הרצת שאילתות על טבלאות Lakehouse באמצעות שפה טבעית

ניתוח נתוני שיחות ב-BigQuery מאפשר לשלוח שאילתות על נתונים בפורמט פתוח באמצעות הנחיות בשפה טבעית. היכולת הזו מסתמכת על הקטלוג הייעודי לזמן ריצה של Lakehouse ב-Lakehouse ללא גבולות, כדי למפות באופן אוטומטי את השאלות שלכם לסכימות של הטבלאות הבסיסיות. כך אתם יכולים ליצור ולהריץ שאילתות SQL בלי לכתוב את הקוד באופן ידני.

כשמגדירים את השאילתות, אפשר להשתמש בסוכני נתונים כדי לספק מילוני מונחים ארגוניים והוראות מערכת, וכך לשפר את הדיוק.

איך פועל ניתוח נתונים בממשק שיחה

כדי להבין את השאלות שלכם בשפה טבעית ולמפות אותן לסכימה של הטבלאות, ניתוח הנתונים בממשק שיחה משתמש במודלים גדולים של שפה (LLM). התהליך כולל את השלבים הבאים:

  1. גילוי סכימה: המערכת מאחזרת מטא-נתונים מהקטלוג הייעודי לזמן ריצה של Lakehouse כדי להבין את מבני הטבלאות, שמות העמודות וסוגי הנתונים.
  2. יצירת SQL: ה-LLM יוצר שאילתת SQL שתואמת למנוע של BigQuery ולפורמט הנתונים הבסיסי.
  3. ביצוע: BigQuery מריץ את שאילתת ה-SQL שנוצרה ישירות על הנתונים בפורמט פתוח ב-Lakehouse של Google Cloud.
  4. תגובה: התוצאות מוחזרות לממשק השיחה, בדרך כלל בליווי סיכום או המחשה חזותית.

במאמר סקירה כללית על ניתוח נתונים בשיחה תוכלו לקרוא מידע נוסף על ניתוח נתונים בשיחה, כמו ניהול סוכני נתונים, תמחור או שיטות מומלצות.

פורמטים נתמכים

ניתוח נתונים באמצעות שיחה מתרגם את השאלות שלכם בשפה טבעית לשאילתות SQL. הוא תומך בפורמטים של טבלאות פתוחות שנתמכים בקטלוג הייעודי לזמן ריצה של Lakehouse, כמו טבלאות Apache Iceberg.

לפני שמתחילים

כדי לשלוח שאילתות על הנתונים, צריך לרשום את הטבלאות החיצוניות בקטלוג הייעודי לזמן ריצה של Lakehouse. הקטלוג הייעודי לזמן ריצה של Lakehouse משמש כמרכז מאוחד שמקשר בין BigQuery Studio לבין הנתונים החיצוניים בפורמט פתוח. אחרי הקישור, הטבלאות הופכות לנכסים שניתן לגלות ב-BigQuery.

הרצת שאילתות על טבלאות באמצעות ניתוח נתונים בשיחה

  1. במסוף Google Cloud , נכנסים לדף BigQuery Studio Agents Hub.

    מעבר אל Agents Hub

  2. יוצרים סוכן נתונים או מתחילים שיחה ישירה עם סוכן נתונים קיים.

  3. בוחרים את הטבלאות.

    מכיוון שהקטלוג הייעודי לזמן ריצה של Lakehouse מאחד את כל הפורמטים השונים האלה, חוויית החיפוש זהה לחיפוש של טבלאות ב-BigQuery רגילות.

    1. חיפוש: כשמוסיפים את מקור הידע, מחפשים את שמות הטבלאות בממשק החיפוש והבחירה של הטבלאות. אתם יכולים להשתמש במילות מפתח לרשת החיפוש כדי לסנן את התוצאות, כולל:

      • TABLE_NAME
      • catalog: CATALOG_NAME
      • project: PROJECT_ID
      • namespace: NAMESPACE_NAME

    2. אימות המקור: שימו לב לחלק של מערך הנתונים בשם המלא. בדרך כלל, טבלאות שנוצרו על ידי מקורות חיצוניים ומנוהלות על ידי הקטלוג הייעודי לזמן ריצה של Lakehouse יהיו בפורמט שמשלב את הקטלוג ואת מרחב השמות. לדוגמה: PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table או PROJECT_ID.sap_catalog.sales.delta_table.

    3. בחירה: הוספת הטבלה שנבחרה להקשר הפעיל של השיחה.

  4. אפשר לשאול שאלות בשפה טבעית. המערכת מתרגמת באופן אוטומטי את ההנחיה לשאילתת SQL מאוחדת.

שיפור הדיוק של השאילתות

כדי לעזור לסוכן הנתונים להבין טוב יותר את הסכימות והמונחים שלכם, אתם יכולים להשתמש באפשרויות ההגדרה של סוכן הנתונים. האפשרויות האלה כוללות מילוני מונחים ארגוניים, שאילתות SQL מאומתות והוראות למערכת.

המאמרים הבאים