‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

ניתוח באמצעות קנבס נתונים ב-BigQuery

בעזרת קנבס הנתונים ב-BigQuery אתם יכולים למצוא, לשנות, להריץ שאילתות ולהמחיש את הנתונים באמצעות הנחיות בשפה טבעית וממשק גרפי. אתם יכולים להשתמש בתכונה הזו של Gemini ב-BigQuery כדי לשפר את תוצאות השאילתה ולחקור כמה ענפי חקירה במקום אחד.

בתהליכי עבודה של ניתוח נתונים, קנבס נתונים ב-BigQuery משתמש בגרף אציקלי מכוון (DAG) שמספק תצוגה גרפית של תהליך העבודה. קנבס הנתונים ב-BigQuery נועד להאיץ את משימות הניתוח ולעזור למומחי נתונים, כמו מנתחי נתונים, מהנדסי מערכות מידע ואחרים, בתהליך הפקת התובנות מהנתונים. אתם לא צריכים ידע טכני בכלים ספציפיים, אלא רק היכרות בסיסית עם קריאה וכתיבה של SQL. כדי לזהות טבלאות מתאימות על סמך שפה טבעית, קנבס הנתונים ב-BigQuery משתמש במטא-נתונים של Knowledge Catalog.

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

יכולות

בעזרת קנבס הנתונים ב-BigQuery אתם יכולים:

להשתמש בחיפוש בשפה טבעית עם מטא-נתונים של Knowledge Catalog כדי למצוא נכסים כמו טבלאות, תצוגות או תצוגות מהותיות.
אפשר להשתמש בשפה טבעית לשאילתות SQL בסיסיות כמו אלה:
- שאילתות שמכילות משפטי FROM, פונקציות מתמטיות, מערכים ומבנים.
- JOIN פעולות לשתי טבלאות.
אתם יכולים ליצור תצוגות חזותיות בהתאמה אישית באמצעות שפה טבעית כדי לתאר את מה שאתם רוצים.
תובנות אוטומטיות מנתונים.

מגבלות

יכול להיות שפקודות בשפה טבעית לא יפעלו כמו שצריך במקרים הבאים:
- BigQuery ML
- Apache Spark
- טבלאות אובייקטים
- BigLake
- ‫INFORMATION_SCHEMA צפיות
- JSON
- שדות בתוך שדות ושדות חוזרים
- פונקציות וסוגי נתונים מורכבים כמו DATETIME ו-TIMEZONE
המחשות נתונים לא פועלות עם תרשימי מפה גיאוגרפית.
קנבס הנתונים ב-BigQuery לא מיועד לשימוש ישיר של משתמשים עסקיים.

שיטות מומלצות להנדסת פרומפטים

בעזרת טכניקות הנחיה נכונות, אתם יכולים ליצור שאילתות SQL מורכבות. ההצעות הבאות יעזרו לכם לשפר את ההנחיות בשפה טבעית בקנבס הנתונים ב-BigQuery, כדי שהשאילתות יהיו מדויקות יותר:

לכתוב בצורה ברורה. נסחו את הבקשה בצורה ברורה והימנעו מעמימות.
לשאול שאלות ישירות. כדי לקבל את התשובה הכי מדויקת, כדאי לשאול שאלה אחת בכל פעם ולנסח הנחיות תמציתיות. אם בהנחיה הראשונה היו כמה שאלות, כדאי לפרט כל חלק בשאלה בנפרד כדי ש-Gemini יבין אותה בבירור.
תנו הוראות ממוקדות ומפורשות. הדגישו מונחים מרכזיים בהנחיות.
מציינים את סדר הפעולות. תנו הוראות ברורות ומסודרות. חלקו את המשימות לשלבים קטנים וממוקדים.
לשפר ולחזור על הפעולה. נסו ביטויים וגישות שונות כדי לראות מה מניב את התוצאות הכי טובות.

מידע נוסף זמין במאמר שיטות מומלצות להנדסת פרומפטים בקנבס נתונים ב-BigQuery.

לפני שמתחילים

מוודאים ש-Gemini ב-BigQuery מופעל בפרויקט Google Cloud . בדרך כלל האדמין מבצע את השלב הזה.
מוודאים שיש לכם את ההרשאות הנדרשות לניהול זהויות והרשאות גישה (IAM) כדי להשתמש בקנבס נתונים ב-BigQuery.
כדי לנהל את המטא-נתונים של קנבס הנתונים ב-Knowledge Catalog, ודאו ש-Dataplex API מופעל בפרויקט ב- Google Cloud .

התפקידים הנדרשים

כדי לקבל את ההרשאות שדרושות לשימוש בקנבס הנתונים ב-BigQuery, בקשו מהאדמין להקצות לכם את תפקידי ה-IAM הבאים בפרויקט:

BigQuery Studio User (roles/bigquery.studioUser)
משתמש Gemini ל-Google Cloud ‏(roles/cloudaicompanion.user)

להסבר על מתן תפקידים, ראו איך מנהלים את הגישה ברמת הפרויקט, התיקייה והארגון.

יכול להיות שאפשר לקבל את ההרשאות הנדרשות גם באמצעות תפקידים בהתאמה אישית או תפקידים מוגדרים מראש.

במאמר מבוא ל-IAM תוכלו לקרוא מידע נוסף על תפקידים והרשאות של IAM ב-BigQuery.

כדי לנהל את המטא-נתונים של קנבס הנתונים ב-Knowledge Catalog, ודאו שיש לכם את התפקידים הנדרשים ב-Knowledge Catalog ואת ההרשאה dataform.repositories.get.

שיקולי אבטחה בקנבס נתונים

נכסי הקוד ב-BigQuery מופעלים על ידי Dataform, לכן חשוב להביא בחשבון את ההשלכות הבאות על האבטחה של משתמשים שיש להם גישה לנכסים האלה:

ההרשאות של Dataform ברמת הפרויקט קובעות את הרשאות הצפייה בנכסי הקוד. משתמשים עם ההרשאה dataform.repositories.list – שכלולה בתפקידים הרגילים של BigQuery כמו BigQuery Job User,‏ BigQuery Studio User ו-BigQuery User – יכולים לראות את כל נכסי הקוד בחלונית Explorer של הפרויקט ב- Google Cloud , גם אם הם לא יצרו את הנכסים האלה או שהנכסים האלה לא שותפו איתם. כדי להגביל את החשיפה, אתם יכולים ליצור תפקידים בהתאמה אישית שלא כוללים את ההרשאה dataform.repositories.list.
משתמשים שיכולים לערוך את הנכסים האלה יכולים לגשת לכל הסודות ששותפו עם סוכן השירות של Dataform. כדי לאבטח את פרטי הכניסה, הגבילו את הגישה ליצירה ולעריכה למשתמשים מהימנים, והגבילו את הגישה של סוכן השירות של Dataform לסודות. מידע נוסף זמין במאמר גישה לסודות במהלך התקנת החבילה.

מידע נוסף זמין במאמר שיקולי אבטחה להרשאות ב-Dataform.

סוגי הצמתים

קנבס הוא אוסף של צומת אחד או יותר. אפשר לחבר את הצמתים בכל סדר. אלה סוגי הצמתים בקנבס הנתונים ב-BigQuery:

טקסט
חיפוש
טבלה
SQL
צומת היעד
המחשה
תובנות

צומת טקסט

ב-קנבס נתונים ב-BigQuery, צומת טקסט מאפשר להוסיף תוכן טקסט עשיר לקנבס. הוא שימושי להוספת הסברים, הערות או הוראות ללוח, כדי שיהיה קל יותר לכם ולאחרים להבין את ההקשר והמטרה של הניתוח. אתם יכולים להזין כל תוכן טקסט שתרצו בעורך צומת הטקסט, כולל Markdown לעיצוב. היכולת הזו מאפשרת לכם ליצור בלוקים של טקסט מושכים מבחינה ויזואלית ואינפורמטיביים.

בצומת הטקסט, אתם יכולים לבצע את הפעולות הבאות:

מוחקים את הצומת.
מנפים באגים בצומת.
משכפלים את הצומת.

צומת חיפוש

ב-קנבס נתונים ב-BigQuery, צומת חיפוש מאפשר לכם למצוא נכסי נתונים ולשלב אותם ב-canvas. הוא משמש כגשר בין השאילתות בשפה טבעית או החיפושים לפי מילות מפתח לבין הנתונים שאתם רוצים לעבוד איתם.

אתם מזינים שאילתת חיפוש, בשפה טבעית או באמצעות מילות מפתח. צומת החיפוש מחפש בנכסי הנתונים שלכם. הוא משתמש במטא-נתונים של Knowledge Catalog כדי לשפר את המודעות להקשר. בנוסף, בקנבס הנתונים ב-BigQuery מוצגות הצעות לטבלאות, לשאילתות ולשאילתות שמורות שהיו בשימוש לאחרונה.

צומת החיפוש מחזיר רשימה של נכסי נתונים רלוונטיים שתואמים לשאילתה. הוא מביא בחשבון שמות של עמודות ותיאורים של טבלאות. אחר כך אתם יכולים לבחור את הנכסים שאתם רוצים להוסיף לקנבס הנתונים כצומתי טבלה, שבהם תוכלו לנתח את הנתונים ולהציג אותם באופן חזותי.

בצומת החיפוש, אתם יכולים לבצע את הפעולות הבאות:

מוחקים את הצומת.
מנפים באגים בצומת.
משכפלים את הצומת.

צומת טבלה

ב-קנבס נתונים ב-BigQuery, צומת טבלה מייצג טבלה ספציפית ששילבתם בתהליך העבודה של הניתוח. הוא מייצג את הנתונים שאתם עובדים איתם ומאפשר לכם לבצע פעולות ישירות עליהם.

צומת של טבלה מציג מידע על הטבלה, כמו השם, הסכימה ותצוגה מקדימה של הנתונים. אתם יכולים לבצע פעולות בטבלה, כמו להציג את הסכימה, הפרטים והתצוגה המקדימה של הטבלה.

בצומת הטבלה, אפשר לבצע את הפעולות הבאות:

מוחקים את הצומת.
מנפים באגים בצומת.
משכפלים את הצומת.
מריצים את הצומת.
מריצים את הצומת ואת הצומת הבא.

ב-קנבס נתונים אפשר לבצע את הפעולות הבאות:

מריצים שאילתה על התוצאות בצומת SQL חדש.
מצרפים את התוצאות לטבלה אחרת.

צומת SQL

ב-BigQuery, צומת SQL מאפשר להריץ שאילתות SQL בהתאמה אישית ישירות בתוך קנבס הנתונים. אתם יכולים לכתוב קוד SQL ישירות בעורך הצמתים של SQL, או להשתמש בהנחיה בשפה טבעית כדי ליצור את ה-SQL.

צומת ה-SQL מריץ את שאילתת ה-SQL שסופקה על מקורות הנתונים שצוינו. צומת ה-SQL יוצר טבלת תוצאות, שאפשר לחבר לצמתים אחרים בלוח הציור כדי להמשיך לנתח או להציג את הנתונים באופן חזותי. אפשר גם לשמור את הפלט מהרצה של צומת SQL, שנקרא תוצאת השאילתה, בטבלה משלו באמצעות צומת יעד.

אחרי שהשאילתה רצה, אתם יכולים לייצא אותה כשאילתה מתוזמנת, לייצא את תוצאות השאילתה או לשתף את ה-canvas, בדומה להרצת שאילתה אינטראקטיבית.

בצומת SQL, אתם יכולים לבצע את הפעולות הבאות:

מייצאים את הצהרת ה-SQL כשאילתה מתוזמנת.
מוחקים את הצומת.
מנפים באגים בצומת.
משכפלים את הצומת.
מריצים את הצומת.
מריצים את הצומת ואת הצומת הבא.

ב-קנבס נתונים אפשר לבצע את הפעולות הבאות:

מריצים שאילתה על התוצאות בצומת SQL חדש.
שומרים את התוצאות בטבלה.
הצגת התוצאות בצומת של תצוגה חזותית.
ליצור תובנות לגבי התוצאות בצומת תובנות.
מצרפים את התוצאות לטבלה אחרת.

צומת היעד

ב-קנבס נתונים ב-BigQuery, צומת יעד הוא צומת צאצא של צומת SQL ששומר את התוצאה של הרצת SQL בטבלה ייעודית. אתם יכולים לשמור את הטבלה במערך נתונים חדש או קיים, או כטבלה חדשה או קיימת במערך נתונים. אחרי שיוצרים טבלת יעד, משתמשים במתג של SQL כדי לעדכן את הטבלה בזמן אמת כשמריצים מחדש את צומת ה-SQL הראשי.

צומת יעד יכול להפוך לצומת טבלה כשהוא מנותק מההורה שלו, והתוכן של הטבלה לא מושפע משינויים קודמים בצומת ה-SQL ההורה.

בצומת היעד, אתם יכולים לבצע את הפעולות הבאות:

מנתקים את הצומת מההורה כדי להפוך אותו לצומת טבלה עצמאי.
מריצים שאילתה על הטבלה בצומת SQL חדש.
מצרפים את התוצאות לטבלה אחרת.

צומת של תרשים להמחשה

ב-קנבס נתונים ב-BigQuery, צומת תצוגה חזותית מאפשר להציג נתונים באופן חזותי, וכך קל יותר להבין מגמות, דפוסים ותובנות. הוא מספק מגוון סוגי תרשימים לבחירה, ומאפשר לכם לבחור ולהתאים אישית את התצוגה החזותית הטובה ביותר לנתונים שלכם.

צומת תצוגה חזותית מקבל טבלה כקלט, שיכולה להיות תוצאה של שאילתת SQL או צומת טבלה. צומת התצוגה החזותית יוצר תרשים על סמך סוג התרשים שנבחר והנתונים בטבלת הקלט. אתם יכולים לבחור באפשרות Auto-Chart כדי לאפשר ל-BigQuery לבחור את סוג התרשים שהכי מתאים לנתונים שלכם. בצומת ההמחשה מוצג התרשים שנוצר.

צומת התצוגה החזותית מאפשר להתאים אישית את התרשים, כולל שינוי הצבעים, התוויות ומקורות הנתונים. אפשר גם לייצא את התרשים כקובץ PNG.

להמחיש נתונים באמצעות סוגי הגרפיקה הבאים:

תרשים עמודות
מפת חום
תרשים קווי
תרשים עוגה
תרשים פיזור

בצומת התצוגה החזותית, אתם יכולים לבצע את הפעולות הבאות:

מייצאים את התרשים כקובץ PNG.
מנפים באגים בצומת.
משכפלים את הצומת.
מריצים את הצומת.
מריצים את הצומת ואת הצומת הבא.

ב-קנבס נתונים אפשר לבצע את הפעולות הבאות:

ליצור תובנות לגבי התוצאות בצומת תובנות.
עורכים את התצוגה החזותית.

צומת תובנות

בקנבס הנתונים ב-BigQuery, צומת תובנות מאפשר לכם ליצור תובנות וסיכומים מהנתונים שבקנבס הנתונים. כך אפשר לזהות דפוסים, להעריך את איכות הנתונים ולבצע ניתוח סטטיסטי ב-Canvas. הוא מזהה מגמות, דפוסים, חריגות ומתאמים בנתונים, ויוצר סיכומים תמציתיים וברורים של תוצאות ניתוח הנתונים.

מידע נוסף על תובנות מנתונים זמין במאמר יצירת תובנות מנתונים ב-BigQuery.

בצומת התובנות אפשר לבצע את הפעולות הבאות:

מוחקים את הצומת.
משכפלים את הצומת.
מריצים את הצומת.

שימוש בקנבס הנתונים ב-BigQuery

אפשר להשתמש בקנבס נתונים ב-BigQuery ב Google Cloud מסוף, בשאילתה או בטבלה.

נכנסים לדף BigQuery.

כניסה ל-BigQuery
בעורך השאילתות, ליד שאילתת SQL, לוחצים על Create new, בוחרים באפשרות AI and knowledge ואז לוחצים על קנבס נתונים.
בשדה ההנחיה שפה טבעית, מזינים הנחיה בשפה טבעית.

לדוגמה, אם תזינו Find me tables related to trees, קנבס הנתונים ב-BigQuery יחזיר רשימה של טבלאות אפשריות, כולל מערכי נתונים שגלויים לכולם כמו bigquery-public-data.usfs_fia.plot_tree או bigquery-public-data.new_york_trees.tree_species.
בוחרים טבלה.

צומת טבלה של הטבלה שנבחרה נוסף לקנבס הנתונים ב-BigQuery. כדי לראות את פרטי הסכימה, את פרטי הטבלה או תצוגה מקדימה של הנתונים, בוחרים בכרטיסיות השונות בצומת הטבלה.
אופציונלי: אחרי ששומרים את קנבס הנתונים, אפשר להשתמש בסרגל הכלים הבא כדי לראות את פרטי קנבס הנתונים או את היסטוריית הגרסאות, להוסיף תגובות חדשות, להשיב לתגובה קיימת או לקבל קישור אליה:

התכונה תגובות בסרגל הכלים נמצאת בגרסת טרום-השקה (Preview). כדי לשלוח משוב או לבקש תמיכה בתכונה הזו, שלחו אימייל לכתובת bqui-workspace-pod@google.com.

אמצעי הבקרה של אזור העריכה

סרגל הכלים של קנבס הנתונים מספק את אמצעי הבקרה הבאים להוספת צמתים ולניהול התצוגה של הקנבס:

סרגל הכלים של קנבס הנתונים.

חיפוש: הוספת צומת חיפוש לקנבס.
‫SQL: הוספת צומת SQL לאזור העריכה.
טקסט: הוספת צומת Markdown או צומת טקסט לתגובות.
פקדי זום: מאפשרים להגדיר רמת זום ספציפית.
התאמה למסך: התאמה אוטומטית של מרחק התצוגה כדי להציג את כל התוכן בלוח.
Zoom to Selection: כוונון אוטומטי של מרחק התצוגה כדי להתמקד בצומת שנבחר.
הגדלת התצוגה: מגדילה את התצוגה של אזור העריכה. אפשר גם להגדיל את התצוגה על ידי לחיצה ארוכה על Control וגלילה באמצעות גלגל העכבר.
הקטנת התצוגה: מקטינה את התצוגה של אזור העריכה. אפשר גם להקטין את התצוגה על ידי לחיצה על Control וגלילה באמצעות גלגל העכבר.
מסך מלא: מעבר למצב מסך מלא של אזור העריכה.
סידור אזור העריכה: סידור אוטומטי של הצמתים באזור העריכה.
רענון הסצנה: הפעלת כל הצמתים שאפשר להפעיל בלחיצה על כפתור אחד.
פעולות נוספות: פתיחת אפשרויות נוספות, כמו ניקוי אזור הציור.

בדוגמאות הבאות מוסבר איך להשתמש בקנבס נתונים ב-BigQuery בתהליכי עבודה של ניתוח נתונים.

הגדרות לוח הציור

בחלונית Canvas settings יש את האפשרויות הבאות:

‫Location: המיקום שבו מעובד קנבס הנתונים. פרטים נוספים זמינים במאמר ציון מיקומים.
פרמטרים של שאילתה: מוסיפים פרמטרים לשימוש בשאילתות SQL בקנבס הנתונים.
ניהול משאבים: ניהול עדיפות של משימות שאילתה, שמירה במטמון והגדרות של משימות.
ניהול הקנבס: שליטה בתצוגה של פלט השאילתה בקנבס הנתונים.
Advanced options: בוחרים באפשרות Google-owned and Google-managed encryption key או באפשרות Customer-managed encryption key (CMEK), ומגדירים את מספר הבייטים המקסימלי לחיוב בשאילתות.

כדי לשנות את ההגדרות של קנבס הנתונים:

נכנסים לדף BigQuery.

כניסה ל-BigQuery
בחלונית הימנית, לוחצים על Explorer.
מרחיבים את שם הפרויקט ולוחצים על קנבס נתונים.
בדף קנבסי נתונים, לוחצים על הקישור של קנבס הנתונים שרוצים לעדכן.
לוחצים על הגדרות Canvas.
בקטע מיקום, בוחרים אחת מהאפשרויות הבאות:
1. בוחרים באפשרות Automatic location selection כדי לאפשר ל-BigQuery לקבוע אוטומטית את מיקום העיבוד על סמך המשאבים שאתם שולחים אליהם שאילתות.
2. לחלופין, כדי לנתב את המשימות באופן ידני:
  1. מבטלים את הבחירה באפשרות Automatic location selection ובוחרים Location type, או Region או Multi-region.
  2. בשדה region, מציינים את האזור, או בשדה multi-region מציינים את מספר האזורים.
  3. אם רוצים, בוחרים ב-Reservation את ההזמנה שבה ישתמשו המשימות ב-Canvas.
בקטע פרמטרים של שאילתה, בוחרים אחת מהאפשרויות הבאות:
1. לוחצים על Add parameter כדי להגדיר פרמטרים סטנדרטיים לשימוש בשאילתות SQL ב-canvas.
2. מזינים שם, סוג וערך לפרמטר.
הערה: פרמטרים של שאילתה במסוף Google Cloud תומכים רק בסוגים פרימיטיביים. לסוגים מורכבים כמו ARRAY,‏ STRUCT ו-JSON, צריך להשתמש בכלי שורת הפקודה bq או ב-BigQuery API.
בקטע ניהול משאבים, בוחרים אחת מהאפשרויות הבאות:
1. בשדה Job priority, בוחרים אם להריץ את השאילתות ב-Canvas בעדיפות Interactive או Batch.
2. בקטע Cache preference, בוחרים באפשרות Use cached results כדי לאפשר ל-BigQuery להחזיר תוצאות של שאילתות שנשמרו בעבר במטמון. שימוש בתוצאות שנשמרו במטמון יכול להפחית את העלויות ולשפר את הביצועים.
3. בשדה Job timeout, מזינים את משך הזמן המקסימלי לביצוע המשימה באלפיות השנייה. אם חורגים ממגבלת הזמן הזו, BigQuery מנסה לעצור את המשימה.
בקטע Canvas management, מבטלים את הבחירה באפשרות Omit node output when saving this canvas כדי לשמור במטמון את תוצאות השאילתה עם מצב ה-Canvas. הפעולה הזו שומרת רק את המבנה והשאילתות של ה-Canvas.
מרחיבים את הקטע Advanced options ובוחרים אחת מהאפשרויות הבאות:
1. בקטע Encryption, בוחרים באפשרות Google-managed keys או באפשרות Cloud KMS key, ומזינים את הסוג והערך של המפתח בניהול הלקוח.
2. בשדה Maximum bytes billed, מזינים את מגבלת הבייטים לחיוב בשאילתות. אם שאילתה חורגת מהמגבלה הזו, היא נכשלת בלי לצבור חיובים. אם לא מציינים את האפשרות הזו, מספר הבייטים המקסימלי לחיוב מוגדר לברירת המחדל של הפרויקט.
אחרי שמסיימים לשנות את ההגדרות, לוחצים על Save כדי להחיל אותן על קנבס הנתונים.

תהליך עבודה לדוגמה: חיפוש נתונים, שליחת שאילתות והצגת נתונים באופן חזותי

בדוגמה הזו, תשתמשו בפרומפטים בשפה טבעית בקנבס נתונים ב-BigQuery כדי למצוא נתונים, ליצור שאילתה ולערוך אותה. אחר כך יוצרים תרשים.

הנחיה 1: חיפוש נתונים

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה ל-BigQuery
בעורך השאילתות, ליד שאילתת SQL, לוחצים על Create new, בוחרים באפשרות AI and knowledge ואז לוחצים על קנבס נתונים.
לוחצים על חיפוש נתונים.
לוחצים על filter_list Edit search filters, ובחלונית Filter search מעבירים את המתג BigQuery public datasets למצב מופעל.
בשדה ההנחיה Natural language, מזינים את ההנחיה הבאה בשפה טבעית:
```
Chicago taxi trips
```
‫קנבס נתונים ב-BigQuery יוצר רשימה של טבלאות פוטנציאליות על סמך המטא-נתונים של Knowledge Catalog. אפשר לבחור כמה טבלאות.
בוחרים טבלה אחת (bigquery-public-data.chicago_taxi_trips.taxi_trips) ולוחצים על Add to canvas.

צומת טבלה של taxi_trips נוסף לקנבס הנתונים ב-BigQuery. כדי לראות את פרטי הסכימה, פרטי הטבלה או תצוגה מקדימה של הנתונים, בוחרים בכרטיסיות השונות בצומת הטבלה.

הנחיה 2: יצירת שאילתת SQL בטבלה שנבחרה

כדי ליצור שאילתת SQL לטבלה bigquery-public-data.chicago_taxi_trips.taxi_trips:

ב-קנבס נתונים, לוחצים על Query.

בשדה ההנחיה שפה טבעית, מזינים את הטקסט הבא:

Get me the 100 longest trips

קנבס הנתונים ב-BigQuery יוצר שאילתת SQL שדומה לזו:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `bigquery-public-data.chicago_taxi_trips.taxi_trips`
ORDER BY
  trip_miles DESC
LIMIT
  100;

הנחיה 3: עריכת השאילתה

כדי לערוך את השאילתה שנוצרה, אתם יכולים לערוך אותה ידנית או לשנות את ההנחיה בשפה טבעית וליצור את השאילתה מחדש. בדוגמה הזו, משתמשים בהנחיה בשפה טבעית כדי לערוך את השאילתה כך שתבחר רק נסיעות שבהן הלקוח שילם במזומן.

בשדה ההנחיה שפה טבעית, מזינים את הטקסט הבא:

Get me the 100 longest trips where the payment type is cash

קנבס הנתונים ב-BigQuery יוצר שאילתת SQL שדומה לזו:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `PROJECT_ID.chicago_taxi_trips_123123.taxi_trips`
WHERE
  payment_type = 'Cash'
ORDER BY
  trip_miles DESC
LIMIT
  100;

בדוגמה שלמעלה, PROJECT_ID הוא המזהה של הפרויקט ב- Google Cloud .

כדי לראות את תוצאות השאילתה, לוחצים על Run.

יצירת תרשים

ב-קנבס נתונים, לוחצים על Visualize.
לוחצים על יצירת תרשים עמודות.

קנבס נתונים ב-BigQuery יוצר תרשים עמודות שמציג את מספר הקילומטרים הגבוה ביותר לפי מזהה נסיעה. בנוסף לתרשים, קנבס הנתונים ב-BigQuery מסכם כמה מהפרטים העיקריים של הנתונים שעליהם מבוססת התצוגה החזותית.
אופציונלי: מבצעים אחת או יותר מהפעולות הבאות:
- כדי לשנות את התרשים, לוחצים על Edit ועורכים את התרשים בחלונית Edit visualization.
- כדי לשתף את קנבס הנתונים, לוחצים על Share ואז על Share Link כדי להעתיק את הקישור לקנבס הנתונים ב-BigQuery.
- כדי לנקות את קנבס הנתונים, לוחצים על פעולות נוספות ואז על ניקוי הקנבס. בשלב הזה, תקבלו קנבס ריק.

תהליך עבודה לדוגמה: צירוף טבלאות

בדוגמה הזו, משתמשים בפרומפטים בשפה טבעית בקנבס נתונים ב-BigQuery כדי למצוא נתונים ולצרף טבלאות. לאחר מכן, תייצאו שאילתה כ-notebook.

הנחיה 1: חיפוש נתונים

בשדה ההנחיה שפה טבעית, מזינים את ההנחיה הבאה:
```
Information about trees
```
קנבס נתונים ב-BigQuery מציע כמה טבלאות עם מידע על עצים.
בדוגמה הזו, בוחרים את הטבלה bigquery-public-data.new_york_trees.tree_census_1995 ולוחצים על Add to canvas.

הטבלה מוצגת בלוח הציור.

הנחיה 2: Join the tables on their address

ב-קנבס נתונים, לוחצים על Join.

קנבס הנתונים ב-BigQuery מציע טבלאות שאפשר לצרף.
כדי לפתוח שדה פרומפט חדש של שפה טבעית, לוחצים על Search for tables.
בשדה ההנחיה שפה טבעית, מזינים את ההנחיה הבאה:
```
Information about trees
```
בוחרים את הטבלה bigquery-public-data.new_york_trees.tree_census_2005 ולוחצים על Add to canvas.

הטבלה מוצגת בלוח הציור.
ב-קנבס נתונים, לוחצים על Join.
בקטע On this canvas, מסמנים את התיבה Table cell ולוחצים על OK.
בשדה ההנחיה שפה טבעית, מזינים את ההנחיה הבאה:
```
Join on address
```
קנבס הנתונים ב-BigQuery מציע את שאילתת ה-SQL כדי לאחד את שתי הטבלאות האלה לפי הכתובת שלהן:
```
SELECT
  *
FROM
  `bigquery-public-data.new_york_trees.tree_census_2015` AS t2015
JOIN
  `bigquery-public-data.new_york_trees.tree_census_1995` AS t1995
ON
  t2015.address = t1995.address;
```
כדי להריץ את השאילתה ולראות את התוצאות, לוחצים על Run.

ייצוא שאילתה כ-notebook

קנבס נתונים ב-BigQuery מאפשר לכם לייצא את השאילתות שלכם כ-notebook.

ב-קנבס נתונים, לוחצים על Export as notebook.
בחלונית Save Notebook, מזינים את שם ה-notebook ואת האזור שבו רוצים לשמור אותו.
לוחצים על Save. ה-notebook נוצר.
אופציונלי: כדי לראות את ה-Notebook שנוצר, לוחצים על פתיחה.

דוגמה לתהליך עבודה: עריכת תרשים באמצעות הנחיה

בדוגמה הזו, משתמשים בפרומפטים בשפה טבעית בקנבס נתונים ב-BigQuery כדי למצוא נתונים, לשלוח עליהם שאילתות ולסנן אותם, ואז לערוך את פרטי התצוגה החזותית.

הנחיה 1: חיפוש נתונים

כדי למצוא נתונים על שמות בארה"ב, מזינים את ההנחיה הבאה:
```
Find data about USA names
```
קנבס הנתונים ב-BigQuery יוצר רשימה של טבלאות.
בדוגמה הזו, בוחרים את הטבלה bigquery-public-data.usa_names.usa_1910_current ולוחצים על Add to canvas.

הנחיה 2: שליחת שאילתה על הנתונים

כדי לשלוח שאילתה על הנתונים, לוחצים על Query בקנבס הנתונים ומזינים את ההנחיה הבאה:
```
Summarize this data
```
קנבס הנתונים ב-BigQuery יוצר שאילתה שדומה לזו:
```
SELECT
  state,
  gender,
  year,
  name,
  number
FROM
  `bigquery-public-data.usa_names.usa_1910_current`
```
לוחצים על Run. תוצאות השאילתה מוצגות.

הנחיה 3: סינון הנתונים

ב-קנבס נתונים, לוחצים על Query these results.
כדי לסנן את הנתונים, בשדה ההנחיה SQL מזינים את ההנחיה הבאה:
```
Get me the top 10 most popular names in 1980
```
קנבס הנתונים ב-BigQuery יוצר שאילתה שדומה לזו:
```
SELECT
  name,
  SUM(number) AS total_count
FROM
  `bigquery-public-data`.usa_names.usa_1910_current
WHERE
  year = 1980
GROUP BY
  name
ORDER BY
  total_count DESC
LIMIT
  10;
```
כשמריצים את השאילתה, מקבלים טבלה עם עשרת השמות הנפוצים ביותר של ילדים שנולדו בשנת 1980.

יצירה ועריכה של תרשים

ב-קנבס נתונים, לוחצים על Visualize.

קנבס נתונים ב-BigQuery מציע כמה אפשרויות להמחשה חזותית, כולל תרשים עמודות, תרשים עוגה, תרשים קו והמחשה חזותית בהתאמה אישית.
בדוגמה הזו, לוחצים על יצירת תרשים עמודות.

קנבס הנתונים ב-BigQuery יוצר תרשים עמודות שדומה לזה:

בנוסף לתרשים, קנבס הנתונים ב-BigQuery מסכם כמה מהפרטים העיקריים של הנתונים שעליהם מבוססת התצוגה החזותית. כדי לשנות את התרשים, לוחצים על Visualization details ועורכים את התרשים בחלונית הצדדית.

הנחיה 4: עריכת פרטי התצוגה החזותית

בשדה ההנחיה Visualization, מזינים את הטקסט הבא:
```
Create a bar chart sorted high to low, with a gradient
```
קנבס הנתונים ב-BigQuery יוצר תרשים עמודות שדומה לזה:
אופציונלי: כדי לבצע שינויים נוספים, לוחצים על עריכה.

החלונית Edit visualization מוצגת. אתם יכולים לערוך פרטים כמו כותרת התרשים, שם ציר ה-X ושם ציר ה-Y. בנוסף, אם לוחצים על הכרטיסייה JSON Editor, אפשר לערוך את התרשים ישירות על סמך ערכי ה-JSON.

איך עובדים עם Gemini Assistant

אתם יכולים להשתמש בצ'אט מבוסס-Gemini כדי לעבוד עם קנבס הנתונים ב-BigQuery. העוזר הדיגיטלי בצ'אט יכול ליצור צמתים על סמך הבקשות שלכם, להריץ שאילתות וליצור תצוגות חזותיות. אתם יכולים לבחור טבלאות שהעוזר יעבוד איתן, ולהוסיף הוראות לעוזר כדי לכוון את ההתנהגות שלו. העוזר הדיגיטלי פועל עם קנבסי נתונים חדשים או קיימים.

כדי לעבוד עם Gemini:

כדי לפתוח את Assistant, בקנבס הנתונים לוחצים על spark Open Data Canvas Assistant.
בשדה Ask a data question, מזינים הנחיה בשפה טבעית, לדוגמה:
- Show me interesting statistics of my data.
- Make a chart based on my data, sorted high to low.
- I want to see sample data from my table.
התשובה כוללת צומת או צמתים על סמך הבקשה. לדוגמה, אם מבקשים מה-Assistant ליצור תרשים של הנתונים, היא יוצרת צומת של תצוגה חזותית בקנבס הנתונים.

כשלוחצים על השדה שאלה לגבי הנתונים, אפשר גם:
- כדי להוסיף נתונים, לוחצים על הגדרות.
- כדי להוסיף הוראות, לוחצים על הגדרות.
כדי להמשיך לעבוד עם העוזר הדיגיטלי, מוסיפים עוד הנחיות בשפה טבעית.

אתם יכולים להמשיך להזין הנחיות בשפה טבעית בזמן שאתם עובדים עם קנבס הנתונים.

הוספת נתונים

כשאתם עובדים עם ממשק הצ'אט של Gemini, אתם יכולים להוסיף נתונים כדי שהעוזר הדיגיטלי יידע לאיזו קבוצת נתונים להתייחס. הכלי מבקש מכם לבחור טבלה לפני שאתם מריצים הנחיות. כשמחפשים נתונים ב-Assistant, אפשר להגביל את היקף הנתונים שניתן לחפש לכל הפרויקטים, לפרויקטים המסומנים בכוכב או לפרויקט הנוכחי. אתם יכולים גם להחליט אם לכלול קבוצות נתונים שגלויות לכולם בחיפוש.

כדי להוסיף נתונים ל-Gemini:

כדי לפתוח את Assistant, בקנבס הנתונים לוחצים על spark Open Data Canvas Assistant.
לוחצים על הגדרות ואז על הוספת נתונים.
אופציונלי: כדי להרחיב את תוצאות החיפוש כך שיכללו מערכי נתונים שגלויים לכולם, מעבירים את המתג Public datasets למצב מופעל.
אופציונלי: כדי לשנות את היקף תוצאות החיפוש לפרויקטים אחרים, בוחרים את אפשרות הפרויקט המתאימה בתפריט Scope.
מסמנים את התיבה לצד כל אחת מהטבלאות שרוצים להוסיף ל-Assistant.
1. כדי לחפש טבלאות שלא הוצעו על ידי העוזר הדיגיטלי, לוחצים על Search for tables.
2. בשדה ההנחיה שפה טבעית, מזינים הנחיה שמתארת את הטבלה שמחפשים, ואז מקישים על Enter.
3. מסמנים את התיבה של כל אחת מהטבלאות שרוצים להוסיף לעוזר הדיגיטלי ולוחצים על Ok.
סוגרים את החלונית הגדרות של Canvas Assistant.

הניתוח של Assistant מבוסס על הנתונים שבחרתם.

הוספת הוראות

כשעובדים עם ממשק הצ'אט של Gemini, אפשר להוסיף הוראות כדי שהעוזר הדיגיטלי ידע איך להתנהג. ההוראות האלה חלות על כל ההנחיות בקנבס הנתונים. דוגמאות להוראות אפשריות:

Visualize trends over time.
Chart colors: Red (negative), Green (positive)
Domain: USA

כדי להוסיף הוראות לעוזר הדיגיטלי:

כדי לפתוח את Assistant, בקנבס הנתונים לוחצים על spark Open Data Canvas Assistant.
לוחצים על הגדרות.
בשדה Instructions, מוסיפים רשימה של הוראות ל-Assistant וסוגרים את החלונית Canvas assistant settings.

ה-Assistant זוכרת את ההוראות ומיישמת אותן בהנחיות הבאות.

שיטות מומלצות לשימוש ב-Gemini Assistant

כדי לקבל את התוצאות הכי טובות כשעובדים עם BigQuery data canvas assistant, כדאי לפעול לפי השיטות המומלצות הבאות:

התיאור צריך להיות ספציפי וחד-משמעי. ציינו בבירור מה אתם רוצים לחשב, לנתח או להמחיש. לדוגמה, במקום Analyze trip data, אומרים Calculate the average trip duration for trips starting in council district eight.
לוודא שההקשר של הנתונים מדויק. העוזר הדיגיטלי יכול לעבוד רק עם הנתונים שאתם מספקים. מוודאים שכל הטבלאות והעמודות הרלוונטיות נוספו לאזור העריכה.
מתחילים בקטן, ואז משפרים. התחילו בשאלה פשוטה כדי לוודא שהעוזר הדיגיטלי מבין את המבנה הבסיסי ואת הנתונים. לדוגמה, קודם אומרים Show total trips by subscriber_type ואז אומרים Show total trips by subscriber_type and break down the result by council_district.
לפצל שאלות מורכבות. בתהליכים עם כמה שלבים, כדאי לנסח את ההנחיה בצורה ברורה עם חלקים נפרדים, או להשתמש בהנחיות נפרדות לכל שלב עיקרי. לדוגמה, אומרים First, find the top five busiest stations by trip count. Second, calculate the average trip duration for trips starting from only those top five stations.
הציגו את החישובים בצורה ברורה. מציינים את החישוב שנבחר, למשל SUM,‏ MAX או AVERAGE. לדוגמה, אומרים Find the MAX trip duration per bike_id.
שימוש בהוראות מערכת להקשר ולהעדפות קבועות. אתם יכולים להשתמש בהוראות מערכת כדי לציין כללי מידע והעדפות שחלים על כל ההנחיות.
בודקים את ה-canvas. חשוב תמיד לבדוק את הצמתים שנוצרו כדי לוודא שהלוגיקה תואמת לבקשה שלכם ושהתוצאות מדויקות.
ניסוי. נסו ניסוחים שונים, רמות פירוט שונות ומבני הנחיות שונים כדי ללמוד איך ה-Assistant מגיבה לנתונים הספציפיים ולצרכים האנליטיים שלכם.
שמות העמודות של קובצי העזר. כשאפשר, השתמשו בשמות העמודות בפועל מהנתונים שבחרתם. לדוגמה, במקום Show trips by subscriber type, אפשר להגיד Show the count of trips grouped by subscriber_type and start_station_name.

דוגמה לתהליך עבודה: עבודה עם Gemini כעוזר אישי

בדוגמה הזו, אתם משתמשים בהנחיות בשפה טבעית עם Gemini כדי למצוא נתונים, לשלוח שאילתות ולהמחיש נתונים באופן חזותי.

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה ל-BigQuery
בעורך השאילתות, ליד שאילתת SQL, לוחצים על Create new, בוחרים באפשרות AI and knowledge ואז לוחצים על קנבס נתונים.
לוחצים על חיפוש נתונים.
לוחצים על filter_list Edit search filters, ובחלונית Filter search מעבירים את המתג BigQuery public datasets למצב מופעל.
בשדה ההנחיה Natural language, מזינים את ההנחיה הבאה בשפה טבעית:
```
bikeshare
```
‫קנבס נתונים ב-BigQuery יוצר רשימה של טבלאות פוטנציאליות על סמך המטא-נתונים של Knowledge Catalog. אפשר לבחור כמה טבלאות.
בוחרים את הטבלה bigquery-public-data.austin_bikeshare.bikeshare_stations ואת bigquery-public-data.austin_bikeshare.bikeshare_trips, ואז לוחצים על Add to canvas.

צומת טבלה לכל אחת מהטבלאות שנבחרו נוסף לקנבס הנתונים ב-BigQuery. כדי לראות את פרטי הסכימה, פרטי הטבלה או תצוגה מקדימה של הנתונים, בוחרים בכרטיסיות השונות בצומת הטבלה.
כדי לפתוח את Assistant, בקנבס הנתונים לוחצים על spark Open Data Canvas Assistant.
לוחצים על הגדרות.

בשדה Instructions, מוסיפים את ההוראות הבאות ל-Assistant:

Tasks:
  - Visualize findings with charts
  - Show many charts per question
  - Make sure to cover each part via a separate line of reasoning

סוגרים את החלונית הגדרות של Canvas Assistant.
בשדה Ask a data question, מזינים את ההנחיה הבאה בשפה טבעית:
```
Show the number of trips by council district and subscriber type
```
אתם יכולים להמשיך להזין הנחיות בשדה הזנת שאלה לגבי הנתונים. מזינים את ההנחיה הבאה בשפה טבעית:
```
What are most popular stations among the top 5 subscriber types
```
מזינים את ההנחיה הסופית:
```
What station is least used to start and end a trip
```
אחרי שתזינו את כל ההנחיות הרלוונטיות, אזור העריכה יתמלא בצומתי השאילתות וההמחשות הרלוונטיים, בהתאם להנחיות ולהוראות שנתתם ל-Assistant. כדי לקבל את התוצאות הרצויות, אתם יכולים להמשיך להזין הנחיות או לשנות הנחיות קיימות.

הצגת כל קנבסי הנתונים

כדי לראות רשימה של כל קנבסי הנתונים בפרויקט:

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה ל-BigQuery
בחלונית הימנית, לוחצים על Explorer:

אם החלונית הימנית לא מוצגת, לוחצים על הרחבת החלונית הימנית כדי לפתוח אותה.
בחלונית Explorer, לוחצים על View actions ליד קנבסי נתונים, ואז מבצעים אחת מהפעולות הבאות:

כדי לפתוח את הרשימה בכרטיסייה הנוכחית, לוחצים על הצגת הכול.
כדי לפתוח את הרשימה בכרטיסייה חדשה, לוחצים על הצגת הכול ב> כרטיסייה חדשה.
כדי לפתוח את הרשימה בכרטיסייה מפוצלת, לוחצים על הצגת הכול ב> כרטיסייה מפוצלת.

הצגת המטא-נתונים של קנבס הנתונים

כדי לראות את המטא-נתונים של קנבס הנתונים:

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה ל-BigQuery
בחלונית הימנית, לוחצים על Explorer:
בחלונית Explorer, מרחיבים את הפרויקט ולוחצים על קנבסי נתונים.
לוחצים על השם של קנבס הנתונים שרוצים לראות את המטא-נתונים שלו.
לוחצים על Details כדי לראות מידע על קנבס הנתונים, כמו האזור שבו הוא משתמש והתאריך שבו הוא שונה לאחרונה.

עבודה עם גרסאות של קנבס נתונים

אתם יכולים ליצור קנבס נתונים בתוך מאגר או מחוץ לו. ניהול הגרסאות של קנבס הנתונים מטופל באופן שונה בהתאם למיקום של קנבס הנתונים.

ניהול גרסאות של קנבס נתונים במאגרים

מאגרים הם מאגרי Git שנמצאים ב-BigQuery או אצל ספק צד שלישי. אתם יכולים להשתמש בסביבות עבודה במאגרים כדי לנהל גרסאות של קנבסי נתונים. מידע נוסף זמין במאמר שימוש בניהול גרסאות בקובץ.

ניהול גרסאות של קנבס נתונים מחוץ למאגרים

אתם יכולים לראות, להשוות ולשחזר גרסאות של קנבס נתונים.

הצגה והשוואה של גרסאות של קנבס נתונים

כדי לראות גרסאות שונות של קנבס נתונים ולהשוות אותן לגרסה הנוכחית:

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה ל-BigQuery
בחלונית הימנית, לוחצים על Explorer:
בחלונית Explorer, מרחיבים את הפרויקט ולוחצים על קנבסי נתונים.
לוחצים על השם של קנבס הנתונים שרוצים לראות את היסטוריית הגרסאות שלו.
לוחצים על היסטוריית גרסאות כדי לראות רשימה של גרסאות קנבס הנתונים בסדר יורד לפי תאריך.
לוחצים על View actions ליד גרסה של קנבס הנתונים ואז על Compare. נפתח חלונית השוואה בין הגרסה שבחרתם לגרסה הנוכחית של קנבס הנתונים.
אופציונלי: כדי להשוות בין הגרסאות בשורה במקום בחלוניות נפרדות, לוחצים על השוואה ואז על בשורה.

שחזור גרסה של קנבס נתונים

כשמשחזרים מחלונית ההשוואה, אפשר להשוות בין הגרסה הקודמת של קנבס הנתונים לבין הגרסה הנוכחית לפני שבוחרים אם לשחזר אותה.

בחלונית הימנית, לוחצים על Explorer:
בחלונית Explorer, מרחיבים את הפרויקט ולוחצים על קנבסי נתונים.
לוחצים על השם של קנבס הנתונים שרוצים לשחזר גרסה קודמת שלו.
לוחצים על היסטוריית גרסאות.
לוחצים על View actions ליד הגרסה של קנבס הנתונים שרוצים לשחזר, ואז לוחצים על Compare.

נפתח חלונית השוואה, שבה מוצגת השוואה בין הגרסה שבחרתם לבין הגרסה האחרונה של קנבס הנתונים.
כדי לשחזר את הגרסה הקודמת של קנבס הנתונים אחרי ההשוואה, לוחצים על Restore.
לוחצים על אישור.

ניהול מטא-נתונים ב-Knowledge Catalog

ב-Knowledge Catalog אתם יכולים לראות ולנהל את המטא-נתונים של קנבסי נתונים. כברירת מחדל, קנבסי נתונים זמינים ב-Knowledge Catalog בלי הגדרות נוספות.

אתם יכולים להשתמש ב-Knowledge Catalog כדי לנהל את קנבסי הנתונים בכל המיקומים של BigQuery. ניהול של קנבסי נתונים ב-Knowledge Catalog כפוף למכסות ולמגבלות של Knowledge Catalog ולתמחור של Knowledge Catalog.

‫Knowledge Catalog מאחזר באופן אוטומטי את המטא-נתונים הבאים מקנבסי נתונים:

שם נכס הנתונים
נכס הורה של נכס נתונים
המיקום של נכס הנתונים
סוג נכס הנתונים
הפרויקט התואם ב- Google Cloud

ב-Knowledge Catalog, קנבסי נתונים מתועדים כרשומות עם ערכי הרשומות הבאים:

קבוצת רשומות מערכת: קבוצת הרשומות של המערכת של קנבסי נתונים היא @dataform. כדי לראות את הפרטים של רשומות קנבס הנתונים ב-Knowledge Catalog, צריך להציג את קבוצת הרשומות של המערכת dataform. במאמר הצגת הפרטים של קבוצת רשומות שבמסמכי התיעוד של Knowledge Catalog מוסבר איך להציג רשימה של כל הרשומות בקבוצת רשומות.
סוג רשומה במערכת: סוג הרשומה במערכת עבור קנבסי נתונים הוא dataform-code-asset. כדי לראות פרטים של קנבס נתונים, צריך להציג את סוג הרשומה dataform-code-asset במערכת, לסנן את התוצאות באמצעות מסנן שמבוסס על היבטים ולהגדיר את השדה type בהיבט dataform-code-asset לערך DATA_CANVAS. לאחר מכן, בוחרים רשומה בקנבס הנתונים שנבחר. במאמר הצגת פרטים של סוג רשומה שבמסמכי התיעוד של Knowledge Catalog מוסבר איך להציג פרטים של סוג רשומה שנבחר. במאמר הצגת פרטים של רשומה שבמסמכי התיעוד של Knowledge Catalog מוסבר איך להציג פרטים של רשומה שנבחרה.
סוג היבט המערכת: סוג ההיבט של המערכת עבור קנבסי נתונים הוא dataform-code-asset. כדי לספק הקשר נוסף לגבי קנבסי נתונים ב-Knowledge Catalog, אפשר להוסיף היבטים לרשומות של קנבס הנתונים. לשם כך, צריך להציג את סוג ההיבט dataform-code-asset, לסנן את התוצאות באמצעות מסנן שמבוסס על היבטים ולהגדיר את השדה type בתוך ההיבט dataform-code-asset לערך DATA_CANVAS. הוראות להוספת הערות לרשומות עם היבטים מופיעות במאמר ניהול היבטים והעשרת מטא-נתונים במסמכי התיעוד של Knowledge Catalog.
סוג: הסוג של קנבס נתונים הוא DATA_CANVAS. הסוג הזה מאפשר לסנן גיליונות נתונים בסוג הרשומה dataform-code-asset של המערכת ובסוג המאפיין dataform-code-asset באמצעות השאילתה aspect:dataplex-types.global.dataform-code-asset.type=DATA_CANVAS במסנן מבוסס-מאפיינים.

במאמר חיפוש נכסי נתונים ב-Knowledge Catalog שבמסמכי התיעוד של Knowledge Catalog מוסבר איך לחפש נכסים ב-Knowledge Catalog.

תמחור

סקירה כללית על התמחור של Gemini ב-BigQuery

מיקומים

אפשר להשתמש בקנבס נתונים ב-BigQuery בכל המיקומים של BigQuery. במאמר איפה Gemini ב-BigQuery מעבד את הנתונים שלכם מוסבר איפה Gemini ב-BigQuery מעבד את הנתונים שלכם.

שליחת משוב

כדי לעזור לנו לשפר את ההצעות של קנבס נתונים ב-BigQuery, אתם יכולים לשלוח משוב ל-Google. כדי לשלוח משוב:

בסרגל הכלים של קנבס נתונים ב-BigQuery, לוחצים על More actions ואז על Submit feedback.
לוחצים על הקטגוריה שהמשוב מתייחס אליה.
בשדה תיאור המשוב (נדרש), כותבים את המשוב.
אופציונלי: כדי לצרף ל-BigQuery צילום מסך של קנבס הנתונים, לוחצים על screenshot_monitor Capture screenshot.
אם רוצים לצרף את היסטוריית היצירה, בוחרים באפשרות אני מרשה ל-Google לאסוף את היסטוריית היצירה שלי ולשלוח אותה עם המשוב.
לוחצים על שליחה.

הגדרות שיתוף הנתונים חלות על כל הפרויקט, ורק אדמין של הפרויקט שיש לו את הרשאות ה-IAM‏ serviceusage.services.enable ו-serviceusage.services.list יכול לקבוע אותן.

כדי לשלוח משוב ישיר על התכונה הזו, אתם יכולים גם לפנות לכתובת datacanvas-feedback@google.com.

ניתוח באמצעות קנבס נתונים ב-BigQuery

יכולות

מגבלות

שיטות מומלצות להנדסת פרומפטים

לפני שמתחילים

התפקידים הנדרשים

שיקולי אבטחה בקנבס נתונים

סוגי הצמתים

צומת טקסט

צומת חיפוש

צומת טבלה

צומת SQL

צומת היעד

צומת של תרשים להמחשה

צומת תובנות

שימוש בקנבס הנתונים ב-BigQuery

אמצעי הבקרה של אזור העריכה

הגדרות לוח הציור

תהליך עבודה לדוגמה: חיפוש נתונים, שליחת שאילתות והצגת נתונים באופן חזותי

הנחיה 1: חיפוש נתונים

הנחיה 2: יצירת שאילתת SQL בטבלה שנבחרה

הנחיה 3: עריכת השאילתה

יצירת תרשים

תהליך עבודה לדוגמה: צירוף טבלאות

הנחיה 1: חיפוש נתונים

הנחיה 2: Join the tables on their address

ייצוא שאילתה כ-notebook

דוגמה לתהליך עבודה: עריכת תרשים באמצעות הנחיה

הנחיה 1: חיפוש נתונים

הנחיה 2: שליחת שאילתה על הנתונים

הנחיה 3: סינון הנתונים

יצירה ועריכה של תרשים

הנחיה 4: עריכת פרטי התצוגה החזותית

איך עובדים עם Gemini Assistant

הוספת נתונים

הוספת הוראות

שיטות מומלצות לשימוש ב-Gemini Assistant

דוגמה לתהליך עבודה: עבודה עם Gemini כעוזר אישי

הצגת כל קנבסי הנתונים

הצגת המטא-נתונים של קנבס הנתונים

עבודה עם גרסאות של קנבס נתונים

ניהול גרסאות של קנבס נתונים במאגרים

ניהול גרסאות של קנבס נתונים מחוץ למאגרים

הצגה והשוואה של גרסאות של קנבס נתונים

שחזור גרסה של קנבס נתונים

ניהול מטא-נתונים ב-Knowledge Catalog

תמחור

מיקומים

שליחת משוב

המאמרים הבאים