Google更新云计算原生Apache Spark和Hadoop集群服务Dataproc，可让用户使用新的开源工具、算法和程序语言，来处理大量数据集，新功能还可让用户以个性化开发环境，构建生产系统。
这个版本Dataproc简化开发环境，提供自动扩展和笔记本的功能，让数据科学家可以在熟悉的笔记本环境工作，不需要更改底层资源或是与其他人竞争集群处理资源。Dataproc自动扩展功能，用户可以在隔离且定制化的小型集群上工作，进行构建或是开发自定义组件等工作。
当分析工作开发完成，准备应用完整数据集运算时，用户只要启动自动扩展功能，就可以在相同的集群和笔记本环境进行分析，集群会自动扩展至处理整个数据集需要的规模，并在处理完成后自动缩小，用户不用麻烦地搬迁工作到其他容量更大的服务器上。Google表示，结合自动扩展和笔记本环境功能，提供用户适当的集群规模，以及良好地协作环境，可快速地将开发的成果过渡到生产环境中。
使用Dataproc Jobs API，用户可以通过HTTP调用Jobs.submit，提交工作到现有的Dataproc集群上。现在Dataproc正式支持新的SparkR工作类型，用户可以记录和监控SparkR工作，并更容易地以R程序代码构建自动化工具。
另外，Google提到，通常Spark和Hadoop框架是预处理的工具，适合创建可用于GPU深度学习模型的数据集，因此Dataproc现在可附加GPU到集群中，让用户省去重新配置底层集群资源的时间与手续。
在单个工作流程模板中，用户可以自动化一系列混合Spark机器学习和GPU深度学习算法的工作，当需要扩展单个GPU内存上的数据集时，Dataproc上提供RAPIDS框架，用户可以使用GPU和Dataproc的功能，以API调用的方式启动和控制虚拟机集群。
Dataproc还提供了调度删除集群的功能，不少模型创建与SQL查询工作，都要花费一整天的时间，用户可能会在开始一项长期工作后，暂时离开工作岗位甚至放假回家，虽然使用更多的计算资源，可以加速取得结果的速度，但是无人看守的工作，使用更多的资源代表可能需要支付更多的费用。现在当用户利用Dataproc Jobs API提交工作时，可以同时使用集群删除指令，在空闲时间自动删除集群，让用户可以不用一直检查集群工作进度，并自动删除完成工作的集群。