wiersze, co znacząco przyspiesza analizę. Przetworzenie terabajtów danych zajmuje BigQuery sekundy, a jednego petabajta – około 3 minut (rzeczywisty czas zależy od złożoności zapytania, przydzielonych zasobów i optymalizacji tabel). Oznacza to, że mając pokłady danych bieżących i historycznych, przeprowadzenie analizy w BigQuery może zająć do kilku minut, kiedy inne systemy hurtowni mogą potrzebować nawet kilku godzin. Skalowalność oznacza tutaj, że duże ilości danych nie wpływają znacząco na czas oczekiwania na wynik – zasoby są przydzielane automatycznie, w zależności od obciążenia.
Brak ingerencji w kod źródłowy
Żeby korzystać z BigQuery, nie ma potrzeby wprowadzania dużych zmian czy przepisywania kodu źródłowego. To dzięki temu, że BigQuery wspiera standard ANSI SQL:2011 oraz zapewnia bezpłatnie interfejsy programowania ODBC i JDBC.
Bezpieczeństwo danych w Google BigQuery
Dane są szyfrowane w spoczynku (encryption at rest) oraz w tranzycie (encryption in transit), a dostęp do nich można precyzyjnie kontrolować na poziomie projektów i zbiorów danych – na przykład za pomocą ról IAM. Dodatkowo dane są przechowywane w sposób redundantny, na zreplikowanych (zmirrorowanych) dyskach, co chroni przed ich utratą w przypadku awarii sprzętu. Taki model zapewnia wysoki poziom bezpieczeństwa danych, zgodny z wymaganiami stawianymi rozwiązaniom klasy enterprise.
Automatyczna kopia zapasowa
Narzędzie wykonuje automatyczną kopię zapasową oraz przechowuje historię zmian domyślnie przez 7 dni (funkcja time travel, okno można skonfigurować w zakresie od 2 do 7 dni). Dzięki temu można łatwo porównać wyniki z poprzednim okresem lub przywrócić dane.
Analiza danych z różnych źródeł
Za pomocą BigQuery można prowadzić analizę danych pochodzących z różnych źródeł – z Google Marketing Platform, Google Analytics, YouTube, platform reklamowych i mediowych (np. Facebook Ads) oraz setek zewnętrznych aplikacji SaaS. Dane można zaimportować manualnie lub zbudować pipeline, który automatycznie będzie pobierał, ujednolicał i przesyłał dane do usługi. Dzięki integracji ze strumieniowym przesyłaniem danych (streaming) nowe rekordy – na przykład z czujników i urządzeń IoT – mogą być dostępne do analizy w czasie rzeczywistym.
Analityka multi-cloud z BigQuery Omni
BigQuery Omni umożliwia analizowanie danych z innych chmur publicznych (AWS, Azure) bez opuszczania interfejsu usługi, w tym wykonywanie zapytań i łączeń (cross-cloud joins) między danymi przechowywanymi w różnych chmurach. Więcej o tej usłudze przeczytasz w artykule: BigQuery Omni – hurtownia danych w modelu multi-cloud.
BigQuery ML – wbudowane modele machine learning
Jedną z dostępnych funkcji jest BigQuery ML, dedykowana tworzeniu i rozwijaniu możliwości uczenia maszynowego przy użyciu standardowych zapytań SQL. BigQuery ML zwiększa szybkość rozwoju produktów uwzględniających machine learning, ograniczając przy tym wymagania dotyczące pisania kodu źródłowego i przenoszenia danych. Usługę można zintegrować również z platformą Vertex AI, modelami generatywnymi (w tym Gemini) oraz TensorFlow, by tworzyć i trenować własne modele uczenia maszynowego – więcej na ten temat piszemy w sekcji o BigQuery Studio i Gemini.
Wsparcie Business Intelligence (BI) w czasie rzeczywistym
BigQuery BI Engine to wbudowana funkcja analizy in-memory, która umożliwia prowadzenie analizy dużych zestawów lub wycinków danych niemal w czasie rzeczywistym. BI Engine jest zintegrowane z narzędziem wizualizacji danych Looker Studio (dawniej Google Data Studio), dzięki czemu BigQuery jest doskonałym narzędziem Business Intelligence, wspierającym podejmowanie decyzji biznesowych. Usługa wspiera też prowadzenie raportów ad hoc, czyli takich, które obejmują pewien wycinek danych i nie wymagają angażowania działu analitycznego czy IT do przygotowania podsumowania. Jeśli pracujesz z raportami w Looker Studio (dawniej Google Data Studio), ta hurtownia danych jest jednym z natywnych źródeł danych dla tego narzędzia. BigQuery integruje się też z innymi popularnymi narzędziami BI, takimi jak Tableau czy Power BI, dzięki dedykowanym złączom (connectors) oraz sterownikom ODBC/JDBC.
BigQuery Studio i Gemini – BigQuery jako platforma danych z AI
Google BigQuery to dziś coś więcej niż klasyczna hurtownia danych – Google opisuje je jako AI data platform, czyli platformę danych zintegrowaną z modelami AI na każdym etapie pracy: od eksploracji danych, przez pisanie zapytań, po analizę i predykcję.
BigQuery Studio – jedno miejsce pracy z danymi
BigQuery Studio to zunifikowane środowisko pracy, które łączy edytor SQL, notebooki (oparte na Colab Enterprise), asystenta Gemini oraz narzędzia do eksploracji i przygotowania danych w jednym interfejsie. Zamiast przełączać się między kilkoma usługami, analitycy mogą pisać zapytania SQL, kod Python i korzystać z asystenta AI w jednym oknie konsoli Google Cloud.
Gemini w BigQuery – SQL z języka naturalnego i automatyczne insighty
Gemini w BigQuery to wbudowany asystent AI, który wspiera użytkowników na kilku poziomach:
- generowanie zapytań SQL z opisu w języku naturalnym – wystarczy opisać, jakich danych potrzebujesz, a Gemini zaproponuje gotowe zapytanie;
- wyjaśnianie i optymalizacja zapytań – asystent rozumie kontekst otwartej zakładki z zapytaniem i może zaproponować jego uproszczenie lub optymalizację bez kopiowania kodu do czatu;
- automatyczne insighty (data insights) – Gemini analizuje metadane tabeli w czasie rzeczywistym i samodzielnie proponuje pytania oraz wzorce warte sprawdzenia, co ułatwia pierwsze kroki przy nowym zbiorze danych;
- data canvas – wizualna eksploracja danych za pomocą poleceń w języku naturalnym, bez pisania kodu;
- wyszukiwanie zasobów – asystent przeszukuje datasety, tabele, modele i zapisane zapytania w wielu projektach na raz.
Dla zespołów dopiero zaczynających pracę z BigQuery Gemini realnie skraca krzywą uczenia: nie trzeba znać składni SQL od pierwszego dnia, żeby zacząć wyciągać wnioski z danych.
Funkcje AI bezpośrednio w zapytaniach SQL
BigQuery pozwala też wywoływać modele generatywne (w tym Gemini i inne modele dostępne przez Vertex AI) bezpośrednio z zapytań SQL, bez opuszczania środowiska BigQuery. Najważniejsze funkcje:
- AI.GENERATE – generowanie tekstu na podstawie danych z tabeli (np. automatyczne podsumowania, klasyfikacja, opisy);
- AI.EMBED / AI.GENERATE_EMBEDDING – tworzenie embeddingów (reprezentacji wektorowych) z danych tekstowych, ale też obrazów, audio, wideo i plików PDF, co umożliwia wyszukiwanie semantyczne i porównywanie podobieństwa treści;
- AI.SIMILARITY – porównywanie podobieństwa danych na podstawie wygenerowanych embeddingów.
To rozszerza możliwości opisanego wcześniej BigQuery ML – oprócz klasycznych modeli (regresja, klasteryzacja, szeregi czasowe) BigQuery ML pozwala też tworzyć modele zdalne (remote models), które korzystają z modeli generatywnych dostępnych w Vertex AI.
Agenci AI: Conversational Analytics i Data Engineering Agent
BigQuery rozwija też warstwę agentową, dostępną z poziomu BigQuery Studio. Conversational Analytics pozwala prowadzić wieloetapową „rozmowę” z danymi – agent na podstawie pytań w języku naturalnym generuje, wykonuje i wizualizuje zapytania SQL w czasie rzeczywistym, w kontekście biznesowym firmy, a wyniki (tabele, wykresy, wyjaśnienia) są w pełni weryfikowalne, bo widać użyty kod SQL. Z kolei Data Engineering Agent wspiera budowę i utrzymanie pipeline’ów danych – na podstawie opisu w języku naturalnym generuje kod zgodny z najlepszymi praktykami inżynierii danych oraz pomaga modyfikować już istniejące pipeline’y. Dostępność poszczególnych funkcji bywa zróżnicowana w zależności od regionu i etapu wdrożenia – aktualny status warto sprawdzić w dokumentacji BigQuery.
Dla firm to kolejny krok w stronę samoobsługowej analityki – pytania o dane mogą zadawać osoby bez wiedzy technicznej, a zespoły danych zyskują czas na zadania wymagające większej kontroli i nadzoru.
Koszt BigQuery – ile kosztuje usługa analizy danych w chmurze?
Standardowy model płatności za usługi chmurowe to pay-as-you-use (pay-as-you-go) – płacisz tylko za rzeczywiste zużycie, bez stałych opłat z góry. Na cenę Google BigQuery składają się dwa główne elementy: koszt zapytań (compute) oraz koszt przechowywania danych.
Koszt zapytań – on-demand vs. BigQuery Editions
W przypadku kosztów zapytań masz do wyboru dwa modele rozliczeń:
- on-demand (per TB) – płacisz za ilość przetworzonych danych, czyli liczbę bajtów, według stawki rzędu 5 USD za TB przetworzonych danych (orientacyjnie – dokładną, aktualną stawkę w przeliczeniu na tebibajty znajdziesz w cenniku Google Cloud). Pierwszy TB danych w miesiącu jest bezpłatny, kolejne rozliczane są według aktualnej stawki za TB. To rozwiązanie dla firm, które prowadzą analitykę nieregularnie lub mają trudne do przewidzenia obciążenie.
- BigQuery Editions (capacity pricing) – kupujesz moc obliczeniową w slotach (wirtualnych procesorach) w jednej z trzech edycji: Standard (mniejsze, nieregularne obciążenia), Enterprise (przewidywalna wydajność i zarządzanie obciążeniem) oraz Enterprise Plus (najwyższe wymagania w zakresie bezpieczeństwa danych i zgodności). Sloty można skalować automatycznie (autoscaling) albo zarezerwować na 1 lub 3 lata w ramach zobowiązania, co zapewnia pełną skalowalność niezależnie od obciążenia i daje niższą cenę.
Przechowywanie danych
Przechowywanie danych w BigQuery rozliczane jest w dwóch trybach, a wysokość opłaty zależy od ilości przechowywanych danych oraz czasu, jaki upłynął od ich ostatniej modyfikacji:
- active storage – dla tabel i partycji modyfikowanych w ciągu ostatnich 90 dni;
- long-term storage – dla tabel i partycji niemodyfikowanych przez 90 dni; cena spada automatycznie o ok. 50%, bez wpływu na wydajność czy dostępność danych.
Dodatkowo BigQuery pozwala wybrać między rozliczeniem logicznym (na podstawie nieskompresowanego rozmiaru danych) i fizycznym (na podstawie rzeczywistego, skompresowanego miejsca na dysku) – ten drugi model bywa korzystniejszy dla dobrze skompresowanych zbiorów danych. Orientacyjnie, koszt przechowywania danych w trybie long-term storage wynosi ok. 1 centa za GB miesięcznie (stawki różnią się w zależności od regionu i wybranego modelu rozliczeń – aktualny cennik znajdziesz w dokumentacji Google Cloud). Pierwsze 10 GB miesięcznie jest bezpłatne w każdym z modeli.
Dodatkowe koszty i estymacja
Dodatkowe koszty mogą obejmować m.in. BI Engine, trenowanie modeli BigQuery ML, eksport danych poza usługę czy przesyłanie danych między lokalizacjami. Stosowanie partycjonowania i klastrowania tabel to jedna z najlepszych praktyk pozwalających ograniczyć koszty zapytań. Ponieważ stawki Google Cloud zmieniają się z czasem, najdokładniejszą i aktualną estymację uzyskasz korzystając z kalkulatora kosztów Google Cloud lub w dokumentacji cenowej BigQuery.
Przetestuj BigQuery za darmo – BigQuery sandbox
O potencjale Google BigQuery najlepiej przekonać się w praktyce. Najlepszym punktem startowym jest BigQuery sandbox – darmowy tryb, który nie wymaga podania danych karty płatniczej ani zakładania konta rozliczeniowego w Google Cloud.
Co to jest BigQuery sandbox?
BigQuery sandbox (Tryb piaskownicy) to specjalny tryb dostępu do usługi, dostępny dla każdego użytkownika z kontem Google. Działa w ramach bezpłatnego poziomu Google Cloud i pozwala eksplorować interfejs, zadawać zapytania SQL na publicznych zbiorach danych oraz wgrywać i analizować własne dane – bez żadnych kosztów i bez ryzyka niespodziewanego rachunku. Nowi użytkownicy Google Cloud mogą też skorzystać z dodatkowego kredytu promocyjnego w wysokości 300 USD w ramach ograniczonego czasowo okresu próbnego – aktualne warunki warto zweryfikować przed rejestracją.
Limity BigQuery sandbox
Sandbox działa w ramach następujących ograniczeń:
- 1 TiB zapytań miesięcznie – wystarczająco dużo do nauki i testów;
- 10 GiB przechowywania danych – dla własnych tabel i zbiorów;
- brak streamingu danych – dane można importować tylko wsadowo (batch), nie w czasie rzeczywistym;
- brak operacji DML (INSERT, UPDATE, DELETE) – tabele można tworzyć i odpytywać, ale nie modyfikować wierszami;
- wygasanie tabel – tabele nieużywane przez 60 dni są automatycznie usuwane.
Jak uruchomić BigQuery sandbox?
- Wejdź na console.cloud.google.com i zaloguj się kontem Google.
- Utwórz nowy projekt – bez podawania danych karty płatniczej i bez zakładania konta rozliczeniowego.
- Z menu po lewej stronie wybierz BigQuery – sandbox aktywuje się automatycznie.
- W BigQuery Studio możesz od razu zadawać zapytania na publicznych zbiorach danych lub wgrać własne dane i zacząć analizę.
- Jeśli nie masz jeszcze własnych danych, podepnij jeden z publicznych zbiorów danych BigQuery: w panelu po lewej kliknij + Dodaj dane → Publiczne zbiory danych i wybierz interesujący Cię dataset (np. dane demograficzne, finansowe czy transportowe). Będzie dostępny do zapytań natychmiast, bez żadnej konfiguracji.
Kiedy sandbox przestaje wystarczać?
Sandbox to świetny start, ale ma swoje granice. Gdy Twoja firma potrzebuje streamingu danych z systemów produkcyjnych, operacji DML, większych wolumenów przechowywania lub integracji z innymi usługami Google Cloud Platform – czas przejść na pełne konto i zaplanować wdrożenie. To moment, w którym wsparcie certyfikowanego partnera Google Cloud realnie przyspiesza i obniża koszty całego procesu.
Jeśli chcesz dowiedzieć się, jakie możliwości BigQuery daje Twojemu biznesowi i jak je wdrożyć bez zbędnych prób i błędów, skontaktuj się z FOTC – certyfikowanym Google Cloud Premier Partnerem.
Tutoriale BigQuery – jak zacząć w praktyce?
Pierwsze kroki w BigQuery Studio z Gemini – dla początkujących
Żeby zacząć korzystać z BigQuery, musisz posiadać konto na Google Cloud (tutaj znajduje się poradnik, jak założyć i skonfigurować konto na Google Cloud). Następnie wejdź na stronę konsoli Google Cloud Platform (BigQuery Console) i wybierz projekt, na którym będziesz pracować.
Jeśli nie czujesz się jeszcze pewnie w SQL, najlepszym punktem startowym jest BigQuery Studio z wbudowanym asystentem Gemini. Zamiast pisać kod ręcznie, możesz opisać swoje zapytanie w języku naturalnym – Gemini wygeneruje za Ciebie kod SQL, który możesz zweryfikować, edytować i uruchomić. To dobre wejście do tematu dla osób, które chcą najpierw zrozumieć, jakie pytania można zadawać danym, a składnię SQL doszlifować w praktyce.
Przykładowo, w polu czatu BigQuery Studio możesz napisać: „Pokaż mi przychód w podziale na kanały w ostatnim kwartale”. Gemini przygotuje odpowiednie zapytanie SQL na podstawie struktury Twoich tabel, zwróci wynik – np. jako tabelę lub wykres – i pokaże użyty kod SQL, który możesz sprawdzić, zapisać lub dalej modyfikować.
Publiczne zbiory danych BigQuery
Zanim zaczniesz pracować na własnych danych, warto przećwiczyć zapytania SQL na publicznych zbiorach danych BigQuery (BigQuery Public Datasets) – darmowych, gotowych do zapytań bazach danych udostępnianych przez Google i jego partnerów. Obejmują one m.in. dane demograficzne, geograficzne, finansowe czy dotyczące transportu publicznego. Wystarczy otworzyć BigQuery Studio, wyszukać interesujący zbiór i zacząć zadawać pytania – własnym kodem SQL lub za pomocą Gemini.
Dla zaawansowanych – praca z bq w Cloud Shell
Jeśli preferujesz pracę z linią poleceń lub chcesz zautomatyzować zapytania w skryptach, możesz korzystać z narzędzia bq dostępnego w Cloud Shell – terminalu wbudowanym w konsolę Google Cloud. Poniżej przykłady z użyciem publicznego zbioru danych Shakespeare.
Po wybraniu projektu włącz Cloud Shell w prawym górnym rogu konsoli. Aby sprawdzić schemat tabeli, ilość wierszy i wagę w bajtach, użyj komendy:
bq show bigquery-public-data:samples.shakespeare
Standardowy SQL (zgodny z ANSI SQL:2011) jest dziś domyślnym językiem zapytań w bq, więc w praktyce nie musisz dodawać żadnej flagi. W przykładach poniżej flaga –use_legacy_sql=false jest podana jawnie dla przejrzystości – można ją bezpiecznie pominąć.
Aby zwalidować zapytanie przed wykonaniem, dodaj flagę –dry_run:
bq query --use_legacy_sql=false --dry_run \
'SELECT
word
FROM
`bigquery-public-data`.samples.shakespeare
LIMIT 5'
Jeśli zapytanie jest prawidłowe, usuń flagę –dry_run, by zobaczyć wynik:
bq query --use_legacy_sql=false \
'SELECT
word
FROM
`bigquery-public-data`.samples.shakespeare
LIMIT 5'
Klauzula WHERE pozwala filtrować wyniki według konkretnej wartości. Poniższe zapytanie zwraca wiersze, w których kolumna word zawiera słowo raising:
bq query --use_legacy_sql=false \
'SELECT
word
FROM
`bigquery-public-data`.samples.shakespeare
WHERE
word = "raising"
LIMIT 5'
Znak % przed szukaną frazą uwzględnia prefiks (np. dispraisin), a z obu stron – prefiks i sufiks (np. dispraisingly). Gdy potrzebujesz pogrupować wyniki, użyj GROUP BY:
bq query --use_legacy_sql=false \
'SELECT
word,
COUNT(word_count) AS count
FROM
`bigquery-public-data`.samples.shakespeare
WHERE
word LIKE "%raising%"
GROUP BY
word'
Najczęściej zadawane pytania o BigQuery
Co to jest Google BigQuery?
Google BigQuery to bezserwerowa, skalowalna hurtownia danych w chmurze od Google Cloud, która umożliwia analizę dużych zbiorów danych za pomocą SQL oraz – dzięki Gemini – języka naturalnego.
Czym różni się BigQuery od tradycyjnej bazy danych?
Bazy danych są zoptymalizowane pod krótkie zapytania i szybkie odpowiedzi na pojedyncze rekordy. Google BigQuery jako hurtownia danych jest zaprojektowane do analizy bardzo dużych ilości danych – potrafi przeskanować terabajty danych w kilka sekund, a petabajt orientacyjnie w kilka minut.
Ile kosztuje Google BigQuery?
Ile więc faktycznie kosztuje Google BigQuery? To zależy od ilości przetwarzanych i przechowywanych danych oraz wybranego modelu rozliczeń. Koszt składa się z opłat za zapytania (on-demand per TiB albo BigQuery Editions ze slotami) oraz za przechowywanie danych (active i long-term storage). Pierwszy TiB zapytań i 10 GiB przechowywania w miesiącu są bezpłatne. Dokładną estymację dla Twojego przypadku najlepiej sprawdzić w kalkulatorze kosztów Google Cloud.
Czy BigQuery ma darmową wersję?
Tak – BigQuery sandbox pozwala wypróbować usługę bez podawania danych karty płatniczej, w ramach limitów darmowego poziomu Google Cloud (m.in. 1 TiB zapytań i 10 GiB przechowywania miesięcznie).
Czy do pracy z BigQuery trzeba znać SQL?
Znajomość SQL jest bardzo przydatna, ale nie jest już warunkiem wstępnym – Gemini w BigQuery Studio pozwala generować, wyjaśniać i optymalizować zapytania na podstawie opisu w języku naturalnym.
Czy BigQuery wykorzystuje AI i Gemini?
Tak. BigQuery Studio integruje asystenta Gemini (generowanie SQL, data insights, data canvas, agenci do rozmowy z danymi i budowy pipeline’ów), a w samych zapytaniach SQL można wywoływać funkcje AI, takie jak AI.GENERATE czy AI.EMBED, korzystające z modeli Gemini i innych modeli dostępnych przez Vertex AI.