Einführung in KI in BigQuery

BigQuery bietet KI-, Machine Learning- (ML) und agentische Funktionen für verschiedene Workflows:

  • Unterstützung und Analyse in der Console: Sie können Code schreiben und erklären, Daten vorbereiten, Fragen zu Ihren Tabellen in natürlicher Sprache stellen, Pipelines erstellen und BigQuery-Ressourcen in der Google Cloud Console verwalten.
  • KI, Suche und ML in SQL-Abfragen: Rufen Sie Large Language Models (LLMs) wie Gemini auf, führen Sie Text- und Vektorsuchen durch und trainieren oder führen Sie ML-Modelle für Vorhersagen direkt in GoogleSQL aus.
  • Tools zum Erstellen von Agenten: Verbinden Sie benutzerdefinierte Agenten über MCP-Server (Model Context Protocol), Agenten-Frameworks und Skills mit BigQuery und streamen Sie Agenten-Interaktionslogs zur Analyse in BigQuery.
  • KI-Agenten in Ihrer IDE oder Ihrem Terminal: Daten abfragen, Pipelines verwalten und Workflows in Entwicklungsumgebungen wie Antigravity, VS Code und Befehlszeilen ausführen.

KI-Tool auswählen

In der folgenden Tabelle werden gängige Aufgaben den entsprechenden BigQuery-Funktionen und deren Verwendung zugeordnet.

Anwendungsfall Funktion Einsatzbereiche
SQL-Abfragen generieren, vervollständigen oder erklären lassen SQL Code Assist Google Cloud Console-Abfrageeditor
Fragen zu Ihren Daten in natürlicher Sprache stellen und Antworten und Diagramme erhalten Konversationsanalyse Google Cloud -Konsole (Seite Agents) oder Conversational Analytics API
Tabellen finden, Daten zusammenführen, SQL-Abfragen oder Abfragen in natürlicher Sprache ausführen und Ergebnisse in einem grafischen Workflow visualisieren BigQuery Data Canvas Google Cloud Console
Automatische Fragen und SQL-Abfragen aus Tabellenmetadaten generieren Dateneinblicke Google Cloud Console
KI-generierte Empfehlungen zum Bereinigen, Transformieren und Anreichern von Daten erhalten Datenvorbereitung Google Cloud Console
Benutzerdefinierte Regeln erstellen, um andere SQL-Dialekte in GoogleSQL zu übersetzen Interaktiver SQL-Übersetzer Google Cloud Console
Jobs analysieren und Fehler beheben, Reservierungen verwalten, Herkunft verfolgen, Ressourcen erkennen oder Abfragen optimieren Gemini Cloud Assist ( Vorabversion) Google Cloud Chatbereich in der Symbolleiste der Console
Python-Code generieren, vervollständigen oder erklären lassen Python Unterstützung beim Programmieren Colab Enterprise-Notebooks in BigQuery
Explorative Datenanalyse, ML-Workflows und Visualisierungen in einem Notebook automatisieren Data Science Agent Colab Enterprise-Notebooks in BigQuery
Datenpipelines mithilfe von Prompts in natürlicher Sprache erstellen, ändern und verwalten Data Engineering Agent Google Cloud -Konsole und Dataform-Arbeitsbereiche
Text generieren, strukturierte Daten extrahieren, klassifizieren, bewerten, filtern oder Tabellendaten mit LLMs aggregieren Generative KI-Funktionen GoogleSQL-Abfragen
Übersetzung, Dokumentverarbeitung, Audiotranskription oder Computer Vision für Tabellendaten ausführen Aufgabenspezifische KI-Funktionen GoogleSQL-Abfragen
Einbettungen generieren und semantische oder Stichwortsuchen in strukturierten, unstrukturierten oder multimodalen Daten ausführen Einbettungen und Vektorsuche und Textsuche GoogleSQL-Abfragen
Vorhersagemodelle für maschinelles Lernen trainieren, bewerten und ausführen (Prognose, Anomalieerkennung, Klassifizierung, Regression, Clustering) BigQuery ML GoogleSQL-Abfragen, Google Cloud Console, bq-Befehlszeilentool, REST API oder Notebooks
Benutzerdefinierte KI-Anwendungen oder -Agents mit BigQuery verbinden, um Metadaten zu prüfen, Abfragen auszuführen, SQL zu übersetzen oder Übertragungen zu verwalten BigQuery MCP-Server, BigQuery Migration Service MCP-Server, BigQuery Data Transfer Service MCP-Server, MCP Toolbox for Databases oder Agent Development Kit (ADK) MCP-Clients und KI-Agentenframeworks
Agenten wiederverwendbare Anweisungen und Referenzdateien für BigQuery-Aufgaben geben BigQuery-Agenten-Skills Agentische Clients und Terminals
Agenteninteraktionen, Tokennutzung und Latenz protokollieren, überwachen und bewerten BigQuery Agent Analytics ADK, LangGraph oder BigQuery Storage Write API (gRPC)
BigQuery-Ressourcen erkunden, Abfragen ausführen und Pipelines über eine IDE oder Befehlszeile erstellen Google Cloud Data Agent Kit, MCP-IDE-Integrationen oder Antigravity CLI Antigravity, VS Code, Cursor oder Befehlszeilentools

Unterstützung und KI-Agenten in der Console

Wenn Sie in der Google Cloud Console oder in Colab Enterprise-Notebooks arbeiten, können Sie unterstützende Funktionen und integrierte Agents verwenden, um Code zu schreiben, Daten zu untersuchen, Pipelines zu erstellen und BigQuery-Ressourcen zu verwalten.

Unterstützende Funktionen

Gemini in BigQuery bietet Unterstützung in der Konsole beim Erstellen von Abfragen, Vorbereiten von Daten und Erkunden von Tabellen:

  • SQL-Code-Unterstützung: SQL-Abfragen im Abfrageeditor generieren, vervollständigen und erklären lassen.
  • Unterstützung beim Programmieren mit Python: Python-Code, einschließlich PySpark und BigQuery DataFrames, in Notebooks generieren, vervollständigen und erklären lassen.
  • Data Canvas: Tabellen finden, Daten mit natürlicher Sprache zusammenführen und abfragen und Ergebnisse in einem Arbeitsbereich mit gerichteten azyklischen Graphen (DAG) visualisieren.
  • Dateneinblicke: Generieren Sie Fragen in natürlicher Sprache zu einer Tabelle und die SQL-Abfragen, um sie anhand von Tabellenmetadaten zu beantworten.
  • Datenvorbereitung: Generieren Sie kontextbezogene Empfehlungen zum Bereinigen, Transformieren und Anreichern Ihrer Daten.
  • Interaktiver SQL-Übersetzer: Erstellen Sie Übersetzungsregeln, um anzupassen, wie Abfragen aus anderen SQL-Dialekten in GoogleSQL übersetzt werden.

Chatfunktionen

BigQuery bietet in derGoogle Cloud -Konsole zwei verschiedene Chatfunktionen, je nachdem, ob Sie Daten in Ihren Tabellen analysieren oder Ihre BigQuery-Umgebung verwalten möchten:

  • Konversationelle Analyse: Beantwortet Fragen zu den in Ihren Tabellen gespeicherten Daten. Sie können direkt mit Datenquellen chatten oder konfigurierte Daten-Agents mit benutzerdefinierten Metadaten, Glossarbegriffen, Anweisungen und verifizierten Abfragen erstellen. Der KI-Agent schreibt und führt SQL-Abfragen in Ihrem Namen aus und gibt Antworten und Visualisierungen zurück.
  • Gemini Cloud Assist (Vorabversion): Unterstützt Sie bei der Bedienung und Verwaltung von BigQuery. Über den Chatbereich in der Symbolleiste derGoogle Cloud -Konsole können Sie Ressourcen finden, die Datenherkunft nachverfolgen, fehlgeschlagene oder langsame Jobs debuggen, Slot-Kapazität und Reservierungen analysieren sowie Abfragen optimieren oder planen.

Notebook- und Pipeline-Agenten

Sie können die folgenden integrierten Agenten für Data-Science- und Data-Engineering-Workflows verwenden:

  • Data Science Agent: Automatisiert explorative Datenanalysen, Datenbereinigung, ML-Aufgaben und Visualisierungen für BigQuery-Tabellen und CSV-Dateien in einem Colab Enterprise-Notebook.
  • Data Engineering Agent: Erstellt, ändert und behebt Fehler in Dataform-Datenpipelines, um Daten in BigQuery mithilfe von Prompts in natürlicher Sprache zu laden und zu verarbeiten.

KI, Suche und ML in SQL-Abfragen

Sie können generative KI-Modelle ausführen, unstrukturierte und strukturierte Daten durchsuchen und prädiktive ML-Modelle direkt in GoogleSQL trainieren.

KI-Funktionen

BigQuery bietet SQL-Funktionen, die Gemini-, Partner- und offene Modelle auf der Gemini Enterprise Agent Platform, Cloud AI APIs oder integrierte Modelle aufrufen:

  • KI-Funktionen für allgemeine Zwecke: Verwenden Sie diese Funktionen, wenn Sie die volle Kontrolle über das Modell, den Prompt, das Ausgabeschema und die Parameter haben möchten.
  • Verwaltete KI-Funktionen: Verwenden Sie diese Funktionen für routinemäßige Filter-, Bewertungs-, Klassifizierungs- und Aggregationsaufgaben mit einer vereinfachten Syntax. BigQuery kann ein Modell für Sie auswählen, um Kosten und Qualität zu optimieren.
  • Aufgabenspezifische Funktionen: Rufen Sie Cloud AI APIs über SQL auf, um Natural Language Processing, maschinelle Übersetzung, Dokumentverarbeitung, Audiotranskription und Computer Vision zu nutzen.

BigQuery unterstützt die Keyword- und semantische Suche in strukturierten, semistrukturierten und multimodalen Daten:

  • Text Search: Verwenden Sie die Funktion SEARCH, um eine tokenisierte Suche in unstrukturiertem Text oder halbstrukturierten JSON-Daten durchzuführen. Sie können die Suchleistung verbessern, indem Sie einen Suchindex erstellen. Dadurch kann BigQuery Abfragen optimieren, die die Funktion SEARCH sowie andere Funktionen und Operatoren verwenden.
  • Einbettungsgenerierung: Generieren Sie Einbettungen, also hochdimensionale numerische Vektoren, die Entitäten wie Text oder Bilder darstellen. Verwenden Sie dazu Modelle, die von der Agent Platform bereitgestellt oder dort gehostet werden, oder Modelle, die in BigQuery importiert und ausgeführt werden. Sie können BigQuery auch so konfigurieren, dass eine Spalte mit Einbettungen automatisch verwaltet wird, indem Sie die autonome Einbettungsgenerierung aktivieren.
  • Vektorsuche: Finden Sie semantisch ähnliche Elemente für Retrieval-Augmented Generation (RAG) oder Empfehlungen mit VECTOR_SEARCH, AI.SEARCH und Vektorindexen.

Maschinelles Lernen

Mit BigQuery ML können Sie Modelle für Aufgaben wie Zeitreihenprognosen, Anomalieerkennung, Klassifizierung, Regression, Clustering, Dimensionsreduzierung und Empfehlungen trainieren, bewerten und Inferenzen ausführen.

Sie können über dieGoogle Cloud Console, das bq-Befehlszeilentool, die REST API oder in Colab Enterprise-Notebooks mit den BigQuery ML-Funktionen arbeiten. Mit BigQuery ML können SQL-Anwender vorhandene SQL-Tools und -Fertigkeiten nutzen, um Modelle zu erstellen und zu bewerten. Dadurch wird ML demokratisiert und die Modellentwicklung beschleunigt, da ML auf die Daten angewendet wird, anstatt Daten verschieben zu müssen. BigQuery ML kann Sie bei den folgenden Arten von ML-Aufgaben unterstützen:

Weitere Informationen finden Sie unter Einführung in ML in BigQuery.

Tools zum Erstellen und Überwachen von Agenten

Wenn Sie benutzerdefinierte KI-Anwendungen oder KI-Agenten entwickeln, die mit BigQuery interagieren, können Sie die folgenden Tools verwenden:

  • Verwaltete MCP-Server: Verbinden Sie MCP-kompatible Agenten mit verwalteten HTTPS-Endpunkten:
  • MCP Toolbox for Databases: Führen Sie einen lokalen Open-Source-MCP-Server aus, um KI-Agenten mit BigQuery zu verbinden oder benutzerdefinierte Tools über parametrisierte SQL-Abfragen zu definieren.
  • ADK-Integrationen: Erstellen Sie KI-Agenten im ADK mit vordefinierten BigQuery-Toolsets.
  • BigQuery-Agentenfähigkeiten: Installieren Sie wiederverwendbare Fähigkeitspakete (bigquery-basics und bigquery-ai-ml), die Agenten Anleitungen und Referenzen für gängige BigQuery-Aufgaben bieten.
  • BigQuery Agent Analytics: Streamen Sie Agent-Interaktionslogs, einschließlich Anfragen, Antworten, Toolaufrufen und Fehlern, aus ADK oder LangGraph in BigQuery, um die Tokennutzung, Latenz und Ausführungs-Traces zu analysieren.

Agenten in Ihrer IDE oder Ihrem Terminal

Sie können über die folgenden Tools von Ihrer lokalen Entwicklungsumgebung oder Befehlszeile aus mit BigQuery interagieren:

  • Data Agent Kit: Verwenden Sie die IDE-Erweiterung (für VS Code, Antigravity und Cursor) oder das Coding Agent-Plug-in (für Antigravity CLI, Gemini CLI, Claude Code und Codex CLI), um Datasets zu untersuchen, Abfragen auszuführen, Pipelines zu erstellen und ML-Modelle zu trainieren.
  • MCP-IDE-Integrationen: Verbinden Sie IDEs wie Antigravity, VS Code, Cursor, Windsurf und Claude Code über den Antigravity MCP Store oder die MCP Toolbox for Databases mit BigQuery.
  • Antigravity CLI: Verwenden Sie die Antigravity CLI, um Abfragen auszuführen, Pipelines zu verwalten und mit BigQuery-Ressourcen zu interagieren.

Nächste Schritte