BigQuery ML permite que los analistas y científicos de datos diseñen y pongan en funcionamiento modelos de AA a partir de datos estructurados o semiestructurados a escala mundial y directamente desde BigQuery, mediante SQL sencillo y en mucho menos tiempo que antes. Exporta modelos de BigQuery ML para la predicción en línea hacia Vertex AI o hacia tu propia capa de servicio. Obtén más información sobre los modelos que admitimos en la actualidad.

BigQuery Omni es una solución de analítica de múltiples nubes flexible y completamente administrada que te permite analizar datos de forma segura y rentable en nubes como AWS y Azure. Usa la interfaz popular de BigQuery y de SQL estándar para responder preguntas y compartir resultados con rapidez desde un único panel en todos tus conjuntos de datos. Obtén más información sobre el lanzamiento en fase de DG aquí.

BigQuery BI Engine es un servicio de análisis en memoria integrado en BigQuery que les permite a los usuarios analizar conjuntos de datos grandes y complejos de manera interactiva con un tiempo de respuesta de menos de un segundo para sus consultas y una alta simultaneidad. BI Engine se integra de forma nativa en Data Studio de Google mediante el uso de un nodo único de BI Engine, y acelera de forma nativa las demás herramientas de inteligencia empresarial gracias a la interfaz de SQL de BI Engine.

En BigQuery GIS, se combinan de forma única la arquitectura sin servidores de BigQuery y la compatibilidad nativa con el análisis geoespacial para que puedas aumentar tus flujos de trabajo de analítica con inteligencia de ubicación. Simplifica tus análisis, consulta los datos espaciales de formas novedosas y descubre líneas de negocios completamente nuevas gracias a la compatibilidad con puntos, líneas, polígonos y multipolígonos arbitrarios en formatos de datos geoespaciales comunes.

Azure Synapse Analytics es un servicio de análisis ilimitado que reúne el almacenamiento de datos empresariales y el análisis de macrodatos. 

La mayoría de las características que son compatibles con un clúster aprovisionado de Amazon Redshift también lo son con un punto de conexión sin servidor. A continuación, se enumeran algunas de las principales capacidades de Amazon Redshift que puede utilizar con un punto de conexión sin servidor.

The first step to create a data warehouse is to launch a set of nodes, called an Amazon Redshift cluster. After you provision your cluster, you can upload your data set and then perform data analysis queries. Regardless of the size of the data set, Amazon Redshift offers fast query performance using the same SQL-based tools and business intelligence applications that you use today.

BigQuery:
BigQuery combines a cloud-based data warehouse and powerful analytic tools. BigQuery stores data using a columnar storage format that is optimized for analytical queries. BigQuery presents data in tables, rows, and columns and provides full support for database transaction semantics ( ACID ).

Azure Synapse Analytics:
Azure Synapse is an enterprise analytics service that accelerates time to insight across data warehouses and big data systems. Azure Synapse brings together the best of SQL technologies used in enterprise data warehousing, Spark technologies used for big data, Data Explorer for log and time series analytics, Pipelines for data integration and ETL/ELT, and deep integration with other Azure services such as Power BI, CosmosDB, and AzureML.

Ecosistema de Integraciones

En la superficie, Snowflake y Google BigQuery parecen bastante similares:

Además, comparten algunas similitudes de diseño de alto nivel, como la escalabilidad masiva sobre hardware básico, cómputo y almacenamiento desacoplados, y diseño de almacenamiento en columnas para una recuperación rápida de datos.

Las empresas que buscan migrar plataformas de almacenamiento de datos heredadas a la nube naturalmente intentan hacerlo de la manera más fácil posible. Tres consideraciones, entre muchas, incluyen la facilidad de mover (cargar) datos, la administración del almacén y la seguridad de los datos. Una vez más, vemos buenos resultados para Snowflake en términos de los datos de su cuadro de mando de Forrester para estos criterios.

Como era de esperar, encontramos a Google con una base más sólida en ciertas áreas, donde la oferta actual de Snowflake no es tan sólida. Una de esas áreas es el aprendizaje automático; y BigQuery, nuevamente, según el análisis de Forrester, parece tener una buena ventaja sobre Snowflake.

La tecnología subyacente de BigQuery se creó "desde cero" para realizar análisis ad hoc. Si bien los almacenes de datos tradicionales están destinados a servir como caballos de batalla de análisis, no son necesariamente "... adecuados para consultas ad hoc o análisis de datos de prueba y error, ya que [uno necesita] definir todas las consultas posibles en el diseño o la importación tiempo."

BigQuery, por diseño, aprovecha la potencia informática pura de la infraestructura de Google para, como dice directamente la primera cita, ejecutar una consulta sobre la marcha sobre un conjunto masivo de registros de datos en segundos. En efecto, un usuario de BigQuery puede explotar la infraestructura interna increíblemente poderosa de Google a través de la nube para analizar (posiblemente) hasta un billón de registros a velocidad interactiva sin tener que "hacer" nada. La respuesta de Snowflake al problema de la consulta ad-hoc es un poco diferente. Como Snowflake permite a los usuarios aprovisionar sus almacenes de datos virtuales a través de diferentes proveedores de nube (es decir, AWS, Azure, Google Cloud), cada almacén opera con una cantidad particular de poder de cómputo proporcionado por el servicio de nube de infraestructura subyacente. Este poder de cómputo puede aumentar o disminuir a medida que fluctúan las demandas en un almacén determinado. En el caso de una consulta ad-hoc, Snowflake, como se expresa en su cita, señala que se puede agregar capacidad informática para manejar consultas sobre la marcha para no interrumpir otras operaciones de almacenamiento de datos. Pero tenga en cuenta que esto no es lo mismo que tener la gran infraestructura informática de Google "al alcance de su mano", sin necesidad de ningún tipo de consideración de planificación o diseño. De hecho, una consulta ad-hoc compleja, tal vez agregando datos sobre decenas o cientos de miles de millones de registros, en Snowflake puede requerir la adición (dinámica o no) de una cantidad significativa de recursos informáticos virtuales al almacén de datos. Es posible que ese grado de escalado no resulte práctico, en cuyo caso la consulta podría verse "forzada" a ejecutarse con muchos menos recursos informáticos, lo que lleva (quizás) a un tiempo de respuesta inaceptable.