Pengantar AI di BigQuery

BigQuery menyediakan kemampuan AI, machine learning (ML), dan agen di beberapa alur kerja:

  • Bantuan dan analisis dalam konsol: menulis dan menjelaskan kode, menyiapkan data, mengajukan pertanyaan tentang tabel Anda dalam bahasa alami, membangun pipeline, dan mengelola resource BigQuery di konsol Google Cloud .
  • AI, penelusuran, dan ML dalam kueri SQL: panggil model bahasa besar (LLM) seperti Gemini, lakukan penelusuran teks dan Penelusuran Vektor, serta latih atau jalankan model ML prediktif langsung di GoogleSQL.
  • Alat untuk membangun agen: hubungkan agen kustom ke BigQuery menggunakan server Model Context Protocol (MCP), framework agen, dan keahlian, serta streaming log interaksi agen ke BigQuery untuk dianalisis.
  • Agen di IDE atau terminal Anda: membuat kueri data, mengelola pipeline, dan menjalankan alur kerja dari lingkungan pengembangan seperti Antigravity, VS Code, dan antarmuka command line.

Memilih alat AI

Tabel berikut memetakan tugas umum ke fitur BigQuery yang sesuai dan tempat Anda menggunakannya.

Kasus penggunaan Fitur Di mana menggunakannya
Membuat, melengkapi, atau menjelaskan kueri SQL Bantuan kode SQL editor kueri konsolGoogle Cloud
Ajukan pertanyaan tentang data Anda dalam bahasa alami dan dapatkan jawaban serta diagram Analisis percakapan Google Cloud console (halaman Agents) atau Conversational Analytics API
Temukan tabel, gabungkan data, jalankan kueri SQL atau bahasa alami, dan visualisasikan hasilnya dalam alur kerja grafis BigQuery data canvas KonsolGoogle Cloud
Membuat pertanyaan dan kueri SQL otomatis dari metadata tabel Insight data KonsolGoogle Cloud
Mendapatkan rekomendasi yang dibuat AI untuk membersihkan, mentransformasi, dan memperkaya data Persiapan data KonsolGoogle Cloud
Membuat aturan kustom untuk menerjemahkan dialek SQL lain ke GoogleSQL Penerjemah SQL interaktif KonsolGoogle Cloud
Menganalisis dan memecahkan masalah tugas, mengelola pemesanan, melacak silsilah, menemukan resource, atau mengoptimalkan kueri Gemini Cloud Assist ( Pratinjau) panel chat toolbar konsolGoogle Cloud
Membuat, melengkapi, atau menjelaskan kode Python Bantuan kode Python Notebook Colab Enterprise di BigQuery
Mengotomatiskan analisis data eksploratif, alur kerja ML, dan visualisasi di notebook Agen Data Science Notebook Colab Enterprise di BigQuery
Membangun, mengubah, dan mengelola pipeline data menggunakan perintah bahasa alami Agen Data Engineering KonsolGoogle Cloud dan ruang kerja Dataform
Membuat teks, mengekstrak data terstruktur, mengklasifikasikan, memberi skor, memfilter, atau menggabungkan data tabel dengan LLM Fungsi AI generatif Kueri GoogleSQL
Melakukan terjemahan, pemrosesan dokumen, transkripsi audio, atau computer vision pada data tabel Fungsi AI khusus tugas Kueri GoogleSQL
Membuat embedding dan menjalankan penelusuran semantik atau kata kunci pada data terstruktur, tidak terstruktur, atau multimodal Embedding dan penelusuran vektor serta penelusuran teks Kueri GoogleSQL
Melatih, mengevaluasi, dan menjalankan model ML prediktif (perkiraan, deteksi anomali, klasifikasi, regresi, pengelompokan) BigQuery ML Kueri GoogleSQL, konsol Google Cloud , alat command line bq, REST API, atau notebook
Hubungkan aplikasi atau agen AI kustom ke BigQuery untuk memeriksa metadata, menjalankan kueri, menerjemahkan SQL, atau mengelola transfer Server BigQuery MCP, Server BigQuery Migration Service MCP, Server BigQuery Data Transfer Service MCP, MCP Toolbox for Databases, atau Agent Development Kit (ADK) Klien MCP dan framework agen
Memberi agen petunjuk dan file referensi yang dapat digunakan kembali untuk tugas BigQuery Kemampuan agen BigQuery Klien dan terminal agentic
Mencatat, memantau, dan mengevaluasi interaksi agen, penggunaan token, dan latensi BigQuery Agent Analytics ADK, LangGraph, atau BigQuery Storage Write API (gRPC)
Pelajari resource BigQuery, jalankan kueri, dan bangun pipeline dari IDE atau CLI Google Cloud Data Agent Kit, integrasi IDE MCP, atau Antigravity CLI Antigravity, VS Code, Cursor, atau alat command line

Bantuan dan agen dalam konsol

Saat bekerja di konsol Google Cloud atau notebook Colab Enterprise, Anda dapat menggunakan fitur bantuan dan agen bawaan untuk menulis kode, mengeksplorasi data, membangun pipeline, dan mengelola resource BigQuery.

Fitur asistif

Gemini di BigQuery memberikan bantuan dalam konsol untuk menulis kueri, menyiapkan data, dan menjelajahi tabel:

  • Bantuan kode SQL: membuat, melengkapi, dan menjelaskan kueri SQL di editor kueri.
  • Bantuan kode Python: membuat, melengkapi, dan menjelaskan kode Python, termasuk PySpark dan BigQuery DataFrames, di notebook.
  • Data canvas: temukan tabel, gabungkan dan buat kueri data menggunakan bahasa alami, serta visualisasikan hasilnya di ruang kerja directed acyclic graph (DAG).
  • Insight data: membuat pertanyaan bahasa alami tentang tabel dan kueri SQL untuk menjawabnya berdasarkan metadata tabel.
  • Persiapan data: membuat rekomendasi yang peka konteks untuk membersihkan, mentransformasi, dan memperkaya data Anda.
  • Penerjemah SQL interaktif: buat aturan terjemahan untuk menyesuaikan cara kueri dari dialek SQL lain diterjemahkan ke dalam GoogleSQL.

Pengalaman chat

BigQuery menawarkan dua pengalaman chat yang berbeda di konsolGoogle Cloud , bergantung pada apakah Anda ingin menganalisis data dalam tabel atau mengelola lingkungan BigQuery:

  • Analisis percakapan: menjawab pertanyaan tentang data yang disimpan dalam tabel Anda. Anda dapat melakukan chat langsung dengan sumber data atau membuat agen data yang dikonfigurasi dengan metadata kustom, istilah glosarium, petunjuk, dan kueri terverifikasi. Agen akan menulis dan menjalankan kueri SQL atas nama Anda serta menampilkan jawaban dan visualisasi.
  • Gemini Cloud Assist (Pratinjau): membantu Anda mengoperasikan dan mengelola BigQuery. Gunakan panel chat di toolbar konsolGoogle Cloud untuk menemukan resource, melacak silsilah data, men-debug tugas yang gagal atau lambat, menganalisis kapasitas dan pemesanan slot, serta mengoptimalkan atau menjadwalkan kueri.

Agen notebook dan pipeline

Anda dapat menggunakan agen bawaan berikut untuk alur kerja data science dan data engineering:

  • Agen Data Science: mengotomatiskan analisis data eksploratori, pembersihan data, tugas ML, dan visualisasi untuk tabel BigQuery dan file CSV dalam notebook Colab Enterprise.
  • Agen Data Engineering: membangun, mengubah, dan memecahkan masalah pipeline data Dataform untuk memuat dan memproses data di BigQuery menggunakan perintah bahasa alami.

AI, penelusuran, dan ML dalam kueri SQL

Anda dapat menjalankan model AI generatif, menelusuri data tidak terstruktur dan terstruktur, serta melatih model ML prediktif langsung di GoogleSQL.

Fungsi AI

BigQuery menyediakan fungsi SQL yang memanggil model Gemini, partner, dan terbuka di Gemini Enterprise Agent Platform, Cloud AI API, atau model bawaan:

  • Fungsi AI serbaguna: gunakan fungsi ini jika Anda menginginkan kontrol penuh atas model, perintah, skema output, dan parameter.
  • Fungsi AI terkelola: gunakan fungsi ini untuk tugas pemfilteran, pemberian rating, klasifikasi, dan agregasi rutin dengan sintaksis yang disederhanakan. BigQuery dapat memilih model untuk Anda guna mengoptimalkan biaya dan kualitas.
  • Fungsi khusus tugas: panggil Cloud AI API dari SQL untuk natural language processing, terjemahan mesin, pemrosesan dokumen, transkripsi audio, dan computer vision.

BigQuery mendukung penelusuran kata kunci dan semantik di seluruh data terstruktur, semi-terstruktur, dan multimodal:

  • Penelusuran teks: gunakan fungsi SEARCH untuk melakukan penelusuran yang ditokenkan pada teks tidak terstruktur atau data JSON semi-terstruktur. Anda dapat meningkatkan performa penelusuran dengan membuat indeks penelusuran, yang memungkinkan BigQuery mengoptimalkan kueri yang menggunakan fungsi SEARCH, serta fungsi dan operator lainnya.
  • Pembuatan embedding: membuat embedding, yang merupakan vektor numerik berdimensi tinggi yang merepresentasikan entity seperti teks atau gambar, menggunakan model yang disediakan oleh atau dihosting di Agent Platform, atau menggunakan model yang diimpor dan dijalankan di BigQuery. Anda juga dapat meminta BigQuery mengelola kolom embedding secara otomatis dengan mengaktifkan pembuatan embedding otonom.
  • Penelusuran vektor: menemukan item yang mirip secara semantik untuk retrieval-augmented generation (RAG) atau rekomendasi menggunakan VECTOR_SEARCH, AI.SEARCH, dan indeks vektor.

Machine learning

Dengan BigQuery ML, Anda dapat melatih, mengevaluasi, dan menjalankan inferensi pada model untuk tugas-tugas seperti perkiraan deret waktu, deteksi anomali, klasifikasi, regresi, pengelompokan, pengurangan dimensi, dan rekomendasi.

Anda dapat menggunakan kemampuan BigQuery ML melalui konsolGoogle Cloud , alat command line bq, REST API, atau di notebook Colab Enterprise. Karena BigQuery ML memungkinkan praktisi SQL menggunakan alat dan keterampilan SQL yang ada untuk membangun dan mengevaluasi model, BigQuery ML mendemokratisasi ML dan mempercepat pengembangan model dengan menghadirkan ML ke data, bukan memerlukan pergerakan data. Anda dapat menggunakan BigQuery ML untuk membantu Anda melakukan jenis tugas ML berikut:

Untuk mempelajari lebih lanjut, lihat Pengantar ML di BigQuery.

Alat untuk membangun dan memantau agen

Jika Anda mengembangkan aplikasi atau agen AI kustom yang berinteraksi dengan BigQuery, Anda dapat menggunakan alat berikut:

  • Server MCP terkelola: menghubungkan agen yang kompatibel dengan MCP ke endpoint HTTPS terkelola:
  • MCP Toolbox for Databases: jalankan server MCP lokal open source untuk menghubungkan agen ke BigQuery atau menentukan alat kustom melalui kueri SQL berparameter.
  • Integrasi ADK: membangun agen di ADK dengan toolset BigQuery yang telah dibuat sebelumnya.
  • Keterampilan agen BigQuery: instal paket keterampilan yang dapat digunakan kembali (bigquery-basics dan bigquery-ai-ml) yang memberi agen petunjuk dan referensi untuk tugas BigQuery umum.
  • BigQuery Agent Analytics: streaming log interaksi agen—termasuk permintaan, respons, panggilan alat, dan error—dari ADK atau LangGraph ke BigQuery untuk menganalisis penggunaan token, latensi, dan trace eksekusi.

Agen di IDE atau terminal Anda

Anda dapat berinteraksi dengan BigQuery dari lingkungan pengembangan lokal atau command line menggunakan alat berikut:

  • Data Agent Kit: gunakan ekstensi IDE (untuk VS Code, Antigravity, dan Cursor) atau plugin agen coding (untuk Antigravity CLI, Gemini CLI, Claude Code, dan Codex CLI) untuk menjelajahi set data, menjalankan kueri, membangun pipeline, dan melatih model ML.
  • Integrasi IDE MCP: menghubungkan IDE seperti Antigravity, VS Code, Cursor, Windsurf, dan Claude Code ke BigQuery menggunakan MCP Store Antigravity atau MCP Toolbox for Databases.
  • Antigravity CLI: gunakan Antigravity CLI untuk menjalankan kueri, mengelola pipeline, dan berinteraksi dengan resource BigQuery.

Langkah berikutnya