מבוא ל-AI ב-BigQuery

ב-BigQuery יש יכולות של AI, למידת מכונה (ML) ויכולות אג'נטיות בכמה תהליכי עבודה:

  • סיוע וניתוח נתונים במסוף: כתיבה והסבר של קוד, הכנת נתונים, שאלת שאלות על הטבלאות שלכם בשפה טבעית, בניית צינורות עיבוד נתונים וניהול משאבי BigQuery במסוף Google Cloud .
  • AI, חיפוש ו-ML בשאילתות SQL: קריאה למודלים גדולים של שפה (LLM) כמו Gemini, ביצוע חיפוש טקסט וחיפוש וקטורי, ואימון או הפעלה של מודלים חזויים של למידת מכונה ישירות ב-GoogleSQL.
  • כלים ליצירת סוכנים: אתם יכולים לחבר סוכנים בהתאמה אישית ל-BigQuery באמצעות שרתי Model Context Protocol‏ (MCP), מסגרות של סוכנים ומיומנויות, ולהעביר בסטרימינג יומני אינטראקציה של סוכנים ל-BigQuery לצורך ניתוח.
  • סוכנים ב-IDE או בטרמינל: שליחת שאילתות לנתונים, ניהול צינורות עיבוד נתונים והרצת תהליכי עבודה מסביבות פיתוח כמו Antigravity,‏ VS Code וממשקי שורת פקודה.

בחירת כלי AI

בטבלה הבאה מפורטות משימות נפוצות, התכונה המתאימה ב-BigQuery והמקום שבו משתמשים בה.

תרחיש לדוגמה תכונה איפה משתמשים בו
ליצור, להשלים או להסביר שאילתות SQL עזרה בתכנות ב-SQL עורך השאילתות במסוףGoogle Cloud
אפשר לשאול שאלות על הנתונים בשפה טבעית ולקבל תשובות ותרשימים ניתוח שיחות במסוף Google Cloud (בדף Agents) או ב- Conversational Analytics API.
למצוא טבלאות, לאחד נתונים, להריץ שאילתות ב-SQL או בשפה טבעית ולהציג את התוצאות בתהליך עבודה גרפי קנבס נתונים ב-BigQuery מסוףGoogle Cloud
יצירת שאלות אוטומטיות ושאילתות SQL ממטא-נתונים של טבלאות תובנות מנתונים מסוףGoogle Cloud
קבלת המלצות מבוססות-AI לניקוי, לטרנספורמציה ולהעשרת נתונים הכנת הנתונים מסוףGoogle Cloud
יצירת כללים מותאמים אישית לתרגום ניבים אחרים של SQL ל-GoogleSQL Interactive SQL translator מסוףGoogle Cloud
ניתוח ופתרון בעיות במשימות, ניהול הזמנות, מעקב אחר שושלת, גילוי משאבים או אופטימיזציה של שאילתות Gemini Cloud Assist ( גרסת טרום-השקה (Preview)) חלונית הצ'אט בסרגל הכלים של מסוףGoogle Cloud
ליצור, להשלים או להסביר קוד Python עזרה בתכנות ב-Python ‫Notebooks של Colab Enterprise ב-BigQuery
אוטומציה של ניתוח נתונים חקירתי, תהליכי עבודה של ML והמחשות חזותיות ב-notebook Data Science Agent ‫Notebooks של Colab Enterprise ב-BigQuery
יצירה, שינוי וניהול של צינורות עיבוד נתונים באמצעות הנחיות בשפה טבעית Data Engineering Agent Google Cloud מסוף וסביבות עבודה של Dataform
יצירת טקסט, חילוץ נתונים מובְנים, סיווג, דירוג, סינון או צבירת נתונים בטבלה באמצעות מודלי LLM פונקציות של AI גנרטיבי שאילתות GoogleSQL
לבצע תרגום, עיבוד מסמכים, תמלול אודיו או ראייה ממוחשבת על נתונים בטבלה פונקציות AI למשימות ספציפיות שאילתות GoogleSQL
יצירת הטמעות והרצה של חיפוש סמנטי או חיפוש של מילות מפתח בנתונים מובְנים, לא מובְנים או מולטי-מודאליים הטמעות וחיפוש וקטורי וחיפוש טקסט שאילתות GoogleSQL
לאמן, להעריך ולהריץ מודלים חזויים של למידת מכונה (חיזוי, זיהוי חריגות, סיווג, רגרסיה, אשכולות) BigQuery ML שאילתות GoogleSQL, מסוף Google Cloud , כלי שורת הפקודה של BigQuery, ‏API בארכיטקטורת REST או Notebooks
אפשר לחבר סוכנים או אפליקציות AI בהתאמה אישית ל-BigQuery כדי לבדוק מטא-נתונים, להריץ שאילתות, לתרגם SQL או לנהל העברות שרת BigQuery MCP, שרת BigQuery Migration Service MCP, שרת BigQuery Data Transfer Service MCP, MCP Toolbox for Databases או ערכת פיתוח לסוכנים (ADK) לקוחות MCP ו-frameworks של סוכנים
לתת לסוכנים הוראות וקבצים שאפשר להשתמש בהם שוב ושוב למשימות ב-BigQuery מיומנויות של סוכני BigQuery לקוחות וטרמינלים מבוססי-סוכנים
לתעד, לעקוב ולהעריך את האינטראקציות של הסוכן, השימוש בטוקנים וזמן האחזור BigQuery Agent Analytics ‫ADK,‏ LangGraph או BigQuery Storage Write API‏ (gRPC)
אפשר לחקור משאבים של BigQuery, להריץ שאילתות ולבנות צינורות עיבוד נתונים מ-IDE או מ-CLI ‫Google Cloud Data Agent Kit, שילובים של MCP IDE או Antigravity CLI ‫Antigravity, ‏VS Code, ‏Cursor או כלי שורת הפקודה

עזרה וסוכנים במסוף

כשאתם עובדים במסוף Google Cloud או ב-Colab Enterprise, אתם יכולים להשתמש בתכונות עזר ובסוכנים מובנים כדי לכתוב קוד, לחקור נתונים, ליצור צינורות עיבוד נתונים ולנהל משאבים ב-BigQuery.

תכונות מסייעות

‫Gemini ב-BigQuery מספק עזרה במסוף ליצירת שאילתות, להכנת נתונים ולעיון בטבלאות:

  • עזרה בתכנות קוד SQL: יצירה, השלמה והסבר של שאילתות SQL בעורך השאילתות.
  • עזרה בתכנות ב-Python: יצירה, השלמה והסבר של קוד Python, כולל PySpark ו-BigQuery DataFrames, ב-notebooks.
  • קנבס נתונים: חיפוש טבלאות, איחוד נתונים ושאילתות באמצעות שפה טבעית, והצגת התוצאות בסביבת עבודה של גרף אציקלי מכוון (DAG).
  • תובנות מנתונים: יצירת שאלות בשפה טבעית לגבי טבלה ושאילתות SQL כדי לענות עליהן על סמך המטא-נתונים של הטבלה.
  • הכנת נתונים: יצירת המלצות מותאמות להקשר כדי לנקות, לשנות ולהעשיר את הנתונים.
  • מתרגם SQL אינטראקטיבי: יוצרים כללי תרגום כדי להתאים אישית את האופן שבו שאילתות מניבים אחרים של SQL מתורגמות ל-GoogleSQL.

ממשקי צ'אט

ב-BigQuery יש שתי אפשרויות צ'אט שונות במסוףGoogle Cloud , בהתאם למטרה שלכם – ניתוח נתונים בטבלאות או ניהול סביבת BigQuery:

  • ניתוח נתונים באמצעות שיחה: מענה על שאלות לגבי הנתונים שמאוחסנים בטבלאות. אתם יכולים להתכתב בצ'אט ישירות עם מקורות נתונים או ליצור סוכנים לאינטראקציה עם נתונים שמוגדרים עם מטא-נתונים מותאמים אישית, מונחים במילון, הוראות ושאילתות מאומתות. הסוכן כותב ומריץ שאילתות SQL בשבילכם, ומחזיר תשובות ותרשימים להמחשה.
  • ‫Gemini Cloud Assist (גרסת טרום-השקה (Preview)): עוזר לכם להפעיל ולנהל את BigQuery. אתם יכולים להשתמש בחלונית הצ'אט בסרגל הכלים של מסוףGoogle Cloud כדי למצוא משאבים, לעקוב אחרי שושלת הנתונים, לנפות באגים במשימות שנכשלו או שפועלות לאט, לנתח את הקיבולת וההזמנות של ה-slots, ולבצע אופטימיזציה של שאילתות או לתזמן אותן.

סוכני Notebook וצינורות עיבוד נתונים

אתם יכולים להשתמש בסוכנים המובנים הבאים לתהליכי עבודה של מדע נתונים ומהנדסי מערכות מידע:

  • Data Science Agent: מבצע באופן אוטומטי ניתוח נתונים למחקר, טיוב נתונים, משימות ML והמחשות של טבלאות ב-BigQuery וקובצי CSV בתוך מסמך Notebook ב-Colab Enterprise.
  • סוכן הנדסת נתונים: יוצר, משנה ופותר בעיות בצינורות עיבוד נתונים ב-Dataform כדי לטעון ולעבד נתונים ב-BigQuery באמצעות הנחיות בשפה טבעית.

‫AI, חיפוש ו-ML בשאילתות SQL

אתם יכולים להריץ מודלים של AI גנרטיבי, לחפש נתונים מובְנים ולא מובְנים ולאמן מודלים חזויים של למידת מכונה ישירות ב-GoogleSQL.

פונקציות AI

ב-BigQuery יש פונקציות SQL שמפעילות מודלים של Gemini, מודלים של שותפים ומודלים פתוחים ב-Gemini Enterprise Agent Platform, ממשקי API של AI ב-Cloud או מודלים מובנים:

  • פונקציות AI למטרות כלליות: משתמשים בפונקציות האלה כשרוצים שליטה מלאה במודל, בהנחיה, בסכימת הפלט ובפרמטרים.
  • פונקציות AI מנוהלות: משתמשים בפונקציות האלה למשימות שגרתיות של סינון, דירוג, סיווג וצבירה באמצעות תחביר פשוט. ‫BigQuery יכול לבחור בשבילכם מודל כדי לשפר את העלות והאיכות.
  • פונקציות ספציפיות למשימות: קריאה לממשקי AI ב-Cloud API מ-SQL לצורך עיבוד שפה טבעית, תרגום אוטומטי, עיבוד מסמכים, תמלול אודיו וראייה ממוחשבת.

ב-BigQuery אפשר לבצע חיפוש סמנטי וחיפוש לפי מילות מפתח בנתונים מובְנים, חצי מובְנים ומולטי-מודאליים:

  • חיפוש טקסט: משתמשים בפונקציה SEARCH כדי לבצע חיפוש לפי אסימונים בטקסט לא מובנה או בנתוני JSON מובנים למחצה. כדי לשפר את ביצועי החיפוש, אפשר ליצור אינדקס חיפוש שמאפשר ל-BigQuery לבצע אופטימיזציה של שאילתות שמשתמשות בפונקציה SEARCH, וגם בפונקציות ובאופרטורים אחרים.
  • יצירת הטמעות: יצירת הטמעות, שהן וקטורים מספריים רב-ממדיים שמייצגים ישויות כמו טקסט או תמונות, באמצעות מודלים שסופקו על ידי Agent Platform או מתארחים בה, או באמצעות מודלים שיובאו והופעלו ב-BigQuery. אתם יכולים גם להגדיר ש-BigQuery יתחזק באופן אוטומטי עמודה של הטמעות, על ידי הפעלת יצירת הטמעות אוטונומיות.
  • חיפוש וקטורי: חיפוש פריטים דומים מבחינה סמנטית ליצירת RAG או המלצות באמצעות VECTOR_SEARCH,‏ AI.SEARCH ואינדקסים וקטוריים.

למידת מכונה

באמצעות BigQuery ML, אתם יכולים לאמן, להעריך ולהריץ הסקות על מודלים למשימות כמו חיזוי סדרות זמנים, זיהוי אנומליות, סיווג, רגרסיה, אשכולות, הפחתת ממדים והמלצות.

אתם יכולים להשתמש ביכולות של BigQuery ML דרך מסוףGoogle Cloud , כלי שורת הפקודה של BigQuery, ‏API בארכיטקטורת REST או ה-Notebooks של Colab Enterprise. בעזרת BigQuery ML, מומחי SQL יכולים להשתמש בכלים ובמיומנויות הקיימים שלהם ב-SQL כדי ליצור ולהעריך מודלים. כך, BigQuery ML הופך את למידת המכונה לנגישה יותר ומאיץ את פיתוח המודלים, כי הוא מביא את למידת המכונה אל הנתונים במקום לדרוש העברת נתונים. אתם יכולים להשתמש ב-BigQuery ML כדי לבצע את המשימות הבאות שקשורות ללמידת מכונה:

מידע נוסף זמין במאמר מבוא ל-ML ב-BigQuery.

כלים לפיתוח ולמעקב אחרי נציגים

אם אתם מפתחים אפליקציות או סוכני AI בהתאמה אישית שמתקשרים עם BigQuery, אתם יכולים להשתמש בכלים הבאים:

  • שרתי MCP מנוהלים: מחברים סוכנים שתואמים ל-MCP לנקודות קצה מנוהלות של HTTPS:
  • ‫MCP Toolbox for Databases: הפעלת שרת MCP מקומי בקוד פתוח כדי לחבר סוכנים ל-BigQuery או להגדיר כלים בהתאמה אישית באמצעות שאילתות SQL עם פרמטרים.
  • שילובים של ADK: יצירת סוכנים ב-ADK באמצעות ערכות כלים מוכנות מראש של BigQuery.
  • מיומנויות של סוכני BigQuery: התקנת חבילות מיומנויות לשימוש חוזר (bigquery-basics ו-bigquery-ai-ml) שמספקות לסוכנים הוראות וקובצי עזר למשימות נפוצות ב-BigQuery.
  • BigQuery Agent Analytics: העברת יומני אינטראקציות של סוכנים – כולל בקשות, תשובות, קריאות API לכלים ושגיאות – מ-ADK או מ-LangGraph אל BigQuery כדי לנתח את השימוש בטוקנים, את זמן האחזור ואת נתוני המעקב אחרי הביצוע.

סוכנים בסביבת הפיתוח המשולבת (IDE) או בטרמינל

אתם יכולים לקיים אינטראקציה עם BigQuery מסביבת הפיתוח המקומית או משורת הפקודה באמצעות הכלים הבאים:

  • ‫Data Agent Kit: משתמשים בתוסף לסביבת הפיתוח המשולבת (IDE) (ל-VS Code, ל-Antigravity ול-Cursor) או בפלאגין לסוכן (ל-Antigravity CLI, ל-Gemini CLI, ל-Claude Code ול-Codex CLI) כדי לחקור מערכי נתונים, להריץ שאילתות, ליצור פייפליינים ולאמן מודלים של ML.
  • ‫שילובים של MCP IDE: אתם יכולים לחבר סביבות פיתוח משולבות (IDE) כמו Antigravity,‏ VS Code,‏ Cursor,‏ Windsurf ו-Claude Code ל-BigQuery באמצעות מאגר MCP של Antigravity או MCP Toolbox for Databases.
  • ‫Antigravity CLI: משתמשים ב-Antigravity CLI כדי להריץ שאילתות, לנהל צינורות עיבוד נתונים ולתקשר עם משאבים ב-BigQuery.

המאמרים הבאים