Introdução à IA no BigQuery

É possível integrar recursos de IA, machine learning (ML) e recursos agênticos aos seus fluxos de trabalho do BigQuery para ajudar a analisar seus dados e acelerar seus fluxos de trabalho de desenvolvimento. O BigQuery oferece ferramentas para ajudar você a gerar e refinar códigos, preparar dados, criar pipelines, analisar dados com linguagem natural e administrar seus recursos do BigQuery.

Escolher uma ferramenta de IA

A tabela a seguir mapeia tarefas comuns para o recurso correspondente do BigQuery e onde você o usa.

Caso de uso Recurso Onde usar
Gerar, completar ou explicar consultas SQL Assistente de código em SQL Editor de consultas do console doGoogle Cloud
Faça perguntas sobre seus dados em linguagem natural e receba respostas e gráficos Análise conversacional Console do Google Cloud (página Agentes) ou API de Análise conversacional
Encontre tabelas, mescle dados, execute consultas SQL ou em linguagem natural e visualize os resultados em um fluxo de trabalho gráfico Tela de dados do BigQuery Console doGoogle Cloud
Gerar perguntas e consultas SQL automatizadas com base em metadados de tabelas Insights de dados Console doGoogle Cloud
Receba recomendações geradas com IA para limpar, transformar e enriquecer dados Preparação de dados Console doGoogle Cloud
Criar regras personalizadas para traduzir outros dialetos SQL para o GoogleSQL Tradutor de SQL interativo Console doGoogle Cloud
Analise e resolva problemas de jobs, gerencie reservas, rastreie linhagem, descubra recursos ou otimize consultas Gemini Cloud Assist ( pré-lançamento) Google Cloud painel de chat da barra de ferramentas do console
Gerar, completar ou explicar código Python Assistência de programação Python Notebooks do Colab Enterprise no BigQuery
Automatize a análise exploratória de dados, os fluxos de trabalho de ML e as visualizações em um notebook Agente de Ciência de Dados Notebooks do Colab Enterprise no BigQuery
Criar, modificar e gerenciar pipelines de dados usando comandos em linguagem natural Agente de engenharia de dados Console doGoogle Cloud e espaços de trabalho do Dataform
Gerar texto, extrair dados estruturados, classificar, pontuar, filtrar ou agregar dados de tabelas de agregação com LLMs Funções de IA generativa Consultas do GoogleSQL
Realizar tradução, processamento de documentos, transcrição de áudio ou visão computacional em dados de tabela Funções de IA específicas para tarefas Consultas do GoogleSQL
Gerar embeddings e executar pesquisas semânticas ou por palavras-chave em dados estruturados, não estruturados ou multimodais Embeddings e pesquisa vetorial e Text Search Consultas do GoogleSQL
Treinar, avaliar e executar modelos de ML preditivos (previsão, detecção de anomalias, classificação, regressão, clustering) BigQuery ML Consultas do GoogleSQL, console do Google Cloud , ferramenta de linha de comando bq, API REST ou notebooks
Conecte aplicativos ou agentes de IA personalizados ao BigQuery para inspecionar metadados, executar consultas, traduzir SQL ou gerenciar transferências Servidor MCP do BigQuery, servidor MCP do serviço de migração do BigQuery, servidor MCP do serviço de transferência de dados do BigQuery, MCP Toolbox para bancos de dados ou Kit de Desenvolvimento de Agente (ADK) Clientes MCP e frameworks de agentes
Forneça aos agentes instruções reutilizáveis e arquivos de referência para tarefas do BigQuery Habilidades do agente do BigQuery Clientes e terminais de agentes
Registrar, monitorar e avaliar as interações do agente, o uso de tokens e a latência Análise de agentes do BigQuery ADK, LangGraph ou API BigQuery Storage Write (gRPC)
Analisar recursos do BigQuery, executar consultas e criar pipelines em um ambiente de desenvolvimento integrado ou na CLI Google Cloud Data Agent Kit, integrações de IDE do MCP ou CLI do Antigravity Antigravity, VS Code, Cursor ou ferramentas de linha de comando

Assistência e agentes no console

Ao trabalhar no console do Google Cloud ou nos notebooks do Colab Enterprise, é possível usar recursos de assistência e agentes integrados para escrever código, analisar dados, criar pipelines e gerenciar recursos do BigQuery.

Recursos de assistência

O Gemini no BigQuery oferece assistência no console para criar consultas, preparar dados e explorar tabelas:

  • Assistência de código SQL: gere, complete e explique consultas SQL no editor de consultas.
  • Assistência de código Python: gere, complete e explique códigos Python, incluindo PySpark e BigQuery DataFrames, em notebooks.
  • Tela de dados: encontre tabelas, mescle e consulte dados usando linguagem natural e visualize os resultados em um espaço de trabalho de gráfico acíclico dirigido (DAG).
  • Insights de dados: gere perguntas em linguagem natural sobre uma tabela e as consultas SQL para respondê-las com base nos metadados da tabela.
  • Preparação de dados: gere recomendações contextuais para limpar, transformar e enriquecer seus dados.
  • Tradutor de SQL interativo: crie regras de tradução para personalizar como as consultas de outros dialetos SQL são traduzidas para o GoogleSQL.

Experiências de chat

O BigQuery oferece duas experiências de chat distintas no console doGoogle Cloud , dependendo se você quer analisar dados nas suas tabelas ou gerenciar seu ambiente do BigQuery:

  • Análise de conversação: responde a perguntas sobre os dados armazenados nas tabelas. Você pode conversar diretamente com fontes de dados ou criar agentes de dados configurados com metadados personalizados, termos de glossário, instruções e consultas verificadas. O agente escreve e executa consultas SQL em seu nome e retorna respostas e visualizações.
  • Gemini Cloud Assist (pré-lançamento): ajuda você a operar e administrar o BigQuery. Use o painel de chat na barra de ferramentas do console doGoogle Cloud para descobrir recursos, rastrear a linhagem de dados, depurar jobs com falha ou lentos, analisar a capacidade e as reservas de slots e otimizar ou programar consultas.

Agentes de notebook e pipeline

É possível usar os seguintes agentes integrados para fluxos de trabalho de ciência de dados e engenharia de dados:

  • Agente de ciência de dados: automatiza a análise exploratória de dados, a limpeza de dados, as tarefas de ML e as visualizações de tabelas do BigQuery e arquivos CSV em um notebook do Colab Enterprise.
  • Agente de engenharia de dados: cria, modifica e resolve problemas em pipelines de dados do Dataform para carregar e processar dados no BigQuery usando comandos de linguagem natural.

IA, pesquisa e ML em consultas SQL

É possível executar modelos de IA generativa, pesquisar dados não estruturados e estruturados e treinar modelos de ML preditivos diretamente no GoogleSQL.

Funções de IA

O BigQuery oferece funções SQL que chamam o Gemini, parceiros e modelos abertos na Gemini Enterprise Agent Platform, APIs de IA do Google Cloud ou modelos integrados:

  • Funções de IA de uso geral: use essas funções quando quiser controle total sobre o modelo, o comando, o esquema de saída e os parâmetros.
  • Funções de IA gerenciadas: use essas funções para tarefas de filtragem, classificação, categorização e agregação de rotina com uma sintaxe simplificada. O BigQuery pode escolher um modelo para você otimizar o custo e a qualidade.
  • Funções específicas de tarefas: chame as APIs de IA do Google Cloud do SQL para processamento de linguagem natural, tradução automática, processamento de documentos, transcrição de áudio e visão computacional.

O BigQuery é compatível com pesquisa semântica e por palavras-chave em dados estruturados, semiestruturados e multimodais:

  • Text Search: use a função SEARCH para realizar uma pesquisa tokenizada em texto não estruturado ou dados JSON semiestruturados. É possível melhorar o desempenho da pesquisa criando um índice da Pesquisa, que permite que o BigQuery otimize consultas que usam a função SEARCH, além de outras funções e operadores.
  • Geração de embeddings: gere embeddings, que são vetores numéricos de alta dimensão que representam entidades como texto ou imagens, usando modelos fornecidos ou hospedados na Agent Platform ou usando modelos importados e executados no BigQuery. Também é possível fazer com que o BigQuery mantenha automaticamente uma coluna de embeddings ativando a geração de embeddings autônomos.
  • Pesquisa vetorial: encontre itens semanticamente semelhantes para geração aumentada por recuperação (RAG) ou recomendações usando VECTOR_SEARCH, AI.SEARCH e índices vetoriais.

Machine learning

Com o BigQuery ML, é possível treinar, avaliar e executar inferências em modelos para tarefas como previsão de série temporal, detecção de anomalias, classificação, regressão, clustering, redução de dimensionalidade e recomendações.

É possível trabalhar com os recursos do BigQuery ML usando o console doGoogle Cloud , a ferramenta de linha de comando bq, a API REST ou em notebooks do Colab Enterprise. Como o BigQuery ML permite que os profissionais de SQL usem ferramentas e habilidades de SQL para criar e avaliar modelos, ele democratiza o ML e acelera o desenvolvimento de modelos ao levar o ML para os dados, em vez de exigir a movimentação de dados. É possível usar o BigQuery ML para ajudar você com os seguintes tipos de tarefas de ML:

Para saber mais, consulte a Introdução ao ML no BigQuery.

Ferramentas para criar e monitorar agentes

Se você estiver desenvolvendo aplicativos ou agentes de IA personalizados que interagem com o BigQuery, use as seguintes ferramentas:

Agentes no seu ambiente de desenvolvimento integrado ou terminal

É possível interagir com o BigQuery no ambiente de desenvolvimento local ou na linha de comando usando as seguintes ferramentas:

  • Data Agent Kit: use a extensão do IDE (para VS Code, Antigravity e Cursor) ou o plug-in de agente (para CLI do Antigravity, CLI do Gemini, Claude Code e CLI do Codex) para explorar conjuntos de dados, executar consultas, criar pipelines e treinar modelos de ML.
  • Integrações de IDE do MCP: conecte IDEs como Antigravity, VS Code, Cursor, Windsurf e Claude Code ao BigQuery usando a MCP Store do Antigravity ou a MCP Toolbox para bancos de dados.
  • CLI do Antigravity: use a CLI do Antigravity para executar consultas, gerenciar pipelines e interagir com recursos do BigQuery.

A seguir