Unternehmen standardisieren zunehmend die Google Kubernetes Engine (GKE), um ihre kritischsten und KI-gesteuerten Arbeitslasten auszuführen. Von Cloud Storage FUSE für Datenzugriff mit hohem Durchsatz bis hin zu benutzerdefinierten Rechenklassen (CCC) und erweitertem GPU-Slicing bietet GKE die Skalierbarkeit und Effizienz, die für moderne Unternehmen erforderlich sind

Google Cloud ist zur Plattform der Wahl für Startups geworden, die KI entwickeln. Unser einzigartig umfassender Stack – einschließlich einer Auswahl an Rechenleistungen und Modellen von Erst- und Drittanbietern; unsere Plattform zum Aufbau und zur Verwaltung von Agenten; und unsere Produkte zur Sicherung von KI-Workloads – haben sich als die wichtigsten herausgestellt

Die kleinen und mittleren Unternehmen Lateinamerikas sind das Herzstück der Wirtschaft der Region – sie stellen nach Schätzungen der Vereinten Nationen mehr als 60 % der Gesamtbeschäftigung in der Region. Und genau wie ihre Unternehmenskollegen sind ehrgeizige Teams überall dabei, A zu übernehmen

Nachdem wir letzte Woche Gemini 3.8 Live und Gemini 3.8 Live Extended Thinking angekündigt haben, freuen wir uns, Ihnen mitteilen zu können, dass Gemini 3.8 Live mit Live Avatar jetzt allgemein in Gemini Enterprise verfügbar ist. Die Technologie wurde erstmals auf der Google Cloud Next 2026 vorgestellt und ist nun offiziell einsatzbereit

Ganze Karrieren im Datenbank-Engineering haben sich mit einer einzigen Frage beschäftigt: Wie skaliert man eine OLTP-Arbeitslast, ohne das Aufzeichnungssystem zu gefährden, das die Daten besitzt? Exadata beantwortete die Frage, indem es Abfragen in eine skalierbare Speicherebene unterhalb der Datenbank verlagerte und so das Netzwerk entfernte

Die Verfügbarkeit von Ressourcen für KI-Workloads kann branchenweit eine Herausforderung darstellen, insbesondere für Beschleuniger. Dies kann die Bereitstellung Ihrer KI-Workload verlangsamen, wenn sie auf einem bestimmten Beschleunigertyp basiert. Das Konzept des Fluid Computing ermöglicht es Ihnen, Ihre KI-Bereitstellung mit mehreren Optionen zu gestalten

How cloud infrastructure, global payment APIs, and borderless crowdfunding bridge geographic distances to support personal debt elimination and financial recovery.

Earlier this year, we announced native support for Google Kubernetes Engine (GKE) custom metrics. This milestone allowed you to scrap external adapters and instead collect autoscaling metrics directly from your pods. By routing these metrics straight to the Horizontal Pod Autoscaler (HPA), we cut me

True elasticity has long been the holy grail of cloud-native engineering. And while Kubernetes has revolutionized resource management, workloads that run sporadically (e.g., batch processors, event-driven workers, and development environments) still consume compute resources while they wait for work

Amazon CloudWatch Omni is the next evolution of CloudWatch — unified observability that brings your applications and AI agents into one reimagined experience, with auto-discovered topology, natural language queries, and AI-guided investigation powered by AWS DevOps Agent.

🚀 GSP070 – App Engine: Qwik Start - Go Learn how to build and deploy a Go web application with Google App Engine Standard Environment. ☁️ App Engine 💻 Go / Golang 🚀 Serverless Deployment 🛠️ Google Cloud CLI ⚡ App Engine Standard 🌐 Horizon: Orbit of Ops:

🚀 GSP069 – App Engine: Qwik Start - PHP Learn how to deploy a PHP web application using Google App Engine Standard Environment. 🐘 PHP ☁️ App Engine 🚀 Serverless Deployment 🛠️ Google Cloud CLI ⚡ App Engine Standard 🌐 Horizon: Orbit of Ops:

🚀 GSP067 – App Engine: Qwik Start - Python Learn how to test, modify, and deploy a Python web application using Google App Engine Standard Environment. ☁️ Python Web App ⚡ App Engine 🚀 Serverless Deployment 🛠️ Google Cloud CLI 🌐 Horizon: Orbit of Ops: orbitofops.com

When running modern AI workloads, there’s often a conflict between performance and cost. Workloads like large language models (LLMs) load massive files, and may serve thousands of AI agents that need to execute code instantly. If each component is starting “cold” with a full data-load process, all t

The surge in AI development has created unprecedented demand for compute capacity around the globe. This can have negative implications for data processing and pipelines with Apache Spark. Whether you are managing your own Spark infrastructure or using a managed service, you can face availability co

Demand for AI infrastructure is at an all-time high. Global accelerator shortages mean engineering teams can rarely get all the compute they need from just one data center — capacity comes a cluster here, a cluster there, often an ocean apart. At the same time, workloads are getting hungrier: Today’

Living in the Netherlands, I spend a fair amount of time on trains, and that is usually where I catch up on what the builder community is writing. Until now, that meant opening a laptop or squinting at a browser tab on my phone. This week I found myself scrolling through trending articles and checki

🚀 Explore GSP761 and learn how to build and deploy a REST API with Go and Cloud Run. 🐹 Go / Golang 🌐 REST API ☁️ Cloud Run 🔥 Firestore 🚀 Serverless Deployment 🌐 Horizon: 🌐 Orbit of Ops:

🚀 Explore GSP650 and learn how Cloud Run and Pub/Sub can be combined to build resilient, asynchronous serverless applications. ☁️ Cloud Run 📨 Pub/Sub 🔄 Async Messaging 📈 Scalability 🛡️ Resilient Architecture 🌐 Horizon: 🌐 Orbit of Ops:

AI is accelerating software development at an unprecedented pace. But as code generation scales, so do the challenges of securing the code, especially emerging AI-based vulnerability exploitations. To meet these challenges, the Google AI and Infrastructure team is transforming how we approach securi

Today, we are excited to announce enhancements to the borderless Lakehouse, our answer to how data engineers, data scientists, and increasingly, AI agents, can query governed data directly where it lives. To reason accurately and automate complex enterprise workflows, agents and data consumers of al

Vector search is a critical component of generative AI, retrieval-augmented generation (RAG), and data agent architectures, but sometimes vector search alone isn't enough. While vector embeddings are incredible at understanding conceptual meaning, they stumble on specific alphanumeric IDs and exact

As enterprises invest in generative AI, tech leaders keep seeing the same pattern: Developers test AI tools for a week, hit setup problems, and then drift back to the backlog. Nothing ships. The real gap is enablement. In this landmark Harvard Business Review article, Josh Bersin and Marc Zao-Sander