Anreicherungstasks

Mit Aufgaben zur Anreicherung des Knowledge Catalog können Sie die Metadatenkuratierung automatisieren und domänenspezifische Kontextsets erstellen, indem Sie Ihre Dataset-Schemas, Abfragelogs und Unternehmensdokumentation analysieren. Mit diesen generierten Vorschlägen können Sie den manuellen Dokumentationsaufwand reduzieren und nachgelagerte KI-Agenten mit verifiziertem Geschäftskontext fundieren.

Dieses Dokument richtet sich an Data Stewards, Data Engineers und Plattformadministratoren, die mit den wichtigsten Konzepten des Knowledge Catalog vertraut sind und wissen möchten, wie Anreicherungsaufgaben funktionieren. Informationen zum sofortigen Konfigurieren und Ausführen einer Anreicherungsaufgabe finden Sie unter Anreicherungsaufgaben erstellen.

Vorteile von Anreicherungstasks

Anreicherungsaufgaben lösen das Problem, große Data Catalogs korrekt und auf dem neuesten Stand zu halten.

Aspekt Herkömmlicher Ansatz Knowledge Studio-Ansatz
Prozess Handschriftliche Beschreibungen Stewards überprüfen manuell Tausende von Tabellen und befragen Domain-Experten. Agentengesteuert. Ein autonomer Agent analysiert Daten und liest Standardbetriebsverfahren.
Geschwindigkeit und Skalierbarkeit Langsam und schwierig zu verwalten, da sich Schemas im Laufe der Zeit ändern. Hoch skalierbar. Es werden kontinuierlich hochwertige Metadatenvorschläge generiert.
Menschlicher Aufwand Hoch. Umfangreiche manuelle Dateneingabe und laufende Wartung. Niedrig. Data Stewards müssen die generierten Vorschläge nur prüfen und genehmigen.

Anwendungsfälle für Anreicherungsaufgaben

Mit Anreicherungsaufgaben können Organisationen die folgenden häufigen Herausforderungen im Zusammenhang mit Metadaten bewältigen:

  • Integration von Akquisitionen: Ein Unternehmen erwirbt eine neue Geschäftseinheit mit Tausenden von nicht dokumentierten Daten-Assets. Data Engineers verweisen mit einer Anreicherungsaufgabe auf das neue Dataset und stellen die Datenverzeichnisse des übernommenen Unternehmens als Wissenssignal bereit. Dabei handelt es sich um Referenzmaterial, das dem KI-Agenten unternehmensspezifischen Kontext liefert. Der Agent schlägt in wenigen Stunden statt Monaten geschäftsorientierte Beschreibungen für das gesamte Dataset vor.

  • Kontinuierliche Dokumentation: Ein Plattform-Engineering-Team erstellt ein dynamisches Lakehouse, in dem sich Schemas täglich ändern. Das Team konfiguriert eine Anreicherungsaufgabe, die täglich ausgeführt wird, und aktiviert die automatische Veröffentlichung, damit verifizierte Metadatenaktualisierungen automatisch ohne manuelle Überprüfung angewendet werden. Durch die automatische Veröffentlichung wird sichergestellt, dass der Katalog immer die neuesten Schemaänderungen widerspiegelt.

  • Semantische Governance: Ein zentrales Datenbüro möchte die Terminologie in allen Abteilungen standardisieren. Das Team konfiguriert eine Anreicherungsaufgabe, um ein genehmigtes Unternehmensglossar als Referenzmaterial zu verwenden. Der Agent gleicht dann die Tabellen- und Spaltenbeschreibungen mit diesen offiziellen Definitionen ab, um eine einheitliche Terminologie im gesamten Katalog zu gewährleisten, ohne die ursprünglichen Datenquellen zu ändern.

Wichtige Konzepte

Wenn Sie eine Anreicherungsaufgabe konfigurieren, arbeiten Sie mit den folgenden Kernkomponenten und optionalen Ressourcen:

Kontextsatz (erforderlich)

Ein begrenzter Container mit Zieldaten-Assets und Metadaten. Jede Anreicherungsaufgabe ist auf einen Kontextsatz ausgerichtet und jeder Kontextsatz kann nur von einer Anreicherungsaufgabe angereichert werden. Anreicherungsaufgaben überschreiben keine Beschreibungen in Ihren zugrunde liegenden BigQuery-Ressourcen und erstellen keine Begriffe im Unternehmensglossar. Stattdessen werden generierte Beschreibungen, Konzepte und Spalten-zu-Glossar-Verknüpfungen als Overlay-Einträge im Kontextset gespeichert und generierte Einträge mit zugrunde liegenden Tabellen über reference-Eintragsverknüpfungen (projects/dataplex-types/locations/global/entryLinkTypes/reference) verknüpft. Das Kontextset kann vorab ausgefüllte Zielressourcen (z. B. ein BigQuery-Dataset oder ein Lakehouse) enthalten. Sie können aber auch ein leeres Kontextset erstellen und optional Zielressourcen hinzufügen, wenn Sie die Anreicherungsaufgabe konfigurieren.

Beispiel: Ein Marketingkontext-Set, das Ihre Kampagnentabellen, ROAS-Messwerte und Terminologieglossare logisch in einer einzigen KI-Kontextgrenze zusammenfasst.

Anreicherungstask

Die Konfiguration, die definiert, was der Agent tun muss. Eine Aufgabe enthält den erforderlichen Kontext und Zeitplan sowie alle optionalen Zieldaten-Assets, Wissenssignale, Bewertungssets oder selbstlernenden Quellen, die Sie beim Erstellen oder Bearbeiten der Aufgabe konfigurieren.

Beispiel: Eine Aufgabe, die den Agenten anweist, jeden Sonntag um Mitternacht Ihre GitHub-Repositories zu lesen und Ihr finance-Dataset anzureichern.

Anreicherungsjob
Der Backend-Orchestrierungsprozess in Knowledge Studio, der eine Anreicherungsaufgabe ausführt.
Anreicherungsausführung

Eine einzelne Ausführungsinstanz einer Aufgabe zu einem bestimmten Zeitpunkt. Die Knowledge Studio-Konsole enthält den Tab Jobs, auf dem die bisherigen Ausführungen einer Aufgabe aufgeführt sind. Sie können eine bestimmte Ausführung öffnen, um die generierten Metadatenvorschläge zu prüfen.

Beispiel: Die spezifische Ausführungsinstanz, die am 24. Oktober aufgetreten ist und zu 15 vorgeschlagenen Spaltenänderungen geführt hat.

Wissenssignale (optional)
Externe Referenzmaterialien, die den Agenten in die Realität Ihres Unternehmens einbinden. Wenn Sie beim Erstellen einer Aufgabe oder beim Bearbeiten des Aufgabenbereichs Cloud Storage-Buckets, ‑Ordner oder ‑Dateien mit Datenwörterbüchern, Knowledge Catalog-Glossaren oder URLs zu interner Dokumentation angeben, sorgt das dafür, dass der Agent Ihre spezifische Geschäftslogik verwendet, anstatt allgemeine Vermutungen anzustellen.
Bewertungs-Datasets (optional)

Testfragen und entsprechende SQL-Abfragen (im .jsonl-Format, wenn Sie eine Anreicherungsaufgabe erstellen oder bearbeiten), die zur Bewertung der Accuracy des KI-Agenten verwendet werden. Wenn der KI-Agent neue Metadaten vorschlägt, führt er diese Testfragen für die Vorschläge aus, um sicherzustellen, dass die Genauigkeit vor der Veröffentlichung nicht sinkt.

Beispiel: Sie stellen eine Testfrage wie „Wie hoch ist unser MRR?“ zusammen mit der genauen SQL-Abfrage, die zur Berechnung des monatlich wiederkehrenden Umsatzes erforderlich ist. Wenn der Agent verwirrende Metadaten vorschlägt, die dazu führen, dass diese Testabfrage fehlschlägt, wird der Vorschlag gekennzeichnet.

Quellen zum Selbststudium (optional)

Live-Konversationsprotokolle aus Ihren Gemini Enterprise-Apps oder BigQuery Agent Analytics, die Sie beim Erstellen oder Bearbeiten einer Anreicherungsaufgabe anhängen können. Der Agent liest diese Chatprotokolle, um herauszufinden, wonach Nutzer fragen, erkennt Wissenslücken und schlägt automatisch neue Metadaten vor, um diese Lücken zu schließen.

Wenn Chatprotokolle beispielsweise zeigen, dass Nutzer häufig fragen: „Was bedeutet Statuscode 42?“ und der Agent nicht antwortet, löst das selbstständige Lernen einen Metadatenvorschlag aus, um diesen fehlenden Statuscode zu dokumentieren.

Unterstützte Datenquellen und Integrationen für Anreicherungsaufgaben

Anreicherungsaufgaben können sowohl in Google Cloud als auch in Drittanbietersysteme eingebunden werden.

Datenquellen für die Anreicherung

Der Anreicherungs-Agent kann Zieldaten-Assets aus den folgenden Google Cloud -Datenquellen direkt anreichern und Ihren Kontext-Sets hinzufügen:

  • BigQuery-Datasets und -Tabellen

  • Lakehouse-Kataloge, -Namespaces und -Tabellen

Über die Lakehouse-Integration unterstützt Knowledge Studio indirekt die Anreicherung von Metadaten aus Drittanbieterquellen, die über Iceberg REST Catalog-Integrationen (wie Databricks Unity, Snowflake Horizon, AWS Glue Data Catalog und SAP Business Data Cloud) verbunden sind.

Wissenssignale (optional)

Während eines Anreicherungslaufs kann der KI-Agent semantische Regeln, Geschäftskontext und Domainwissen aus den folgenden optionalen Quellen mit Lesezugriff extrahieren, die Sie an die Aufgabe anhängen:

  • Google Cloud:

    • Cloud Storage-Buckets, -Ordner oder einzelne Dateien mit unterstützten Dateiformaten (z. B. PDFs, CSVs, Markdown, Konfiguration, Datasets und unstrukturierte Textdateien)
    • Knowledge Catalog-Unternehmensglossare im selben regionalen Bereich
    • Google Workspace-Anwendungen, einschließlich Google Drive-Dateien (z. B. Dokumente, Tabellen, Präsentationen, PDFs, Dateien und allgemeine Textdokumente)
  • Drittanbietersysteme (nicht Google Cloud):

    • Microsoft SharePoint-Dateien unter 5 MB (z. B. PDFs, Office-Dateien und allgemeine Textdokumente, ausgenommen Legacy-Formate oder Bilder)
    • GitHub-Repositories (alle Dateien, die lesbaren Text enthalten)
    • Atlassian Confluence-Bereiche und Jira-Projekte

Quellen für eigenständiges Lernen (optional)

Um Wissenslücken aus echten Interaktionslogs zu identifizieren, kann der Anreicherungs-Agent Trajektorien aus den folgenden optionalen Quellen extrahieren:

  • Gemini Enterprise-Anwendungen
  • BigQuery Agent Analytics-Tabellen. Weitere Informationen finden Sie unter BigQuery Agent Analytics.

Funktionsweise des Anreicherungs-KI-Agenten

Wenn Sie eine Anreicherungsaufgabe auslösen, entweder on demand oder nach einem wiederkehrenden Zeitplan, wird ein Anreicherungslauf gestartet. Der Anreicherungs-Agent wird asynchron im Hintergrund ausgeführt und analysiert Ihre Daten-Assets, Abfrage-Traces und Dokumentation, um verifizierte Metadatenvorschläge zu erstellen.

Das folgende Diagramm zeigt die allgemeine Workflow-Architektur eines Anreicherungs-Agenten:

Ein Flussdiagramm, das zeigt, wie der Anreicherungs-Agent Datenbestände und Wissenssignale verarbeitet, um einen genehmigten Kontextsatz zu generieren.
Agentic Workflows für Anreicherungen.

Der KI-Agent verwaltet Ihren Kontextsatz in vier wichtigen Phasen:

  1. Signale und Dokumentation analysieren: Der KI-Agent durchsucht Interaktionsprotokolle, um herauszufinden, wo nachgelagerte KI-Agenten Probleme hatten oder eine Mehrdeutigkeitsauflösung erforderlich war. Der Agent scannt Unternehmensdokumente in Cloud Storage oder verknüpften Drittanbieter-Apps und untersucht den Abfrageverlauf, um häufige Tabellen-Joins und Upstream-Abhängigkeiten zu ermitteln.
  2. Kontextvorschläge entwerfen: Der Agent entwirft basierend auf Ihrem Kuratierungsziel strukturierten Kontext für Ihre Ziel-Assets. Diese Entwürfe enthalten geschäftsorientierte Tabellenübersichten, formale Messwertformeln, geprüfte Join-Bedingungen und SQL-Abfragevorlagen, die auf Golden Parameters basieren.
  3. Benchmarking und Optimierung: Jeder Vorschlag wird auf deterministische Gültigkeit (z. B. gültige SQL-Syntax) geprüft und erhält einen Konfidenzwert, der in einen Gesamtkonfidenzwert für die Ausführung einfließt. Wenn Sie ein Bewertungssatz konfiguriert haben, testet der Agent die erstellten Metadaten auch iterativ anhand Ihrer Testfragen, um die Genauigkeit nachgelagerter Abfragen zu maximieren. Außerdem wird gemessen, ob die Genauigkeit im Vergleich zur Baseline sinkt.
  4. Überprüfungsrichtlinien anwenden: Der KI-Agent stellt alle vorgeschlagenen Änderungen als Änderungsanfragen bereit. Wenn bei einer Ausführung mehr als 250 Metadatenänderungen generiert werden, teilt der Agent die Vorschläge in verkettete Batchänderungsanfragen auf (Batch 1 von N, Batch 2 von N usw.), die nacheinander genehmigt werden müssen. Wenn Sie die automatische Veröffentlichung aktiviert haben, wertet der KI-Agent die gesamte Ausführung aus und genehmigt die bereitgestellten Änderungsanfragen automatisch, wobei ein Prüfprotokoll erstellt wird, wenn alle folgenden Bedingungen erfüllt sind:

    • Der Gesamtkonfidenzwert des Laufs beträgt mindestens 0,85 (85 %) oder entspricht dem von Ihnen konfigurierten Schwellenwert.
    • Kein Vorschlag schlägt bei einer Gültigkeitsprüfung fehl (z. B. fehlerhaftes SQL).
    • Wenn ein Bewertungssatz konfiguriert ist, sinkt die Genauigkeit um nicht mehr als 5 Prozentpunkte (oder den von Ihnen konfigurierten maximalen Qualitätsabfall).

    Wenn eine dieser Bedingungen nicht erfüllt ist, bleiben alle Vorschläge im Durchlauf als Änderungsanfragen für die manuelle Überprüfung bereitgestellt. Löschvorschläge werden immer in einem separaten Änderungsantrag vom Typ Löschungen bereitgestellt und zur manuellen Überprüfung zurückgehalten, auch wenn die automatische Veröffentlichung aktiviert ist.

Sicherheit und Governance für Unternehmen

Da bei Knowledge Studio-Anreicherungsaufgaben künstliche Intelligenz verwendet wird, um Ihre Datenschemas und interne Dokumentation zu analysieren, implementiert die Plattform strenge Sicherheits- und Governance-Grenzen, um Ihre proprietären Informationen zu schützen:

  • Nutzerverwaltete Ausführungsidentität: Anreicherungsaufgaben werden unter einem nutzerverwalteten Ausführungsdienstkonto ausgeführt, das Sie in Ihrem Projekt konfigurieren. Der Dataplex-Dienst-Agent übernimmt die Identität dieses Ausführungsdienstkontos mithilfe von kurzlebigen Anmeldedaten. So wird sichergestellt, dass Aufgaben nur die Datenquellen und Kontextgruppen lesen können, auf die Sie explizit Zugriff gewähren.

  • Human-in-the-Loop-Governance: Generierte Metadatenvorschläge werden als Änderungsanfragen bereitgestellt, um einen Audit-Datensatz zu verwalten. Wenn Sie die automatische Veröffentlichung nicht aktivieren und die Ausführung nicht alle Qualitäts-, Gültigkeits- und Bewertungsschwellenwerte erfüllt, müssen Data Stewards die Diff-Vergleiche und Konfidenzwerte prüfen, bevor sie Aktualisierungen eines Kontextsets genehmigen. Löschvorschläge müssen immer manuell überprüft werden.

  • Foundation-Model-Training: Ihre Daten bleiben Ihre Daten. Ausführungs-Traces, Datenbankschemas und bereitgestellte Wissenssignale (z. B. Dokumente oder interne Glossare) von Kunden werden niemals zum Trainieren der Foundation Models von Google verwendet.

  • Datenbereinigung: Bevor vorgeschlagene Metadaten in einen Kontextsatz geschrieben werden, entfernt der Agent automatisch personenidentifizierbare Informationen aus Systemprotokollen und Generierungs-Traces.

  • Ausführungsgrenzen: Der Anreicherungs-Agent wird in einem sicheren, von Google verwalteten Mandanten ausgeführt. Der Agent greift über eine Private Service Connect-Schnittstelle und einen vom Kunden gesteuerten Proxy für ausgehenden Traffic auf Ihre privaten Datenquellen zu.

Informationen zum Konfigurieren von IAM-Rollen (Identity and Access Management), Dienstkonten und externen Authentifizierungsanbietern für Anreicherungsaufgaben finden Sie unter Voraussetzungen für Anreicherungsaufgaben konfigurieren.

Empfohlene Konfigurationen

Knowledge Catalog bietet mehrere optionale Einstellungen für Anreicherungsaufgaben. Wir empfehlen, mit einer einfachen Konfiguration zu beginnen und erweiterte Funktionen schrittweise zu aktivieren, wenn Sie Ihre Metadatenvorgänge skalieren.

Konfiguration Enthaltene Komponenten Automatisch veröffentlichen Empfohlen für
Basic Kontextset Deaktiviert Testen des Tools. Hier sehen Sie, wie der Agent Metadaten ausschließlich aus dem Schema Ihres Datasets ableitet. Sie müssen alle Vorschläge manuell überprüfen.
Grounded
  • Kontextset
  • Wissenssignale
Deaktiviert Produktionsumgebungen. Verankert den KI-Agenten in Ihrer spezifischen Geschäftslogik und verwendet Ihre Standardarbeitsanweisungen und Glossare, um die Genauigkeit zu verbessern.
Automatisiert
  • Kontextset
  • Wissenssignale
  • Bewertungs-Datasets
Aktiviert Skalierung von Metadatenvorgängen. Das Bewertungsset dient als Sicherheitsleitlinie. Wenn ein automatisch generierter Vorschlag zu einer Verschlechterung der Genauigkeit bei nachgelagerten Aufgaben führt, wird die Veröffentlichung für eine manuelle Überprüfung angehalten.
Selbstlernend
  • Kontextset
  • Wissenssignale
  • Bewertungs-Datasets
  • Quellen für eigenständiges Lernen
Aktiviert Erweiterte und autonome Kataloge. Der KI-Agent passt sich kontinuierlich an, indem er Live-Nutzerinteraktionen und Chatprotokolle analysiert, um Wissenslücken zu identifizieren und zu schließen.

Zwischen einer einzelnen Aufgabe und mehreren Aufgaben wählen

Jede Anreicherungsaufgabe hat eine 1:1-Beziehung zu ihrem Zielkontextsatz und unterstützt insgesamt bis zu 500 Datenressourcen, einschließlich der Standardressourcen des Kontextsatzes und aller zusätzlichen Ressourcen, die Sie der Aufgabe hinzufügen.

  • Verwenden Sie eine einzelne Anreicherungsaufgabe und einen einzelnen Kontextsatz, wenn bis zu 500 Tabellen eine gemeinsame Geschäftsdomain, ein gemeinsames Data-Stewardship-Team und einen gemeinsamen Aktualisierungszeitplan haben. Wenn Sie verwandte Tabellen in einer einzigen Aufgabe gruppieren, kann der Anreicherungs-Agent tabellenübergreifende Join-Schlüssel, gemeinsame Geschäftskonzepte und SQL-Abfragevorlagen für mehrere Tabellen in einem Durchlauf erkennen. Wenn bei einem großen Durchlauf mehr als 250 Metadatenvorschläge generiert werden, teilt Knowledge Studio die Ausgabe automatisch in aufeinanderfolgende Batches auf (Batch 1 von N, Batch 2 von N), damit Prüfer sie in überschaubaren Phasen genehmigen können.
  • In mehrere Kontextsets und Anreicherungsaufgaben aufteilen, wenn Ihre Datendomains unterschiedliche Domaininhaber oder Workflow-Genehmiger haben, unterschiedliche Ausführungszeitpläne oder Wissenssignale erfordern oder mehr als 500 Zieltabelle umfassen.

Bereitstellungslebenszyklus

Der Prozess zum Erstellen und Bereitstellen einer Anreicherungsaufgabe folgt einem linearen Lebenszyklus:

  1. Voraussetzungen konfigurieren: Gewähren Sie die erforderlichen Rollen, konfigurieren Sie die Dienstkonten und aktivieren Sie Datenprofilerstellung und KI-Dateneinblicke für häufig verwendete Tabellen. Weitere Informationen finden Sie unter Voraussetzungen für Anreicherungsaufgaben konfigurieren.
  2. Externes Wissen verknüpfen: Autorisieren Sie die Aufgabe, Dateien aus Ihrem Google Drive oder externen Git-Repositories für die Fundierung zu lesen. Weitere Informationen finden Sie unter Externe Connectors für Anreicherungsaufgaben konfigurieren.
  3. Aufgabe erstellen: Definieren Sie den Kontext, die Zielressourcen, die Wissenssignale und die Bewertungsstrategie. Weitere Informationen finden Sie unter Anreicherungsaufgaben erstellen.
  4. KI-Vorschläge prüfen: Prüfen Sie die Ausführungsdiagnose, sehen Sie sich die vorgeschlagenen Beschreibungen an und genehmigen Sie die Metadatenänderungen. Weitere Informationen finden Sie unter Anreicherungsvorschläge bewerten und genehmigen.

Beschränkungen

Während der Vorabversion gelten für Anreicherungsaufgaben die folgenden Einschränkungen:

  • Compliance-Grenzen: Anreicherungsaufgaben unterstützen keine VPC Service Controls, kundenverwalteten Verschlüsselungsschlüssel (CMEK), Zusicherungen zum Datenstandort (DRZ), Access Transparency (AXT) oder Assured Workloads.

  • Verwaltung über die Console: Sie konfigurieren und verwalten Aufgaben ausschließlich über die Google Cloud Console. Direkte öffentliche REST APIs und gcloud-CLI-Befehle sind in der Vorabversion nicht verfügbar.

  • Aufgabenbereich und 1:1-Zuordnung von Kontextgruppen: Jede Kontextgruppe kann nur durch eine Anreicherungsaufgabe angereichert werden. Jede Anreicherungsaufgabe unterstützt insgesamt bis zu 500 Zielressourcen.

  • Kontingente und Limits: Für Anreicherungsaufgaben und Aufgabenausführungen gelten regionale Ressourcen- und Ratenkontingente pro Projekt. Weitere Informationen finden Sie im Abschnitt zu Knowledge Studio-Anreicherungsaufgaben unter Kontingente und Limits.

Preise

Während der Vorabversion sind das Ausführen von Knowledge Studio-Anreicherungsaufgaben und das Staging nicht genehmigter Batch-Änderungsanfragen kostenlos.

Für eine leere Eintragsgruppe für Kontext-Sets oder eine nicht genehmigte Batch-Änderungsanfrage fallen keine Gebühren für die Metadatenspeicherung an. Gebühren für die Metadatenspeicherung fallen erst an, wenn Sie eine Änderungsanfrage für Ihre Kontextset-Eintragsgruppe genehmigen (oder wenn die Änderungen durch die automatische Veröffentlichung angewendet werden). Ab diesem Zeitpunkt gelten die Standardgebühren für die Metadatenspeicherung im Knowledge Catalog für das Projekt, in dem die Eintragsgruppe gehostet wird. In Ihrem Projekt fallen Standardnutzungsgebühren an, einschließlich BigQuery-Abfrageverarbeitung und Cloud Storage-Staging-Lese- und ‑Schreibvorgänge, wenn eine Anreicherungsaufgabe optionale kundenverwaltete Ressourcen verwendet, z. B. Cloud Storage-Buckets für Wissenssignale oder Bewertungssätze und BigQuery Agent Analytics-Trace-Tabellen für selbstständiges Lernen.

Nächste Schritte

Konzept

Hier erfahren Sie mehr über die Kernkonzepte und die Architektur von Knowledge Studio.

Konzept

Hier erfahren Sie, wie Metadaten, die durch Anreicherungsaufgaben generiert werden, in Kontextsets gespeichert werden, um KI-Agenten zu fundieren.

Aufgabe

-Rollen und -Dienstkonten zum Ausführen von Anreicherungsaufgaben konfigurieren

Aufgabe

Hier erfahren Sie, wie Sie Metadaten durch Ausführen automatisierter Anreicherungsaufgaben generieren.

Aufgabe

Hier erfahren Sie, wie Sie Jobs überwachen und Metadatenvorschläge manuell prüfen oder genehmigen.

Aufgabe

Hier erfahren Sie, wie Sie geplante Anreicherungsjobs bearbeiten, pausieren und löschen.