Interroger des tables Lakehouse en langage naturel

L'analyse conversationnelle dans BigQuery vous permet d'interroger vos données au format ouvert à l'aide de requêtes en langage naturel. Cette fonctionnalité s'appuie sur le catalogue d'environnements d'exécution Lakehouse dans Lakehouse sans frontières pour mapper automatiquement vos questions aux schémas de table sous-jacents. Vous pouvez ainsi générer et exécuter des requêtes SQL sans écrire le code manuellement.

Lorsque vous configurez vos requêtes, vous pouvez utiliser des agents de données pour fournir des glossaires d'entreprise et des instructions système afin d'améliorer la précision.

Fonctionnement de Conversational Analytics

L'analyse conversationnelle utilise de grands modèles de langage (LLM) pour comprendre vos questions en langage naturel et les mapper au schéma de vos tables. Le processus suit les étapes suivantes :

  1. Découverte de schémas : le système récupère les métadonnées du catalogue d'environnements d'exécution Lakehouse pour comprendre les structures des tables, les noms des colonnes et les types de données.
  2. Génération de code SQL : le LLM génère une requête SQL compatible avec le moteur BigQuery et le format de données sous-jacent.
  3. Exécution : BigQuery exécute la requête SQL générée directement sur les données au format ouvert dans le Lakehouse de Google Cloud.
  4. Réponse : les résultats sont renvoyés à l'interface de conversation, souvent accompagnés d'un résumé ou d'une visualisation.

Pour en savoir plus sur Conversational Analytics, comme la gestion des agents de données, les tarifs ou les bonnes pratiques, consultez Présentation de Conversational Analytics.

Formats compatibles

Conversational Analytics traduit vos questions en langage naturel en requêtes SQL. Il est compatible avec les formats de table ouverts compatibles avec le catalogue d'environnements d'exécution Lakehouse, tels que les tables Apache Iceberg.

Avant de commencer

Avant de pouvoir interroger vos données, enregistrez vos tables externes dans le catalogue d'exécution Lakehouse. Le catalogue d'environnements d'exécution Lakehouse sert de hub unifié qui connecte BigQuery Studio à vos données externes au format ouvert. Une fois connectées, les tables deviennent des éléments détectables dans BigQuery.

Interroger des tables avec Conversational Analytics

  1. Dans la console Google Cloud , accédez à la page Agents de BigQuery.

    Accéder à la page "Agents"

  2. Créez un agent de données ou démarrez une conversation directe avec une source de données :

    • Pour créer un agent de données, dans le menu de navigation Agents, cliquez sur Catalogue d'agents, puis sur Créer un agent. Ensuite, dans la section Sources de connaissances, cliquez sur Ajouter une source. Pour en savoir plus, consultez Créer des agents de données.
    • Pour démarrer une conversation directe avec des tables spécifiques, dans le menu de navigation Agents, cliquez sur Nouveau chat > Source.
  3. Sélectionnez vos tables.

    Comme le catalogue d'exécution Lakehouse unifie ces formats, vous découvrez les tables externes de la même manière que les tables BigQuery standards. Dans la boîte de dialogue Sélectionner des sources, procédez comme suit :

    1. Dans l'onglet Tous, parcourez les catalogues de votre projet ou, dans le champ de recherche, saisissez le nom de votre table ou son nom complet, puis appuyez sur Entrée. Par exemple, vous pouvez effectuer une recherche en utilisant les formats suivants :

      • TABLE_NAME
      • PROJECT_ID.CATALOG_ID.NAMESPACE_NAME.TABLE_NAME

      Remplacez les éléments suivants :

      • TABLE_NAME : par le nom de votre table
      • PROJECT_ID : ID de votre projet.
      • CATALOG_ID : ID de votre catalogue
      • NAMESPACE_NAME : nom de votre espace de noms
    2. Vérifiez la source en vérifiant le nom complet de la table. Les tables Apache Iceberg gérées par le catalogue d'environnements d'exécution Lakehouse suivent généralement le format PCNT (Project.Catalog.Namespace.Table) en quatre parties, par exemple PROJECT_ID.my_lakehouse_catalog.finance_namespace.my_iceberg_table. Les tables SAP Business Data Cloud suivent un format en cinq parties, par exemple PROJECT_ID.my_bdc_catalog.sales_share.sales_schema.delta_table.

    3. Dans les résultats de recherche, cochez la case à côté de votre table. Pour ajouter la table à votre contexte de conversation actif, cliquez sur Confirmer.

  4. Posez des questions en langage naturel. Le système traduit automatiquement votre requête en requête SQL BigQuery.

Améliorer la précision des requêtes

Pour aider Conversational Analytics à mieux comprendre vos schémas et votre terminologie, utilisez les options de configuration de l'agent de données. Ces options incluent les glossaires d'entreprise, les requêtes SQL vérifiées et les instructions système.

Étapes suivantes