Google Cloud für KI-Projekte: Vertex AI, BigQuery & Co.

Drei große Cloud-Anbieter bieten KI an: AWS, Azure und Google Cloud. Alle drei beherrschen KI. Google Cloud hat für uns einen entscheidenden Vorteil: Alle Dienste arbeiten zusammen.

Die Kombination:

• Vertex AI für ML-Modelle und LLMs
• BigQuery für Datenanalyse
• Cloud Functions und Cloud Run für Serverless Compute
• Firestore und Cloud SQL für Datenbanken
• Pub/Sub für Event-Driven Architecture
• IAM für feingranulare Berechtigungen

Im Mittelpunkt steht BigQuery.

Liegen Ihre Daten in BigQuery, ist der Weg zu KI kurz. Vertex AI greift direkt auf BigQuery zu. Sie brauchen keine komplexen Datenpipelines und keine ETL-Jobs zwischen Systemen.

Darum wählen wir Google Cloud für KI-Projekte:

• 80 % unserer Kunden haben ihre Daten schon in BigQuery oder planen den Umzug dorthin.
• Vertex AI ist technisch ausgereift.
• Die Dienste sind eng integriert.
• Die Preise sind transparent.
• Ihr Unternehmen hat sich auf Azure festgelegt → Azure OpenAI

Hier passen andere Clouds besser:

• Sie haben eine starke AWS-Infrastruktur → SageMaker und Bedrock

Vertex AI ist die ML-Plattform von Google. Früher waren das viele einzelne Produkte. Heute bilden sie ein zusammenhängendes System.

Das leistet Vertex AI:

1. Eigene Modelle trainieren
Sie trainieren eigene ML-Modelle für Ihre Anwendungsfälle. Vertex AI verarbeitet Tabellen, Bilder, Text und Video.

2. LLMs nutzen
Sie nutzen Gemini, Claude und weitere Foundation Models aus dem Model Garden. Der Zugriff läuft direkt über die API oder mit Fine-Tuning.

3. RAG (Retrieval Augmented Generation)
RAG verbindet Ihr Wissen mit einem LLM. Die Grounding-Funktion verknüpft das LLM mit Ihren Daten.

4. Agent Builder
Mit dem Agent Builder bauen Sie Agents mit Werkzeugzugriff per No-Code oder Low-Code. Er eignet sich für schnelle Prototypen.

5. MLOps
Pipelines, Versionierung, Monitoring und A/B-Tests: Vertex AI bringt alles für den Produktivbetrieb mit.

Ein typischer Anwendungsfall bei uns:
Ein Kunde hat Kundendaten in BigQuery. Wir bauen:

1. 1.Feature Store in Vertex AI
2. 2.Eigenes Modell für Lead-Scoring
3. 3.Deployment auf einem Endpoint
4. 4.Prognosen über Cloud Functions
5. 5.Ergebnisse zurück in BigQuery

Alles läuft in einem Ökosystem. Sie vermeiden die Komplexität mehrerer Clouds.

BigQuery ist unser zentrales Werkzeug. Dafür gibt es fünf Gründe:

1. SQL für alles
SQL beherrschen Analysten, Data Engineers und sogar manche Führungskräfte. Niemand muss eine neue Sprache lernen.

2. Serverless
Sie verwalten keine Cluster. Sie planen keine Skalierung. BigQuery läuft einfach.

3. ML direkt in SQL

CREATE MODEL my_model
OPTIONS(model_type='logistic_reg')
AS SELECT * FROM training_data;

Sie nutzen Machine Learning ohne Python. Für viele Anwendungsfälle reicht das.

4. Vector Search
Seit 2024 speichert BigQuery Vector-Embeddings direkt. Sie brauchen für Semantic Search keine separate Vektordatenbank.

5. Viele Schnittstellen

• Direkte Verbindung zu Looker Studio
• Native Integration mit Vertex AI
• Streaming Insert über Pub/Sub
• Export in viele Zielsysteme

Unser Tipp:
Bringen Sie Ihre Daten zuerst nach BigQuery. Planen Sie danach die KI-Projekte. Viele Probleme lösen sich, sobald die Daten im richtigen System liegen.

KI-Anwendungen brauchen Rechenleistung. Google Cloud bietet dafür zwei Serverless-Optionen.

Cloud Functions
Einzelne Funktionen reagieren auf Ereignisse. Sie eignen sich für:

• Webhook-Handler
• Trigger für die Datenverarbeitung
• Einfache API-Endpoints

@functions_framework.http
def process_document(request):
    doc = request.json['document']
    result = vertex_ai_model.predict(doc)
    return jsonify(result)

Cloud Run
Cloud Run betreibt skalierende Container. Es eignet sich für:

• Komplexere APIs
• Lang laufende Prozesse
• Fälle, in denen Cloud Functions nicht ausreichen
• Einzelne Aktion auf einen Trigger → Cloud Functions

Wann nutzen Sie was?

• API mit mehreren Endpoints → Cloud Run
• Eigener Container mit eigenen Abhängigkeiten → Cloud Run
• Möglichst einfacher Aufbau → Cloud Functions

Die Kosten:
Beide Dienste rechnen nach Nutzung ab. Ohne Anfragen fallen bei Cloud Run mit null Mindestinstanzen kaum Kosten an.

Unser Stack für KI-APIs:
Wir kombinieren Cloud Run, FastAPI und das Vertex AI SDK. Der Stack ist einfach, skalierbar und produktionsreif.

Eine typische KI-Lösung auf Google Cloud hat fünf Ebenen:

Ebene 1: Daten

• BigQuery als Data Warehouse
• Cloud Storage für Dokumente und Bilder
• Firestore für Anwendungsdaten
• Dataflow für Batch-Verarbeitung

Ebene 2: Verarbeitung

• Cloud Functions für Event-Trigger
• Pub/Sub für Messaging
• Vertex AI für Modelle und Prognosen

Ebene 3: ML und KI

• Document AI für OCR
• Natural Language API für Textanalyse
• Cloud Run für APIs

Ebene 4: Anwendung

• Firebase Hosting für Frontends
• Cloud CDN für Performance
• Cloud Monitoring

Ebene 5: Betrieb

• Cloud Logging
• Error Reporting

Beispielablauf für die Dokumentenverarbeitung:

1. 1.Ein Dokument landet in Cloud Storage.
2. 2.Ein Trigger startet eine Cloud Function.
3. 3.Die Cloud Function ruft Document AI auf.
4. 4.Die extrahierten Daten fließen nach BigQuery.
5. 5.Bei Bedarf klassifiziert Vertex AI das Dokument.
6. 6.Das Ergebnis landet in Firestore.
7. 7.Das Frontend zeigt es an.

Die Stärke:
Google betreibt jeden Dienst als Managed Service. Sie brauchen kein eigenes Ops-Team. Ihr Team konzentriert sich auf die Anwendung statt auf die Infrastruktur.

Cloud-Kosten können schnell steigen. So behalten Sie die Kontrolle.

Die großen Kostenposten:

1. 1.Vertex AI Predictions (GPU-Zeit)
2. 2.BigQuery-Abfragen (nach gescannten Daten)
3. 3.Cloud Run (bei dauerhaft warmen Instanzen)
4. 4.Storage (bei zu viel gespeicherten Daten)

Tipps zur Optimierung:

BigQuery:

• Partitionierte Tabellen nutzen
• Clustering für häufige Filter einsetzen
• Kosten vor der Abfrage in der Vorschau schätzen
• Materialized Views für wiederkehrende Abfragen anlegen
• Batch Predictions statt Online Predictions nutzen, wo möglich

Vertex AI:

• Kleinere Modelle wählen, wenn sie ausreichen
• Auto-Scaling mit Augenmaß konfigurieren
• Min Instances auf 0 setzen, wo möglich

Cloud Run:

• Concurrency erhöhen
• Memory und CPU passend dimensionieren
• Budgets und Alerts setzen

Allgemein:

• Cost Reports regelmäßig prüfen
• Committed Use Discounts für planbare Workloads nutzen

Die Monatskosten:
Die Kosten hängen stark vom Anwendungsfall und vom Volumen ab. Der Google-Cloud-Preisrechner schätzt sie vorab.

Sie wollen starten? So gehen Sie vor:

Schritt 1: GCP-Projekt erstellen

gcloud projects create my-ai-project
gcloud config set project my-ai-project

Schritt 2: APIs aktivieren

gcloud services enable \
  aiplatform.googleapis.com \
  bigquery.googleapis.com \
  cloudfunctions.googleapis.com \
  run.googleapis.com

Schritt 3: Vertex AI zum ersten Mal nutzen

from google import genai

client = genai.Client(vertexai=True, project="my-ai-project", location="global")
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Erklären Sie KI in einem Satz.",
)
print(response.text)

Schritt 4: BigQuery anbinden
Importieren Sie Daten. Schreiben Sie Abfragen. Machen Sie erste Analysen.

Schritt 5: Den ersten Anwendungsfall bauen

• Einfach starten
• Cloud Function und Vertex AI kombinieren
• Ergebnis in BigQuery speichern
• Google Cloud Skills Boost (kostenlose Kurse)

Ressourcen:

• Vertex AI Documentation
• Cloud Run Quickstarts

Oder Sie starten mit uns:
Wir führen einen Workshop durch und setzen mit Ihnen das erste Projekt auf. Dabei geben wir unser Wissen an Ihr Team weiter. Danach arbeiten Sie selbstständig weiter.