Présentation de l'IA dans BigQuery

BigQuery fournit des fonctionnalités d'IA, de machine learning (ML) et d'agent dans plusieurs workflows :

  • Assistance et analyse dans la console : écrivez et expliquez du code, préparez des données, posez des questions sur vos tables en langage naturel, créez des pipelines et administrez des ressources BigQuery dans la console Google Cloud .
  • IA, recherche et ML dans les requêtes SQL : appelez des grands modèles de langage (LLM) tels que Gemini, effectuez des recherches textuelles et vectorielles, et entraînez ou exécutez des modèles de ML prédictifs directement dans GoogleSQL.
  • Outils pour créer des agents : connectez des agents personnalisés à BigQuery à l'aide de serveurs MCP (Model Context Protocol), de frameworks d'agents et de compétences, et diffusez les journaux d'interaction des agents dans BigQuery pour les analyser.
  • Agents dans votre IDE ou votre terminal : interrogez des données, gérez des pipelines et exécutez des workflows à partir d'environnements de développement tels qu'Antigravity, VS Code et les interfaces de ligne de commande.

Choisir un outil d'IA

Le tableau suivant met en correspondance les tâches courantes avec la fonctionnalité BigQuery correspondante et l'endroit où vous l'utilisez.

Cas d'utilisation Fonctionnalité Où utiliser cette fonctionnalité
Générer, compléter ou expliquer des requêtes SQL Assistance au codage SQL Éditeur de requête de la consoleGoogle Cloud
Posez des questions sur vos données en langage naturel, et obtenez des réponses et des graphiques Analyse conversationnelle Console Google Cloud (page Agents) ou API Conversational Analytics
Recherchez des tables, joignez des données, exécutez des requêtes SQL ou en langage naturel, et visualisez les résultats dans un workflow graphique Canevas de données BigQuery ConsoleGoogle Cloud
Générer des questions et des requêtes SQL automatisées à partir des métadonnées de la table Insights sur les données ConsoleGoogle Cloud
Obtenez des recommandations générées par l'IA pour nettoyer, transformer et enrichir vos données Préparation des données ConsoleGoogle Cloud
Créer des règles personnalisées pour traduire d'autres dialectes SQL en GoogleSQL Traduction SQL interactive ConsoleGoogle Cloud
Analysez et dépannez les jobs, gérez les réservations, suivez la traçabilité, découvrez des ressources ou optimisez les requêtes Gemini Cloud Assist ( preview) Google Cloud Volet de chat de la barre d'outils de la console
Générer, compléter ou expliquer du code Python Assistance au codage Python Notebooks Colab Enterprise dans BigQuery
Automatisez l'analyse exploratoire des données, les workflows de ML et les visualisations dans un notebook agent Data Science Notebooks Colab Enterprise dans BigQuery
Créez, modifiez et gérez des pipelines de données à l'aide de requêtes en langage naturel Agent d'ingénierie des données Google Cloud Espaces de travail de la console et de Dataform
Générer du texte, extraire des données structurées, classer, noter, filtrer ou agréger des données de table avec des LLM Fonctions d'IA générative Requêtes GoogleSQL
Effectuer une traduction, un traitement de documents, une transcription audio ou une vision par ordinateur sur des données de table Fonctions d'IA spécifiques à une tâche Requêtes GoogleSQL
Générez des embeddings et effectuez une recherche sémantique ou par mot clé sur des données structurées, non structurées ou multimodales. Embeddings et recherche vectorielle et recherche textuelle Requêtes GoogleSQL
Entraîner, évaluer et exécuter des modèles de ML prédictifs (prévision, détection d'anomalies, classification, régression, clustering) BigQuery ML Requêtes GoogleSQL, Google Cloud console, outil de ligne de commande bq, API REST ou notebooks
Connectez des applications ou des agents d'IA personnalisés à BigQuery pour inspecter les métadonnées, exécuter des requêtes, traduire du code SQL ou gérer les transferts Serveur MCP BigQuery, serveur MCP du service de migration BigQuery, serveur MCP du service de transfert de données BigQuery, MCP Toolbox pour les bases de données ou Agent Development Kit (ADK) Clients MCP et frameworks d'agents
Fournir aux agents des instructions et des fichiers de référence réutilisables pour les tâches BigQuery Compétences de l'agent BigQuery Clients et terminaux agentifs
Journalisez, surveillez et évaluez les interactions des agents, l'utilisation des jetons et la latence. BigQuery Agent Analytics ADK, LangGraph ou API BigQuery Storage Write (gRPC)
Explorez les ressources BigQuery, exécutez des requêtes et créez des pipelines à partir d'un IDE ou d'une CLI Google Cloud Data Agent Kit, intégrations d'IDE MCP ou CLI Antigravity Antigravity, VS Code, Cursor ou outils de ligne de commande

Assistance et agents dans la console

Lorsque vous travaillez dans la console Google Cloud ou dans des notebooks Colab Enterprise, vous pouvez utiliser des fonctionnalités d'assistance et des agents intégrés pour écrire du code, explorer des données, créer des pipelines et gérer des ressources BigQuery.

Fonctionnalités d'assistance

Gemini dans BigQuery fournit une assistance dans la console pour créer des requêtes, préparer des données et explorer des tables :

  • Assistance au codage SQL : générez, complétez et expliquez des requêtes SQL dans l'éditeur de requête.
  • Assistance au codage Python : générez, complétez et expliquez du code Python, y compris PySpark et BigQuery DataFrames, dans des notebooks.
  • Canevas de données : recherchez des tables, joignez et interrogez des données en langage naturel, et visualisez les résultats dans un espace de travail de graphe orienté acyclique (DAG).
  • Insights sur les données : générez des questions en langage naturel sur une table et les requêtes SQL pour y répondre en fonction des métadonnées de la table.
  • Préparation des données : générez des recommandations adaptées au contexte pour nettoyer, transformer et enrichir vos données.
  • Traducteur SQL interactif : créez des règles de traduction pour personnaliser la façon dont les requêtes d'autres dialectes SQL sont traduites en GoogleSQL.

Expériences de chat

BigQuery propose deux expériences de chat distinctes dans la consoleGoogle Cloud , selon que vous souhaitez analyser les données de vos tables ou gérer votre environnement BigQuery :

  • Analyse conversationnelle : répond aux questions sur les données stockées dans vos tables. Vous pouvez discuter directement avec des sources de données ou créer des agents de données configurés avec des métadonnées personnalisées, des termes de glossaire, des instructions et des requêtes validées. L'agent écrit et exécute des requêtes SQL en votre nom, puis renvoie des réponses et des visualisations.
  • Gemini Cloud Assist (preview) : vous aide à exploiter et à administrer BigQuery. Utilisez le volet de chat dans la barre d'outils de la consoleGoogle Cloud pour découvrir des ressources, tracer la traçabilité des données, déboguer les jobs lents ou ayant échoué, analyser la capacité et les réservations d'emplacements, et optimiser ou planifier des requêtes.

Agents de notebook et de pipeline

Vous pouvez utiliser les agents intégrés suivants pour les workflows de data science et d'ingénierie des données :

  • Agent Data Science : automatise l'analyse exploratoire des données, le nettoyage des données, les tâches de ML et les visualisations pour les tables BigQuery et les fichiers CSV dans un notebook Colab Enterprise.
  • Agent d'ingénierie des données : crée, modifie et dépanne les pipelines de données Dataform pour charger et traiter des données dans BigQuery à l'aide de requêtes en langage naturel.

IA, recherche et ML dans les requêtes SQL

Vous pouvez exécuter des modèles d'IA générative, rechercher des données non structurées et structurées, et entraîner des modèles de ML prédictifs directement dans GoogleSQL.

Fonctions d'IA

BigQuery fournit des fonctions SQL qui appellent des modèles Gemini, partenaires et ouverts sur Gemini Enterprise Agent Platform, des API d'IA Cloud ou des modèles intégrés :

  • Fonctions d'IA à usage général : utilisez ces fonctions lorsque vous souhaitez contrôler entièrement le modèle, la requête, le schéma de sortie et les paramètres.
  • Fonctions d'IA gérées : utilisez ces fonctions pour les tâches de filtrage, d'évaluation, de classification et d'agrégation de routine avec une syntaxe simplifiée. BigQuery peut choisir un modèle pour vous afin d'optimiser les coûts et la qualité.
  • Fonctions spécifiques à une tâche : appelez les API IA Cloud à partir de SQL pour le traitement du langage naturel, la traduction automatique, le traitement de documents, la transcription audio et la vision par ordinateur.

BigQuery accepte la recherche par mot clé et la recherche sémantique sur les données structurées, semi-structurées et multimodales :

  • Text Search : utilisez la fonction SEARCH pour effectuer une recherche tokenisée sur du texte non structuré ou des données JSON semi-structurées. Vous pouvez améliorer les performances de recherche en créant un index de recherche, qui permet à BigQuery d'optimiser les requêtes qui utilisent la fonction SEARCH, ainsi que d'autres fonctions et opérateurs.
  • Génération d'embeddings : générez des embeddings, qui sont des vecteurs numériques de grande dimension représentant des entités telles que du texte ou des images, à l'aide de modèles fournis par ou hébergés sur Agent Platform, ou à l'aide de modèles importés et exécutés dans BigQuery. Vous pouvez également demander à BigQuery de gérer automatiquement une colonne d'embeddings en activant la génération d'embeddings autonomes.
  • Vector Search : recherchez des éléments sémantiquement similaires pour la génération augmentée par récupération (RAG) ou des recommandations à l'aide de VECTOR_SEARCH, AI.SEARCH et d'index vectoriels.

Machine learning

Avec BigQuery ML, vous pouvez entraîner, évaluer et exécuter l'inférence sur des modèles pour des tâches telles que la prévision de séries temporelles, la détection d'anomalies, la classification, la régression, le clustering, la réduction de la dimensionnalité et les recommandations.

Vous pouvez utiliser les fonctionnalités de BigQuery ML via la consoleGoogle Cloud , l'outil de ligne de commande bq, l'API REST ou dans les notebooks Colab Enterprise. Étant donné que BigQuery ML permet aux utilisateurs de SQL d'utiliser les compétences et outils SQL existants pour créer et évaluer des modèles, il démocratise le ML et accélère le développement de modèles en appliquant le ML aux données au lieu de nécessiter le déplacement des données. Vous pouvez utiliser BigQuery ML pour vous aider à effectuer les types de tâches de ML suivants :

Pour en savoir plus, consultez la Présentation du ML dans BigQuery.

Outils pour créer et surveiller des agents

Si vous développez des applications ou des agents d'IA personnalisés qui interagissent avec BigQuery, vous pouvez utiliser les outils suivants :

  • Serveurs MCP gérés : connectez des agents compatibles MCP à des points de terminaison HTTPS gérés :
  • MCP Toolbox for Databases : exécutez un serveur MCP local Open Source pour connecter des agents à BigQuery ou définir des outils personnalisés sur des requêtes SQL paramétrées.
  • Intégrations ADK : créez des agents dans ADK avec des ensembles d'outils BigQuery prédéfinis.
  • Compétences de l'agent BigQuery : installez des packages de compétences réutilisables (bigquery-basics et bigquery-ai-ml) qui fournissent aux agents des instructions et des références pour les tâches BigQuery courantes.
  • Analyse des agents BigQuery : transmettez en flux continu les journaux d'interaction des agents (y compris les requêtes, les réponses, les appels d'outils et les erreurs) d'ADK ou de LangGraph vers BigQuery pour analyser l'utilisation des jetons, la latence et les traces d'exécution.

Agents dans votre IDE ou votre terminal

Vous pouvez interagir avec BigQuery depuis votre environnement de développement local ou votre ligne de commande à l'aide des outils suivants :

  • Data Agent Kit : utilisez l'extension IDE (pour VS Code, Antigravity et Cursor) ou le plug-in d'agent de codage (pour Antigravity CLI, Gemini CLI, Claude Code et Codex CLI) pour explorer des ensembles de données, exécuter des requêtes, créer des pipelines et entraîner des modèles de ML.
  • Intégrations d'IDE MCP : connectez des IDE tels qu'Antigravity, VS Code, Cursor, Windsurf et Claude Code à BigQuery à l'aide de l'MCP Store d'Antigravity ou de MCP Toolbox for Databases.
  • CLI Antigravity : utilisez la CLI Antigravity pour exécuter des requêtes, gérer des pipelines et interagir avec les ressources BigQuery.

Étapes suivantes