Analisis percakapan di BigQuery memungkinkan Anda mengkueri data format terbuka menggunakan perintah bahasa alami. Kemampuan ini mengandalkan katalog runtime Lakehouse dalam Lakehouse tanpa batas untuk memetakan pertanyaan Anda secara otomatis ke skema tabel yang mendasarinya, sehingga Anda dapat membuat dan menjalankan kueri SQL tanpa menulis kode secara manual.
Saat menyiapkan kueri, Anda dapat menggunakan agen data untuk memberikan glosarium bisnis dan petunjuk sistem untuk akurasi yang lebih tinggi.
Cara kerja analisis percakapan
Analisis percakapan menggunakan model bahasa besar (LLM) untuk memahami pertanyaan bahasa alami Anda dan memetakannya ke skema tabel Anda. Prosesnya mengikuti langkah-langkah berikut:
- Penemuan skema: sistem mengambil metadata dari katalog runtime Lakehouse untuk memahami struktur tabel, nama kolom, dan jenis data.
- Pembuatan SQL: LLM menghasilkan kueri SQL yang kompatibel dengan mesin BigQuery dan format data yang mendasarinya.
- Eksekusi: BigQuery mengeksekusi kueri SQL yang dihasilkan langsung terhadap data format terbuka di Lakehouse Google Cloud.
- Respons: hasil ditampilkan ke antarmuka percakapan, sering kali disertai dengan ringkasan atau visualisasi.
Untuk mengetahui informasi selengkapnya tentang analisis percakapan, seperti mengelola agen data, harga, atau praktik terbaik, lihat Ringkasan analisis percakapan.
Format yang didukung
Analisis percakapan menerjemahkan pertanyaan bahasa alami Anda menjadi kueri SQL. Katalog ini mendukung format tabel terbuka yang didukung oleh katalog runtime Lakehouse, seperti tabel Apache Iceberg.
Sebelum memulai
Sebelum dapat mengkueri data, daftarkan tabel eksternal Anda di katalog runtime Lakehouse. Katalog runtime Lakehouse bertindak sebagai hub terpadu yang menghubungkan BigQuery Studio ke data format terbuka eksternal Anda. Setelah terhubung, tabel akan menjadi aset yang dapat ditemukan dalam BigQuery.
Membuat kueri tabel dengan analisis percakapan
Di konsol Google Cloud , buka halaman Agents BigQuery.
Buat agen data atau mulai percakapan langsung dengan sumber data:
- Untuk membuat agen data, di menu navigasi Agents, klik Agent catalog, klik Create agent, lalu di bagian Knowledge sources, klik Add source. Untuk mengetahui informasi selengkapnya, lihat Membuat agen data.
- Untuk memulai percakapan langsung dengan tabel tertentu, di menu navigasi Agents, klik New chat > Source.
Pilih tabel Anda.
Karena katalog runtime Lakehouse menyatukan format ini, Anda akan menemukan tabel eksternal dengan cara yang sama seperti menemukan tabel BigQuery standar. Dalam dialog Select sources, lakukan hal berikut:
Di tab All, jelajahi katalog project Anda, atau di kolom penelusuran, masukkan nama tabel atau nama yang sepenuhnya memenuhi syarat, lalu tekan Enter. Misalnya, Anda dapat menelusuri menggunakan format berikut:
TABLE_NAMEPROJECT_ID.CATALOG_ID.NAMESPACE_NAME.TABLE_NAME
Ganti kode berikut:
TABLE_NAME: nama tabel AndaPROJECT_ID: ID project AndaCATALOG_ID: ID katalog AndaNAMESPACE_NAME: nama namespace Anda
Verifikasi sumber dengan memeriksa nama tabel yang sepenuhnya memenuhi syarat. Tabel Apache Iceberg yang dikelola oleh katalog runtime Lakehouse biasanya mengikuti format PCNT (Project.Catalog.Namespace.Table) empat bagian—misalnya,
PROJECT_ID.my_lakehouse_catalog.finance_namespace.my_iceberg_table. Tabel SAP Business Data Cloud mengikuti format lima bagian—misalnya,PROJECT_ID.my_bdc_catalog.sales_share.sales_schema.delta_table.Di hasil penelusuran, centang kotak di samping tabel Anda. Untuk menambahkan tabel ke konteks percakapan aktif, klik Konfirmasi.
Ajukan pertanyaan dalam bahasa alami. Sistem akan otomatis menerjemahkan perintah Anda menjadi kueri SQL BigQuery.
Meningkatkan akurasi kueri
Untuk membantu analisis percakapan lebih memahami skema dan terminologi Anda, gunakan opsi konfigurasi agen data. Opsi ini mencakup glosarium bisnis, kueri SQL terverifikasi, dan petunjuk sistem.
Langkah berikutnya
- Pelajari lebih lanjut analisis percakapan di BigQuery.
- Pelajari cara mendaftarkan tabel eksternal di katalog runtime Lakehouse.
- Pelajari agen data lebih lanjut.
- Coba tutorial Memperkirakan permintaan dari masukan pelanggan menggunakan Lakehouse dan AI.