Membuat kueri tabel Lakehouse dengan bahasa alami

Analisis percakapan di BigQuery memungkinkan Anda mengkueri data format terbuka menggunakan perintah bahasa alami. Kemampuan ini mengandalkan katalog runtime Lakehouse dalam Lakehouse untuk Apache Iceberg guna memetakan pertanyaan Anda secara otomatis ke skema tabel pokok sehingga Anda dapat membuat dan menjalankan kueri SQL tanpa menulis kode secara manual.

Saat menyiapkan kueri, Anda dapat menggunakan Agen Data untuk menyediakan glosarium bisnis dan petunjuk sistem untuk akurasi yang lebih baik.

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:

  1. Penemuan skema: Sistem mengambil metadata dari katalog runtime Lakehouse untuk memahami struktur tabel, nama kolom, dan jenis data.
  2. Pembuatan SQL: LLM membuat kueri SQL yang kompatibel dengan mesin BigQuery dan format data pokok.
  3. Eksekusi: BigQuery mengeksekusi kueri SQL yang dihasilkan secara langsung terhadap data berformat terbuka di *Lakehouse* Google Cloud.
  4. Respons: Hasil ditampilkan ke antarmuka percakapan, sering kali disertai 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 membuat kueri data, daftarkan tabel eksternal Anda di katalog runtime Lakehouse. Katalog runtime Lakehouse bertindak sebagai hub terpadu yang menghubungkan BigQuery Studio ke data berformat terbuka eksternal Anda. Setelah terhubung, tabel menjadi aset yang dapat ditemukan dalam BigQuery.

Mengkueri tabel dengan analisis percakapan

  1. Di konsol Google Cloud , buka BigQuery Studio Agents Hub.

    Buka Hub Agen

  2. Buat Agen Data atau mulai percakapan langsung dengan agen data yang ada.

  3. Pilih tabel Anda.

    Karena katalog runtime Lakehouse menyatukan semua format berbeda ini, pengalaman penemuan identik dengan menemukan tabel BigQuery standar.

    1. Penelusuran: Saat Anda menambahkan sumber pengetahuan, cari nama tabel Anda di antarmuka penelusuran dan pemilihan tabel. Anda dapat menggunakan kata kunci penelusuran untuk memfilter hasil, termasuk:

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

    2. Verifikasi sumber: Perhatikan bagian set data dari nama yang sepenuhnya memenuhi syarat. Tabel yang dibuat oleh sumber eksternal dan dikelola oleh katalog runtime Lakehouse biasanya akan mengikuti format yang menggabungkan katalog dan namespace. Misalnya PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table atau PROJECT_ID.sap_catalog.sales.delta_table.

    3. Pilih: Menambahkan tabel yang dipilih ke konteks percakapan aktif Anda.

  4. Ajukan pertanyaan dalam bahasa alami. Sistem akan otomatis menerjemahkan perintah Anda menjadi kueri SQL gabungan.

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