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 בסוכנים לאינטראקציה עם נתונים כדי לספק מילוני מונחים ארגוניים והוראות מערכת, וכך לשפר את הדיוק.

איך פועל ניתוח נתונים בממשק שיחה

התכונה "ניתוח נתונים באמצעות שיחה" משתמשת במודלים גדולים של שפה (LLM) כדי להבין את השאלות שלכם בשפה טבעית ולמפות אותן לסכימה של הטבלאות. 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: מודל 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 תצוגה חזותית.

מידע נוסף על ניתוח נתונים בשיחה, כמו ניהול סוכנים לאינטראקציה עם נתונים, תמחור או שיטות מומלצות, זמין במאמר סקירה כללית של ניתוח נתונים בשיחה.

פורמטים נתמכים

הכלי לניתוח 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 Agents ב-BigQuery.

    מעבר אל Agents

  2. יוצרים סוכן לאינטראקציה עם נתונים או מתחילים שיחה ישירה עם מקור נתונים:

    • כדי ליצור סוכן לאינטראקציה עם נתונים, בתפריט הניווט Agents לוחצים על Agent catalog, ואז על Create agent. בקטע Knowledge sources לוחצים על Add source. מידע נוסף זמין במאמר יצירת סוכנים לאינטראקציה עם נתונים.
    • כדי להתחיל שיחה ישירה עם טבלאות ספציפיות, בתפריט הניווט Agents לוחצים על New chat > Source.
  3. בוחרים את הטבלאות.

    בגלל שהקטלוג הייעודי לזמן ריצה של Lakehouse מאחד את הפורמטים האלה, אתם יכולים למצוא טבלאות חיצוניות באותו אופן שבו אתם מוצאים טבלאות ב-BigQuery. בתיבת הדו-שיח Select sources:

    1. בכרטיסייה All, מחפשים בקטלוגים של הפרויקט, או מזינים את שם הטבלה או את השם המלא בשדה החיפוש ולוחצים על Enter. לדוגמה, אפשר לחפש לפי הפורמטים הבאים:

      • TABLE_NAME
      • PROJECT_ID.CATALOG_ID.NAMESPACE_NAME.TABLE_NAME

      מחליפים את מה שכתוב בשדות הבאים:

      • ‫TABLE_NAME: שם הטבלה
      • ‫PROJECT_ID: מזהה הפרויקט
      • ‫CATALOG_ID: מזהה הקטלוג
      • ‫NAMESPACE_NAME: השם של מרחב השמות
    2. כדי לאמת את המקור, בודקים את שם הטבלה המלא. טבלאות Apache Iceberg שמנוהלות על ידי הקטלוג הייעודי לזמן ריצה של Lakehouse בדרך כלל פועלות לפי הפורמט PCNT (Project.Catalog.Namespace.Table) שמורכב מארבעה חלקים, למשל PROJECT_ID.my_lakehouse_catalog.finance_namespace.my_iceberg_table. ‫הטבלאות של SAP Business Data Cloud הן בפורמט של חמישה חלקים, לדוגמה: PROJECT_ID.my_bdc_catalog.sales_share.sales_schema.delta_table.

    3. בתוצאות החיפוש, מסמנים את התיבה לצד הטבלה. כדי להוסיף את הטבלה להקשר הפעיל של השיחה, לוחצים על אישור.

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

שיפור הדיוק של השאילתות

כדי לעזור לניתוח נתונים בממשק שיחה להבין טוב יותר את הסכימות והמונחים שלכם, אתם יכולים להשתמש באפשרויות ההגדרה של סוכן לאינטראקציה עם נתונים. האפשרויות האלה כוללות מילוני מונחים ארגוניים, שאילתות SQL מאומתות והוראות למערכת.

המאמרים הבאים