סקירה כללית של ניתוח נתונים בשיחה

ניתוח נתוני שיחות ב-BigQuery מאפשר לכם לשוחח עם סוכנים על הנתונים שלכם באמצעות שפה טבעית. כדי לקבל תשובות לגבי הנתונים, אתם יכולים:

  • ליצור סוכני נתונים שמגדירים באופן אוטומטי את הקשר הנתונים ואת הוראות עיבוד השאילתות לקבוצה של מקורות ידע, כמו טבלאות, תצוגות, תרשימים או פונקציות בהגדרת המשתמש (UDF) שאתם בוחרים.
  • אם צריך, אתם יכולים ליצור הקשר והוראות לסוכן באמצעות מטא-נתונים של טבלאות ושדות בהתאמה אישית, הוראות לסוכן לגבי פירוש הנתונים ושאילתות לגביהם, או על ידי יצירת שאילתות מאומתות (שנקראו בעבר שאילתות לדוגמה) כדי להגדיר את סוכן הנתונים כך שיענה ביעילות על שאלות בתרחישים ספציפיים לדוגמה.

לפני שמתאימים אישית סוכן, מומלץ קודם לעבוד עם ההקשר וההוראות שהסוכן יוצר.

הנה כמה דוגמאות להקשר ולהוראות שאתם יכולים לתת לנציג:

  • הקשר. אפשר להגדיר סוכן נתונים לניתוח מכירות כך שיבין שהמונח "העובדים המצטיינים" מתייחס לנציגי המכירות עם ההכנסה הגבוהה ביותר, ולא רק לאלה שסגרו הכי הרבה עסקאות.
  • הוראות אתם יכולים להורות לסוכן הנתונים לסנן תמיד את הנתונים לפי הרבעון האחרון כששואלים אותו על "מגמות", או לקבץ את התוצאות לפי "קטגוריית מוצרים" כברירת מחדל.

אחרי שיוצרים סוכני נתונים, אפשר לנהל איתם שיחות ולשאול שאלות על נתונים ב-BigQuery באמצעות שפה טבעית. אתם יכולים גם ליצור שיחות ישירות עם מקור נתונים אחד או יותר כדי לענות על שאלות בסיסיות וחד-פעמיות.

ניתוח נתוני השיחות מבוסס על Gemini for Google Cloud ותומך בחלק מהפונקציות של AI ו-ML ב-BigQuery. מידע נוסף על תמיכה ב-AI ו-ML ב-BigQuery

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

ניתוח נתונים של הנחיות ואיך להפסיק את השימוש בתכונה

כדי לשפר את האיכות, הדיוק והאמינות של ניתוח השיחות, Google מנתחת נתוני הנחיות אנונימיים מאינטראקציות עם לקוחות. הנתונים האלה עוזרים לזהות דפוסי שימוש נפוצים, לזהות פערים בהבנה ולשפר את הביצועים הכוללים של המוצר. הנתונים האלה לא משמשים לאימון או לכוונון של מודלי ה-AI הבסיסיים של Google. עיבוד הנתונים הזה מופעל כברירת מחדל.

כדי להפסיק את השימוש בניתוח ההנחיות, אתם יכולים לבצע אחת מהפעולות הבאות:

  • כדי לבטל את ההסכמה לפני 23 בנובמבר 2026, צריך לבצע את הפעולות הבאות:
    1. משתמשים ב-Resource Manager API, ב-CLI או במסוף Google Cloud כדי לקבל את מספרי הפרויקטים, או כדי למצוא את מזהה הארגון כדי לבטל את ההסכמה לכל הפרויקטים הקיימים ב-BigQuery בארגון.
    2. שולחים את טופס ביטול ההצטרפות, וכוללים בו את מזהי הפרויקטים שרוצים להחריג.
  • כדי לבטל את ההסכמה ב-23 בנובמבר 2026 או אחרי התאריך הזה, צריך להחיל את האילוץ המותאם אישית וההיררכי של שירות מדיניות הארגון constraints/gcp.disablePromptAnalytics כדי לחסום את הטמעת ההנחיות ברמת הארגון, התיקייה או הפרויקט.

אפשר להפעיל מחדש את ניתוח ההנחיות בהגדרות האדמין במסוף Google Cloud . אם הפעלתם בעבר את האילוץ המותאם אישית של שירות מדיניות הארגון, אתם צריכים להסיר אותו.

מידע נוסף זמין במאמר תנאים ספציפיים לשירות בנושא ניתוח נתוני שיחות ב-BigQuery.

סוכני נתונים

סוכני נתונים מורכבים ממקור ידע אחד או יותר, ומקבוצת הוראות ספציפיות לתרחיש שימוש לעיבוד הנתונים האלה. כשיוצרים סוכן נתונים, אפשר להגדיר אותו באמצעות האפשרויות הבאות:

  • להשתמש במקורות ידע כמו טבלאות, תצוגות, תרשימים ופונקציות מוגדרות על ידי המשתמש (UDF) עם סוכן נתונים. אפשר גם להתחבר לטבלאות Lakehouse ללא גבולות כמקורות. מידע נוסף זמין במאמר שאילתות בטבלאות Lakehouse באמצעות שפה טבעית.
  • לספק מטא-נתונים של טבלאות ושדות בהתאמה אישית כדי לתאר את הנתונים בצורה המתאימה ביותר לתרחיש לדוגמה.
  • מספקים הוראות לפירוש הנתונים ולשליחת שאילתות לגביהם, למשל הגדרת הפרטים הבאים:
    • מילים נרדפות ומונחים עסקיים לשמות של שדות
    • השדות הכי חשובים וברירות המחדל לסינון וקיבוץ
  • ליצור שאילתות מאומתות שסוכן הנתונים יכול להשתמש בהן כדי להתאים את מבנה התשובה של הסוכן וללמוד את הלוגיקה העסקית של הארגון. שאילתות מאומתות נקראו בעבר שאילתות לדוגמה. בשאילתות מאומתות אפשר להשתמש בפונקציות AI ו-ML נתמכות של BigQuery, והן תומכות בפרמטרים של שאילתות.
  • אפשר ליצור מונחים מותאמים אישית במילון המונחים של BigQuery לכל סוכן, או לייבא מונחים ממילון המונחים הארגוני של Knowledge Catalog. המונחים האלה עוזרים לסוכן לפרש את ההנחיות של המשתמש. במאמר יצירה או בדיקה של מונחים במילון המונחים מוסבר מתי כדאי להשתמש בכל סוג.

ניהול סוכני נתונים

בכרטיסייה Agent Catalog במסוף Google Cloud , אתם יכולים ליצור, לנהל ולעבוד עם סוכני הנתונים מהסוגים הבאים:

  • נציג לדוגמה שמוגדר מראש לכל פרויקט ב- Google Cloud .
  • רשימה של הסוכנים שיצרתם, שמרתם כטיוטה או פרסמתם.
  • רשימה של סוכנים שאנשים אחרים יצרו ושיתפו איתכם.

מידע נוסף זמין במאמר יצירת סוכני נתונים.

שירותים אחרים בפרויקט שתומכים בסוכני נתונים, כמו Conversational Analytics API ו-Data Studio, יכולים לגשת לסוכני הנתונים שאתם יוצרים ב-BigQuery. אפשר גם לגשת לנציג שנוצר במסוף Google Cloud באמצעות קריאה אליו דרך Conversational Analytics API.

שיחות

שיחות הן צ'אטים שנשמרים עם סוכן נתונים או מקור נתונים. אתם יכולים לשאול את סוכני הנתונים שאלות עם כמה חלקים, שכוללות מונחים נפוצים כמו "מכירות" או "הכי פופולרי", בלי לציין שמות של שדות בטבלה או להגדיר תנאים לסינון הנתונים. אתם יכולים גם לשאול שאלות על נתונים שנמצאים באובייקטים כמו קובצי PDF. הסוכן יכול לקבוע אילו מקורות נתונים לשלוח בשאילתה, ולהשתמש באופטימיזציות כמו מחיצות בטבלאות או אינדקסים של חיפוש כשהוא יוצר תשובה. הסוכנים יכולים להשתמש בהטמעות קיימות של ערכי העמודות כדי להתאים את השאלה לנתונים הנכונים. לדוגמה, אם תשאלו על "Texas", המערכת תמצא שורות שבהן כתוב "TX".

התשובה שמוחזרת בצ'אט כוללת את התכונות הבאות:

  • התשובה לשאלה שלכם כטקסט, קוד או תמונות (מולטי-מודאלי). התשובה יכולה לכלול פונקציות AI ו-ML נתמכות של BigQuery.
  • תרשימים שנוצרו במקומות המתאימים.
  • ההסבר של הנציג לתוצאות.
  • מטא-נתונים על השיחה, כמו הסוכן ומקורות הנתונים שבהם השתמשתם.

כשיוצרים שיחה ישירה עם מקור נתונים, Conversational Analytics API מפרש את השאלה בלי ההקשר והוראות העיבוד שסוכן הנתונים מציע. לכן, התוצאות של המרות ישירות יכולות להיות פחות מדויקות. כדאי להשתמש בסוכני נתונים במקרים שבהם נדרש דיוק רב יותר.

אפשר ליצור ולנהל שיחות ב-BigQuery באמצעות מסוףGoogle Cloud . מידע נוסף זמין במאמר ניתוח נתונים באמצעות שיחות.

תמיכה ב-AI וב-ML ב-BigQuery

הכלי "ניתוח נתונים בשיחה" תומך בפונקציות הבאות של AI ו-ML בתגובה לצ'אטים עם סוכני נתונים ומקורות נתונים, ובשאילתות SQL מאומתות שאתם יוצרים.

כדי להריץ שאילתות של AI גנרטיבי, צריך שיהיו לכם ההרשאות הנדרשות.

הנציג משתמש בפונקציה AI.SEARCH רק בטבלאות שמופעלת בהן יצירת הטמעות אוטונומית. אחרת, הנציג משתמש בפונקציה AI.SIMILARITY, שדורשת יצירת הטמעה בזמן אמת.

תרחישים לדוגמה

כדי להפעיל את הפונקציות הנתמכות, צריך להשתמש בהן בדרכים הבאות:

  • כשיוצרים סוכן ומוסיפים שאילתה מאומתת – לדוגמה, אם אתם מדעני נתונים שמכינים דוח חוזר – אתם יכולים להשתמש בפונקציות AI נתמכות בשאילתה מאומתת כדי לתאר את ברירות המחדל ולהפוך את הדוח לאוטומטי.
  • כששואלים את הסוכן שאלות כלליות על נתונים, בשיחה או בשאילתה מאומתת באמצעות מילות מפתח, הסוכן יוצר SQL בתגובה לשאלות.

בטבלה הבאה מוצגות דוגמאות להנחיות מדוגמה אחת שמפעילות את השימוש בפונקציות AI או למידת מכונה:

תרחיש לדוגמה דוגמאות לשימוש מערך נתונים ציבורי
תחזיות "תחזה את מספר הנסיעות בחודש הבא". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
זיהוי חריגה "Find outliers in trips per day for 2018 using 2017 as a baseline" (מצא חריגות בנסיעות ליום בשנת 2018, תוך שימוש ב-2017 כבסיס להשוואה). bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
ניתוח השפעות סיבתיות "Quantify the impact of the COVID-19 pandemic declaration on March 11, 2020 on daily taxi trips." bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
ניתוח מגמות "נתח את המגמה לטווח ארוך של נסיעות יומיות בשנת 2017". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
ניתוח עונתיות "Analyze the seasonality pattern of daily trips for 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
זיהוי נקודת שינוי "זיהוי נקודות שינוי בנסיעות היומיות". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
הגורמים העיקריים "זהה את הגורמים העיקריים לשינויים במספר הנסיעות בין 2017 ל-2018". bigquery-public-data.austin_bikeshare.bikeshare_trips
ניתוח מִתאם "How does body mass correlate with flipper length, culmen length, and culmen depth?‎" bigquery-public-data.ml_datasets.penguins
יצירת פרופיל נתונים "תעשה פרופיילינג לטבלה כדי לבדוק אם יש חוסר עקביות בנתונים". bigquery-public-data.ml_datasets.census_adult_income
מודלים חזויים "Predict the body mass of penguins." bigquery-public-data.ml_datasets.penguins
חיפוש סמנטי "תמצא את 5 הביקורות המובילות שהכי מתאימות לתיאור 'מותחן פסיכולוגי שבונה מתח'". bigquery-public-data.imdb.reviews
יצירת טקסט באמצעות LLM "לכל מאמר בקטגוריה "ספורט", סכם את עמודת גוף המאמר במשפט אחד או שניים". bigquery-public-data.bbc_news.fulltext
סינון סמנטי "במאמרים בקטגוריית הטכנולוגיה, סנן כדי למצוא את אלה שעוסקים בפריצות דרך בתחום הבינה המלאכותית". bigquery-public-data.bbc_news.fulltext
דירוג סמנטי "For the articles in the entertainment category, provide a rating indicating their degree of positive sentiment." bigquery-public-data.bbc_news.fulltext
סיווג סמנטי "תייג כל ביקורת לפי המוקד העיקרי של המבקר: משחק, עלילה, צילום, בימוי או אחר". bigquery-public-data.imdb.reviews
צבירה סמנטית "סכם את הביקורות על הסרט 'הפצוע האנגלי'". bigquery-public-data.imdb.reviews

תמיכה במשימות ניתוח נתונים

ניתוח נתונים באמצעות שיחה תומך בניתוח סל קניות, שנקרא גם למידת חוקי שיוך, שיטה שמשמשת לחשיפת דפוסי רכישה. הניתוח הזה מזהה קשרים בין פריטים שנרכשים לעיתים קרובות ביחד בעסקה אחת.

לדוגמה, אתם יכולים לשאול את השאלה הבאה בשיחה שבה הטבלה bigquery-public-data.iowa_liquor_sales.sales היא מקור הנתונים:

What are the best product bundling opportunities based on data from 2025?

כדי להחזיר תשובה מדויקת שכוללת מדדי מינוף, תמיכה, רמת סמך ושיפור, ניתוח הנתונים בממשק שיחה משתמש בתבניות SQL מובנות.

תמיכה בתרשימים

בניתוח נתונים באמצעות שיחה אפשר להשתמש בתרשים כמקור נתונים. כשאתם שואלים שאלות על התרשים, הנציג יוצר שאילתות כדי לענות עליהן. הסוכנים יכולים להשתמש ב תיאורים, במילים נרדפות ובתוספים שאתם מגדירים בתוויות ובמאפיינים של התרשים כדי לשפר את איכות התוצאות. הסוכנים יכולים גם להשתמש במדדים שמוגדרים בתרשים כדי לבצע צבירה בכמה רמות. אם התשובה כוללת נתיבי תרשים, יוצגו תצוגות חזותיות של התרשים.

בהתאם לסכימת הגרף ולשאלה שאתם שואלים, הנציג שולח שאילתה לגרף באמצעות Graph Query Language‏ (GQL) או באמצעות הפונקציה GRAPH_EXPAND עם ערך טבלה ב-SQL. כדי להריץ שאילתות GQL, צריך להזמין מקום ב-BigQuery Enterprise או Enterprise Plus. בפרויקטים עם תמחור על פי דרישה, שאילתות GQL נכשלות ומופיעה שגיאה. שאילתות שמכילות את הפונקציה GRAPH_EXPAND יכולות לפעול באמצעות תמחור על פי דרישה, אבל הפונקציה לא תומכת בכל סוגי התרשימים. למידע על הדרישות והמגבלות, קראו את המאמר GRAPH_EXPAND.

לדוגמה, אתם יכולים להשתמש בסוכן לדוגמה Look Graph בדף Agents ב-BigQuery כדי לשאול שאלות דומות לשאלות הבאות לגבי התרשים bigquery-public-data.thelook_ecommerce.graph:

  • Which product is most popular among 25-year-olds?
  • Show me the connection between bow tie orders and distribution centers

אבטחה

אתם יכולים לנהל את הגישה לניתוח נתוני השיחות ב-BigQuery באמצעות התפקידים וההרשאות של Conversational Analytics API ב-IAM. במאמרים התפקידים הנדרשים לסוכן הנתונים והתפקידים הנדרשים לשיחה מוסבר אילו תפקידים נדרשים לפעולות ספציפיות.

ניתוח שיחות כולל את אמצעי ההגנה והאבטחה הבאים:

  • הוא יכול לגשת רק לנתונים ולמשאבים שיש לכם הרשאת גישה אליהם.
  • הוא מכבד את אמצעי בקרת האבטחה של VPC-SC.
  • הוא לא יכול לבצע פעולות כתיבה ולא יכול להריץ שאילתות DML.
  • הוא לא יכול להפעיל פונקציות משירותים חיצוניים.
  • הוא יכול לגשת רק למקורות המידע שאתם בוחרים באופן מפורש.
  • היסטוריית השיחות שלכם משותפת רק איתכם. אי אפשר לשתף אותו עם משתמשים אחרים.
  • כשיוצרים סוכן נתונים, צריך לוודא שיש לכם גישה לשליחת שאילתות לכל מקור ידע שאתם מוסיפים.

מיקומים

הכלי "ניתוח נתונים באמצעות שיחה" תומך במיקומים הבאים, שקובעים איפה משאבי הנציג והשיחה מאוחסנים ואיפה מתבצע עיבוד נתוני למידת המכונה:

  • מספר אזורים בארה"ב
  • מספר אזורים באיחוד האירופי
  • northamerica-northeast1 (מונטריאול)
  • northamerica-northeast2 (טורונטו)
  • us-east4 (צפון וירג'יניה)
  • עולמי

כשיוצרים נציגים ושיחות, חלות פעולות ברירת המחדל הבאות:

  • אם כל מקורות המידע מגיעים מאותו אזור נתמך, למשל us-east4, המערכת תשתמש באזור הזה.
  • אם כל מקורות הידע מגיעים מאזורים בארה"ב, המערכת משתמשת ב-MREP של ארה"ב.
  • אם כל מקורות הידע מגיעים מאזורים באיחוד האירופי, המערכת משתמשת ב-MREP של האיחוד האירופי.
  • אחרת, המיקום הגלובלי משמש כברירת מחדל.

כשיוצרים נציג, אפשר לבחור מיקום אחר. אחרי ששומרים את הנציג אי אפשר לשנות את המיקום שלו.

נציגים שנוצרו לפני 4 ביוני 2026 נמצאים במיקום הגלובלי.

תמחור

החיוב מתבצע לפי תמחור המחשוב של BigQuery על שאילתות שפועלות כשיוצרים סוכני נתונים ומנהלים שיחות עם סוכני נתונים או מקורות נתונים. מידע נוסף על תמחור נציגים

שיטות מומלצות

כדאי לפעול לפי השיטות המומלצות הבאות כשעובדים עם ניתוח נתונים בממשק צ'אט:

  • בצע טיוב נתונים בטבלאות לפני שמוסיפים אותן כמקורות נתונים.

  • אחדו טבלאות קשורות בתצוגה והשתמשו בתצוגה הזו כמקור נתונים, במקום להסתמך על הסוכן שיקבע את הדרך הנכונה לאחד את הנתונים.

  • להריץ סריקות פרופיל על הנתונים.

  • הגדרת היקף הסוכנים. לנציגים עם היקף רחב יכולות להיות סתירות בהוראות, פלטים לא ברורים וביצועים לא עקביים. אם הנציג שלכם דורש יותר מ-20 מקורות נתונים, אם משתמשים בו בצוותים שונים שיש להם הגדרות שונות של מדדים, או אם הוא נותן עדיפות לסוג אחד של תוצאה על חשבון סוג אחר, כדאי ליצור נציגים נוספים.

  • לספק הקשר לסוכן. כדאי לתת עדיפות לסוגי ההקשר הבאים:

    1. שאילתות מאומתות. ‫SQL דטרמיניסטי שמופעל כשהוא תואם להנחיה של המשתמש.
    2. מילוני מונחים. הגדרות של מונחים שמקשרים בין עמודות להקשר סמנטי.
    3. הוראות לסוכן. כללי התנהגות והגדרות גלובליים שכתובים בשפה טבעית, כמו הגדרות של לוח שנה פיסקלי או כללי עיצוב.

  • הוסיפו תיאורים לטבלאות ולעמודות.

  • אל תשכפלו הגדרות של מילון מונחים ב-Knowledge Catalog ובמילון המונחים המותאם אישית של BigQuery.

  • כדי לנהל את העלויות של הסוכנים, אפשר להגדיר תקרות הוצאות ברמת הפרויקט, ברמת המשתמש וברמת השאילתה.

  • לשאול שאלות יעילות בשיחות.

  • איך שומרים או מוחקים נתונים של סוכני נתונים ושיחות.

מגבלות

אפשר להוסיף עד 100 מקורות ידע לכל סוכן.

מידע נוסף על המגבלות על שאילתות, שיחות, נתונים ורכיבים חזותיים זמין במאמר מגבלות ידועות ב-Conversational Analytics API.

מכסה דינמית משותפת

מכסה משותפת דינמית (DSQ) ב-Gemini Enterprise Agent Platform מנהלת את הקיבולת של מודל Gemini. בניגוד למכסות רגילות, DSQ מאפשרת לכם לגשת למאגר משאבים משותף גדול בלי מגבלה קבועה לכל פרויקט על קצב העיבוד של המודל.

הביצועים, כמו זמן האחזור, יכולים להשתנות בהתאם לעומס הכולל על המערכת. בזמנים של ביקוש גבוה במאגר המשותף, יכול להיות שתיתקלו מדי פעם בשגיאות 429 Resource Exhausted זמניות. השגיאות האלה מצביעות על כך שהקיבולת של המאגר המשותף מוגבלת באופן זמני, ולא שהגעתם למגבלת מכסה ספציפית בפרויקט. כדי לבדוק את הקיבולת, נסו שוב לשלוח את הבקשה אחרי השהיה קצרה.

זיהוי וניתוח של שאילתות שנוצרו על ידי סוכנים

משימות ב-BigQuery שמופעלות על ידי סוכן נתונים כוללות תוויות ספציפיות. התוויות האלה מאפשרות לזהות, לסנן ולנתח את המשימות של הסוכן.

אתם יכולים להשתמש בתוויות האלה למשימות הבאות:

זיהוי תוויות של סוכני נתונים

‫BigQuery מחיל תוויות על משימות שמופעלות על ידי ניתוח נתוני השיחות. התוויות האלה נכללות במגבלה של 64 תוויות למשאב המשימה. כדי לקבל את התווית לסינון ולניתוח אחר, צריך להציג את התווית במסוףGoogle Cloud . אפשר גם להוסיף תוויות בהתאמה אישית לסוכן הנתונים. אי אפשר להשתמש בתוויות בהתאמה אישית כדי לשנות את התוויות שנוצרו על ידי המערכת.

כדי לראות את התוויות של סוכן נתונים:

  1. במסוף Google Cloud , פותחים את פרטי המשימה.

  2. בחלונית Query job details, מאתרים את הקטע Labels ומחפשים את התוויות הבאות:

    • ca-bq-job: true מציין שהמשימה הופעלה באמצעות ניתוח נתונים בממשק שיחה.
    • הסמל data-agent-id: DATA_AGENT_ID מציין שהמשימה הופעלה על ידי סוכן נתונים. הערך הוא קטע מזהה המשאב שחולץ משם המשאב של סוכן הנתונים.
    • conversation-id: CONVERSATION_ID מציין שהמשימה משויכת לשיחה. הערך הוא קטע המזהה שחולץ משם המשאב של השיחה.

ניתוח משימות שנוצרו על ידי סוכנים

אתם יכולים להשתמש בתווית כדי לנתח את המשימות שנוצרו על ידי הסוכן. לדוגמה, כדי לבדוק כמה משימות הריץ סוכן נתונים, מריצים את השאילתה הבאה בתצוגה INFORMATION_SCHEMA.JOBS:

SELECT
  COUNT(*) AS job_count
FROM
  `PROJECT_ID`.`region-REGION`.INFORMATION_SCHEMA.JOBS
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(labels) AS label
    WHERE label.key = 'ca-bq-job' AND label.value = 'true'
  );

מחליפים את מה שכתוב בשדות הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
  • ‫REGION: האזור שבו המשימות פועלות (לדוגמה, us או eu).

המאמרים הבאים