Konversationelle Analysen – Übersicht

Mit der konversationellen Analyse in BigQuery können Sie sich in natürlicher Sprache mit KI-Agenten über Ihre Daten unterhalten. So erhalten Sie Antworten zu Ihren Daten:

  • Erstellen Sie Daten-Agents, die automatisch den Datenkontext und die Anweisungen zur Abfrageverarbeitung für eine Reihe von Wissensquellen definieren, z. B. Tabellen, Ansichten, Diagramme oder benutzerdefinierte Funktionen (UDFs), die Sie auswählen.
  • Bei Bedarf können Sie Kontext und Anweisungen für einen Agenten in Form von benutzerdefinierten Tabellen- und Feldmetadaten, Anweisungen für den Agenten zum Interpretieren und Abfragen der Daten oder durch Erstellen verifizierter Abfragen (früher als Golden Queries bezeichnet) erstellen, um den KI-Datenagenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantwortet.

Bevor Sie einen KI-Agenten anpassen, sollten Sie sich mit dem Kontext und den Anweisungen vertraut machen, die der KI-Agent erstellt.

Hier einige Beispiele für Kontext und Anweisungen, die Sie dem Agenten geben können:

  • Context ist. Ein KI-Datenagent für die Verkaufsanalyse kann so konfiguriert werden, dass er versteht, dass sich „Top-Performer“ auf Vertriebsmitarbeiter mit dem höchsten Umsatz bezieht und nicht nur auf die meisten abgeschlossenen Geschäfte.
  • Befehle: Sie können einen KI-Datenagenten anweisen, Daten immer nach dem letzten Quartal zu filtern, wenn nach „Trends“ gefragt wird, oder Ergebnisse standardmäßig nach „Produktkategorie“ zu gruppieren.

Nachdem Sie KI-Datenagenten erstellt haben, können Sie Unterhaltungen mit ihnen führen, um Fragen zu BigQuery-Daten in natürlicher Sprache zu stellen. Sie können auch direkte Unterhaltungen mit einer oder mehreren Datenquellen erstellen, um einfache, einmalige Fragen zu beantworten.

Konversationsanalysen werden von Gemini for Google Cloud unterstützt und unterstützen einige BigQuery-KI- und ML-Funktionen. Weitere Informationen finden Sie unter BigQuery-KI- und ML-Unterstützung.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet

Prompt-Analysen und Deaktivierung

Um die Qualität, Genauigkeit und Zuverlässigkeit von Conversational Analytics zu verbessern, analysiert Google anonymisierte Prompt-Daten aus Kundeninteraktionen. Diese Daten helfen dabei, gängige Nutzungsmuster zu erkennen, Verständnislücken zu identifizieren und die Gesamtleistung des Produkts zu verbessern. Diese Daten werden nicht zum Trainieren oder Optimieren der grundlegenden KI-Modelle von Google verwendet. Diese Datenverarbeitung ist standardmäßig aktiviert.

Wenn Sie die Prompt-Analyse deaktivieren möchten, haben Sie folgende Möglichkeiten:

  • So können Sie die Funktion vor dem 23. November 2026 deaktivieren:
    1. Verwenden Sie die Resource Manager API, die Befehlszeile oder die Google Cloud Console, um Projektnummern abzurufen, oder suchen Sie nach Ihrer Organisations-ID, um alle vorhandenen BigQuery-Projekte in einer Organisation zu deaktivieren.
    2. Senden Sie das Deaktivierungsformular mit den Projekt-IDs, die Sie ausschließen möchten.
  • Wenn Sie sich am oder nach dem 23. November 2026 abmelden möchten, wenden Sie die benutzerdefinierte, hierarchische Einschränkung constraints/gcp.disablePromptAnalytics des Organisationsrichtliniendienstes an, um die Aufnahme von Prompts auf Organisations-, Ordner- oder Projektebene zu blockieren.

Sie können die Prompt-Analyse in den Administratoreinstellungen der Google Cloud -Konsole wieder aktivieren. Sie müssen die benutzerdefinierte Einschränkung für den Organisationsrichtliniendienst entfernen, wenn Sie sie zuvor angewendet haben.

Weitere Informationen finden Sie in den dienstspezifischen Nutzungsbedingungen für die konversationelle Analyse in BigQuery.

KI-Agenten für Datenverarbeitung

Daten-KI-Agenten bestehen aus einer oder mehreren Wissensquellen und einer Reihe von Anweisungen, die für einen Anwendungsfall zur Verarbeitung dieser Daten spezifisch sind. Wenn Sie einen Daten-KI-Agenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Wissensquellen wie Tabellen, Ansichten, Diagramme und UDFs mit einem KI-Datenagenten verwenden. Sie können auch eine Verbindung zu grenzenlosen Lakehouse-Tabellen als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Tabellen mit natürlicher Sprache abfragen.
  • Stellen Sie benutzerdefinierte Tabellen- und Feldmetadaten bereit, um die Daten für den jeweiligen Anwendungsfall am besten zu beschreiben.
  • Stellen Sie eine Anleitung zum Interpretieren und Abfragen der Daten bereit, z. B. durch Definieren der folgenden Punkte:
    • Synonyme und Geschäftsbegriffe für Feldnamen
    • Wichtigste Felder und Standardeinstellungen für das Filtern und Gruppieren
  • Erstellen Sie verifizierte Abfragen, mit denen der Daten-Agent die Antwortstruktur eines KI-Agenten gestalten und die Geschäftslogik Ihrer Organisation erlernen kann. Verifizierte Abfragen wurden früher als Golden Queries bezeichnet. Verifizierte Abfragen können unterstützte BigQuery AI- und ML-Funktionen verwenden und unterstützen Abfrageparameter.
  • Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agenten oder importieren Sie Begriffe aus dem Unternehmensglossar aus Knowledge Catalog. Diese Begriffe helfen einem KI-Agenten, Nutzer-Prompts zu interpretieren. Informationen dazu, wann die einzelnen Typen verwendet werden sollten, finden Sie unter Glossarbegriffe erstellen oder prüfen.

Daten-Agents verwalten

Auf dem Tab Agentenkatalog in der Google Cloud Console können Sie die folgenden Arten von Daten-Agenten erstellen, verwalten und mit ihnen arbeiten:

  • Ein vordefinierter Beispiel-Agent für jedes Google Cloud -Projekt.
  • Eine Liste Ihrer entworfenen, erstellten und veröffentlichten KI-Agenten.
  • Eine Liste von KI-Agenten, die von anderen Personen erstellt und für Sie freigegeben wurden.

Weitere Informationen finden Sie unter KI-Datenagenten erstellen.

Andere Dienste im Projekt, die KI-Datenagenten unterstützen, z. B. die Conversational Analytics API und Data Studio, können auf KI-Datenagenten zugreifen, die Sie in BigQuery erstellen. Sie können auch auf einen Agenten zugreifen, der in der Google Cloud Console erstellt wurde, indem Sie ihn über die Conversational Analytics API aufrufen.

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können Daten-KI-Agenten mehrteilige Fragen stellen, die gängige Begriffe wie „Umsatz“ oder „beliebteste“ enthalten, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten in Objekten wie PDFs stellen. Ein KI-Agent kann bestimmen, welche Datenquellen abgefragt werden sollen, und beim Erstellen einer Antwort Optimierungen wie Tabellenpartitionen oder Suchindexe nutzen. Agenten können vorhandene Einbettungen Ihrer Spaltenwerte verwenden, um Ihre Frage den richtigen Daten zuzuordnen. Wenn Sie beispielsweise nach „Texas“ fragen, werden Zeilen gefunden, die als „TX“ gespeichert sind.

Die zurückgegebene Chatantwort bietet die folgenden Funktionen:

  • Die Antwort auf Ihre Frage als Text, Code oder Bilder (multimodal). Die Antwort kann unterstützte BigQuery-KI- und ‑ML-Funktionen enthalten.
  • Generierte Diagramme, sofern zutreffend.
  • Die Schlussfolgerung des KI-Agenten hinter den Ergebnissen.
  • Metadaten zur Unterhaltung, z. B. der verwendete KI-Agent und die verwendeten Datenquellen.

Wenn Sie eine direkte Unterhaltung mit einer Datenquelle erstellen, interpretiert die Conversational Analytics API Ihre Frage ohne den Kontext und die Verarbeitungsanweisungen, die ein KI-Datenagent bietet. Daher können die Ergebnisse direkter Konversationen weniger genau sein. Verwenden Sie Daten-Agenten für Anwendungsfälle, die eine höhere Genauigkeit erfordern.

Sie können Unterhaltungen in BigQuery über dieGoogle Cloud Console erstellen und verwalten. Weitere Informationen finden Sie unter Daten mit Unterhaltungen analysieren.

BigQuery-Unterstützung für KI und ML

Die konversationelle Analyse unterstützt die folgenden KI- und ML-Funktionen als Antwort auf Chats mit KI-Datenagenten und Datenquellen sowie in verifizierten SQL-Abfragen, die Sie erstellen.

Sie benötigen die erforderlichen Berechtigungen, um Abfragen mit generativer KI auszuführen.

Der Agent verwendet die Funktion AI.SEARCH nur für Tabellen, für die die autonome Einbettungsgenerierung aktiviert ist. Andernfalls verwendet der Agent die Funktion AI.SIMILARITY, für die eine Echtzeit-Einbettungsgenerierung erforderlich ist.

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

  • Wenn Sie einen KI-Agenten erstellen und eine verifizierte Abfrage hinzufügen, z. B. als Data Scientist, der einen wiederkehrenden Bericht erstellt, können Sie unterstützte KI-Funktionen in einer verifizierten Abfrage verwenden, um Standardwerte zu beschreiben und den Bericht zu automatisieren.
  • Wenn Sie einem KI-Agenten in einer Unterhaltung oder in einer verifizierten Abfrage mit Schlüsselwörtern allgemeine Fragen zu Daten stellen, generiert der KI-Agent als Antwort auf Ihre Fragen SQL.

In der folgenden Tabelle finden Sie Beispiele für One-Shot-Prompts, die die Verwendung von KI- oder ML-Funktionen aktivieren:

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Vorhersage „Prognostiziere die Anzahl der Fahrten für den nächsten Monat.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Anomalieerkennung „Finden Sie Ausreißer bei den Fahrten pro Tag für 2018, wobei 2017 als Referenzwert dient.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analyse der kausalen Wirkung „Quantifizieren Sie die Auswirkungen der Erklärung der COVID-19-Pandemie am 11. März 2020 auf die täglichen Taxifahrten.“ bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
Trendanalyse „Analysiere den langfristigen Trend der täglichen Fahrten für 2017.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Saisonalitätsanalyse „Analysiere das saisonale Muster der täglichen Fahrten für 2017.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Änderungspunkterkennung „Wendepunkte bei täglichen Fahrten erkennen.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Wichtige Faktoren „Identifiziere die wichtigsten Faktoren für die Veränderungen des Fahrtvolumens zwischen 2017 und 2018.“ bigquery-public-data.austin_bikeshare.bikeshare_trips
Korrelationsanalyse „Wie korreliert das Körpergewicht mit der Flossenlänge, der Schnabellänge und der Schnabelhöhe?“ bigquery-public-data.ml_datasets.penguins
Datenprofilerstellung „Erstelle ein Profil der Tabelle, um nach Dateninkonsistenzen zu suchen.“ bigquery-public-data.ml_datasets.census_adult_income
Vorhersagemodellierung „Körpermasse von Pinguinen vorhersagen“ bigquery-public-data.ml_datasets.penguins
Semantische Suche „Finde die fünf besten Rezensionen, die am ehesten zu ‚spannender Psychothriller‘ passen.“ bigquery-public-data.imdb.reviews
LLM-Textgenerierung „Fasse für jeden Artikel in der Kategorie ‚Sport‘ die Spalte ‚body‘ in 1–2 Sätzen zusammen.“ bigquery-public-data.bbc_news.fulltext
Semantische Filterung „Filtern Sie die Artikel in der Kategorie ‚Technologie‘, um diejenigen zu finden, in denen es um Durchbrüche im Bereich der künstlichen Intelligenz geht.“ bigquery-public-data.bbc_news.fulltext
Semantische Bewertung „Geben Sie für die Artikel in der Kategorie ‚Unterhaltung‘ eine Bewertung an, die den Grad der positiven Stimmung angibt.“ bigquery-public-data.bbc_news.fulltext
Semantische Kategorisierung „Tagge jede Rezension mit dem Hauptfokus des Rezensenten: Schauspiel, Handlung, Kamera, Regie oder Sonstiges.“ bigquery-public-data.imdb.reviews
Semantische Aggregation „Fasse die Rezensionen für ‚Der englische Patient‘ zusammen.“ bigquery-public-data.imdb.reviews

Unterstützung bei analytischen Aufgaben

Konversationsanalysen unterstützen die Warenkorbanalyse, auch als Assoziationsregel-Lernen bezeichnet. Dabei handelt es sich um eine Technik, mit der Kaufmuster aufgedeckt werden. Bei dieser Analyse werden Beziehungen zwischen Artikeln ermittelt, die häufig zusammen in einer Transaktion gekauft werden.

Sie können beispielsweise die folgende Frage in einer Unterhaltung stellen, die die Tabelle bigquery-public-data.iowa_liquor_sales.sales als Datenquelle hat:

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

Die konversationelle Analyse verwendet integrierte SQL-Vorlagen, um eine genaue Antwort mit den Messwerten „Leverage“, „Support“, „Confidence“ und „Lift“ zurückzugeben.

Diagrammunterstützung

Conversational Analytics unterstützt die Verwendung eines Diagramms als Datenquelle. Wenn Sie Fragen zu Ihrem Graphen stellen, erstellt der Agent Abfragen, um sie zu beantworten. KI-Agenten können Beschreibungen, Synonyme und Erweiterungen verwenden, die Sie für Ihre Diagrammlabels und ‑attribute definieren, um die Qualität der Ergebnisse zu verbessern. Agenten können auch Messwerte nutzen, die in Ihrem Diagramm definiert sind, um eine mehrstufige Aggregation durchzuführen. Wenn die Antwort Diagrammpfade enthält, werden Diagrammvisualisierungen bereitgestellt.

Je nach Diagrammschema und Frage, die Sie stellen, fragt der Agent ein Diagramm entweder mit der Graph Query Language (GQL) oder der Tabellenwertfunktion GRAPH_EXPAND in SQL ab. Für GQL-Abfragen ist eine Reservierung der BigQuery Enterprise- oder Enterprise Plus-Version erforderlich. In Projekten mit On-Demand-Preisen schlagen GQL-Abfragen mit einem Fehler fehl. Abfragen, die die Funktion GRAPH_EXPAND enthalten, können mit On-Demand-Preisen ausgeführt werden. Die Funktion unterstützt jedoch nicht alle Arten von Graphen. Informationen zu Anforderungen und Einschränkungen finden Sie unter GRAPH_EXPAND.

Sie können beispielsweise den Beispiel-Agenten Look Graph auf der BigQuery-Seite Agents verwenden, um Fragen wie die folgenden zum Graphen bigquery-public-data.thelook_ecommerce.graph zu stellen:

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

Sicherheit

Sie können den Zugriff auf Conversational Analytics in BigQuery mithilfe von IAM-Rollen und ‑Berechtigungen für die Conversational Analytics API verwalten. Informationen zu den Rollen, die für bestimmte Vorgänge erforderlich sind, finden Sie unter Erforderliche Rollen für KI-Datenagenten und Erforderliche Rollen für Konversationen.

Die Konversationsanalyse umfasst die folgenden Sicherheitsfunktionen und ‑maßnahmen:

  • Es kann nur auf Daten und Ressourcen zugreifen, für die Sie eine Zugriffsberechtigung haben.
  • VPC-SC-Sicherheitskontrollen werden berücksichtigt.
  • Es kann keine Schreibvorgänge ausführen und keine DML-Abfragen ausführen.
  • Remote-Funktionen können nicht ausgeführt werden.
  • Es kann nur auf die Wissensquellen zugreifen, die Sie explizit auswählen.
  • Ihr Unterhaltungsverlauf wird nur mit Ihnen geteilt. Sie können sie nicht für andere Nutzer freigeben.
  • Wenn Sie einen KI-Datenagenten erstellen, müssen Sie Zugriff auf alle Wissensquellen haben, die Sie hinzufügen.

Standorte

Die konversationelle Analyse unterstützt die folgenden Standorte, die festlegen, wo KI-Agenten- und Konversationsressourcen gespeichert werden und wo die ML-Verarbeitung stattfindet:

  • US MREP
  • EU MREP
  • northamerica-northeast1 (Montreal)
  • northamerica-northeast2 (Toronto)
  • us-east4 (Northern Virginia)
  • Global

Beim Erstellen von Agenten und Unterhaltungen gilt das folgende Standardverhalten:

  • Wenn alle Ihre Wissensquellen aus derselben unterstützten Region stammen, z. B. us-east4, wird diese Region verwendet.
  • Wenn alle Ihre Wissensquellen aus Regionen in den USA stammen, wird der US-MREP verwendet.
  • Wenn alle Ihre Wissensquellen aus Regionen in der EU stammen, wird der EU-MREP verwendet.
  • Andernfalls wird der globale Standort verwendet.

Wenn Sie einen Agenten erstellen, können Sie optional einen anderen Standort auswählen. Nachdem Sie den Agenten gespeichert haben, können Sie seinen Standort nicht mehr ändern.

KI-Agenten, die vor dem 4. Juni 2026 erstellt wurden, befinden sich am globalen Standort.

Preise

Für Abfragen, die beim Erstellen von KI-Datenagenten und bei Unterhaltungen mit KI-Datenagenten oder Datenquellen ausgeführt werden, werden die BigQuery-Compute-Preise berechnet. Weitere Informationen finden Sie unter Preise für Agenten.

Best Practices

Beachten Sie die folgenden Best Practices, wenn Sie mit Konversationsanalysen arbeiten:

  • Führen Sie eine Datenbereinigung für Ihre Tabellen durch, bevor Sie sie als Datenquellen hinzufügen.

  • Verknüpfen Sie verwandte Tabellen in einer Ansicht und verwenden Sie diese Ansicht als Datenquelle, anstatt sich darauf zu verlassen, dass der Agent die richtige Methode zum Verknüpfen Ihrer Daten ermittelt.

  • Profilscans für Ihre Daten ausführen

  • Umfang der KI-Agenten festlegen Agenten mit einem breiten Anwendungsbereich können widersprüchliche Anweisungen, mehrdeutige Ausgaben und eine inkonsistente Leistung aufweisen. Wenn Ihr KI-Agent mehr als 20 Datenquellen benötigt, in Teams mit unterschiedlichen Messwertdefinitionen verwendet wird oder einen Ergebnistyp auf Kosten eines anderen priorisiert, sollten Sie zusätzliche KI-Agenten erstellen.

  • Kontext für den KI-Agenten bereitstellen Priorisieren Sie Kontexttypen so:

    1. Verifizierte Abfragen. Deterministisches SQL, das ausgeführt wird, wenn es mit einem Nutzer-Prompt übereinstimmt.
    2. Glossare: Definitionen von Begriffen, die Spalten mit semantischem Kontext verknüpfen.
    3. Anweisungen für den KI-Agenten. Globale Verhaltensregeln und Definitionen, die in natürlicher Sprache verfasst sind, z. B. Definitionen für den Geschäftskalender oder Formatierungsregeln.

  • Fügen Sie Ihren Tabellen Tabellen- und Spaltenbeschreibungen hinzu.

  • Duplizieren Sie keine Glossardefinitionen in Knowledge Catalog und im benutzerdefinierten BigQuery-Glossar.

  • Legen Sie Ausgabenlimits auf Projektebene, Nutzer- und Abfrageebene fest, um die Kosten für Ihre Agenten zu verwalten.

  • Stellen Sie in Ihren Gesprächen effektive Fragen.

  • Informationen zur Aufbewahrung und Löschung von Daten für KI-Datenagenten und Unterhaltungen

Beschränkungen

Sie können einem KI-Agenten maximal 100 Wissensquellen hinzufügen.

Weitere Informationen zu Einschränkungen bei Abfragen, Unterhaltungen, Daten und Visualisierungen finden Sie unter Bekannte Einschränkungen der Conversational Analytics API.

Dynamisches freigegebenes Kontingent

Das dynamische gemeinsame Kontingent (Dynamic Shared Quota, DSQ) in der Gemini Enterprise Agent Platform verwaltet die Kapazität für das Gemini-Modell. Im Gegensatz zu herkömmlichen Kontingenten können Sie mit DSQ auf einen großen gemeinsamen Ressourcenpool zugreifen, ohne dass ein festes Limit pro Projekt für den Modelldurchsatz gilt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtlast des Systems variieren. In Zeiten hoher Nachfrage im freigegebenen Pool können gelegentlich vorübergehende 429 Resource Exhausted-Fehler auftreten. Diese Fehler weisen darauf hin, dass die Kapazität des freigegebenen Pools vorübergehend eingeschränkt ist, aber nicht, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Warten Sie kurz und führen Sie die Anfrage dann noch einmal aus, um die Kapazität zu prüfen.

Von KI-Agenten generierte Abfragen identifizieren und analysieren

BigQuery-Jobs, die von einem KI-Datenagenten ausgeführt werden, enthalten bestimmte Labels. Mit diesen Labels können Sie die Jobs des Agents identifizieren, filtern und analysieren.

Sie können diese Labels für die folgenden Aufgaben verwenden:

Labels für KI-Datenagenten identifizieren

BigQuery wendet Labels auf Jobs an, die von konversationellen Analysen ausgeführt werden. Diese Labels werden auf das Limit von 64 Labels für die Jobressource angerechnet. Wenn Sie das Label für die Filterung und andere Analysen abrufen möchten, rufen Sie das Label in derGoogle Cloud Console auf. Sie können auch benutzerdefinierte Labels auf Ihren KI-Datenagenten anwenden. Sie können die vom System generierten Labels nicht mit benutzerdefinierten Labels überschreiben.

So rufen Sie die Labels eines KI-Datenagenten auf:

  1. Rufen Sie in der Google Cloud Console die Jobdetails auf.

  2. Suchen Sie im Bereich Details zum Abfragejob den Abschnitt Labels und suchen Sie nach den folgenden Labels:

    • ca-bq-job: true gibt an, dass Ihr Job mit konversationeller Analyse ausgeführt wurde.
    • data-agent-id: DATA_AGENT_ID gibt an, dass der Job von einem KI-Datenagenten ausgeführt wurde. Der Wert ist das Ressourcen-ID-Segment, das aus dem Ressourcennamen des KI-Datenagenten extrahiert wurde.
    • conversation-id: CONVERSATION_ID gibt an, dass der Job mit einer Unterhaltung verknüpft ist. Der Wert ist das ID-Segment, das aus dem Namen der Unterhaltungsressource extrahiert wurde.

Von KI-Agenten generierte Jobs analysieren

Verwenden Sie das Label, um die vom KI-Agenten generierten Jobs zu analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem Daten-Agent ausgeführt wurden, führen Sie die folgende Abfrage für die Ansicht INFORMATION_SCHEMA.JOBS aus:

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'
  );

Ersetzen Sie Folgendes:

  • PROJECT_ID: Projekt-ID in Google Cloud .
  • REGION: die Region, in der Ihre Jobs ausgeführt werden (z. B. us oder eu).

Nächste Schritte