Analyser avec le canevas de données BigQuery

Ce document explique comment utiliser Data Canvas pour l'analyse de données. Vous pouvez également gérer les métadonnées du canevas de données à l'aide de Knowledge Catalog.

Le canevas de données BigQuery, une fonctionnalité de Gemini dans BigQuery, vous permet de rechercher, de transformer, d'interroger et de visualiser des données à l'aide de requêtes en langage naturel et d'une interface graphique pour workflows d'analyse.

Pour les workflows d'analyse, le canevas de données BigQuery utilise un graphe orienté acyclique (DAG), qui fournit une vue graphique de votre workflow. Dans le canevas de données BigQuery, vous pouvez effectuer une itération sur les résultats de requête et travailler avec plusieurs branches d'interrogation au même endroit.

Le canevas de données BigQuery est conçu pour accélérer les tâches d'analyse et aider les professionnels des données tels que les analystes de données, les ingénieurs de données et d'autres professionnels dans leur parcours d'obtention d'insights à partir de données. Vous n'avez pas besoin de connaissances techniques sur des outils spécifiques, mais seulement de savoir lire et écrire du SQL. Le canevas de données BigQuery fonctionne avec les métadonnées Knowledge Catalog pour identifier les tables appropriées en fonction du langage naturel.

Le canevas de données BigQuery n'est pas destiné à être utilisé directement par les utilisateurs professionnels.

Les canevas de données BigQuery utilisent Gemini dans BigQuery pour rechercher vos données, créer du code SQL, générer des graphiques et créer des résumés de données.

Découvrez comment et quand Gemini pour Google Cloud utilise vos données.

Capacités

Le canevas de données BigQuery vous permet d'effectuer les opérations suivantes :

• Utiliser la recherche en langage naturel avec les métadonnées Knowledge Catalog pour rechercher des éléments tels que des tables, des vues ou des vues matérialisées.

• Utiliser le langage naturel pour les requêtes SQL de base. Par exemple :

  • Requêtes contenant des clauses FROM, fonctions mathématiques, tableaux et structures.
  • Opérations JOIN pour deux tables.

• Créer des visualisations personnalisées en utilisant le langage naturel pour décrire ce que vous souhaitez.

• Automatiser les insights sur les données.

Limites

• Les commandes en langage naturel peuvent ne pas fonctionner correctement avec les éléments suivants :

  • BigQuery ML
  • Apache Spark
  • Tables d'objets
  • BigLake
  • INFORMATION_SCHEMA vues
  • JSON
  • Champs imbriqués et répétés
  • Fonctions et types de données complexes, tels que DATETIME et TIMEZONE

• Les visualisations de données ne fonctionnent pas avec les graphiques de cartes géographiques.

Bonnes pratiques concernant les requêtes

Avec les bonnes techniques de requêtage, vous pouvez générer des requêtes SQL complexes. Les suggestions suivantes aident le canevas de données BigQuery à affiner vos requêtes en langage naturel pour améliorer la précision de vos requêtes :

• Écrivez de manière claire. Énoncez votre demande clairement et évitez d'être vague.

• Posez des questions directes. Pour obtenir la réponse la plus précise, posez une question à la fois et rédigez des requêtes concises. Si vous avez initialement fourni un prompt contenant plusieurs questions, détaillez chaque partie distincte de la question pour que Gemini la comprenne clairement.

• Donnez des instructions ciblées et explicites. Mettez en avant les termes clés dans vos requêtes.

• Spécifiez l'ordre des opérations. Fournissez des instructions claires et ordonnées. Divisez les tâches en petites étapes ciblées.

• Affinez et itérez. Essayez différentes expressions et approches pour voir ce qui donne les meilleurs résultats.

Pour en savoir plus, consultez les bonnes pratiques de requêtage pour le canevas de données BigQuery.

Avant de commencer

1. Assurez-vous que Gemini dans BigQuery est activé pour votre projet Google Cloud . Cette étape est généralement effectuée par un administrateur.
2. Vérifiez que vous disposez des autorisations IAM (Identity and Access Management) nécessaires pour utiliser le canevas de données BigQuery.
3. Pour gérer les métadonnées du canevas de données dans Knowledge Catalog, assurez-vous que l'API Dataplex est activée dans votre projet Google Cloud .

Rôles requis

Pour obtenir les autorisations nécessaires pour utiliser le canevas de données BigQuery, demandez à votre administrateur de vous accorder les rôles IAM suivants sur le projet :

• Utilisateur BigQuery Studio (roles/bigquery.studioUser)
• Utilisateur Gemini pour Google Cloud (roles/cloudaicompanion.user)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises via des rôles personnalisés ou d'autres rôles prédéfinis.

Pour plus d'informations sur les rôles et les autorisations IAM dans BigQuery, consultez la page Présentation d'IAM.

Pour gérer les métadonnées du canevas de données dans Knowledge Catalog, assurez-vous de disposer des rôles Knowledge Catalog requis et de l'autorisation dataform.repositories.get.

Remarque : Lorsque vous créez un canevas de données, BigQuery vous attribue le rôle Administrateur Dataform (roles/dataform.admin) sur ce canevas de données. Tous les utilisateurs disposant du rôle Administrateur Dataform sur le projet Google Cloud disposent d'un accès propriétaire à tous les canevas de données créés dans le projet. Pour remplacer ce comportement, consultez Accorder un rôle spécifique lors de la création de la ressource.

Points à noter concernant la sécurité des canevas de données

Étant donné que les éléments de code dans BigQuery sont fournis par Dataform, vous devez tenir compte des implications de sécurité suivantes pour les utilisateurs ayant accès à ces éléments :

• La visibilité des composants de code est régie par les autorisations Dataform au niveau du projet. Les utilisateurs disposant de l'autorisation dataform.repositories.list (incluse dans les rôles BigQuery standards tels que Utilisateur de job BigQuery, Utilisateur BigQuery Studio et Utilisateur BigQuery) peuvent voir tous les composants de code dans le panneau Explorateur du projet Google Cloud , qu'ils les aient créés ou qu'ils aient été partagés avec eux. Pour restreindre la visibilité, vous pouvez créer des rôles personnalisés qui excluent l'autorisation dataform.repositories.list.
• Les secrets partagés avec l'agent de service Dataform sont potentiellement accessibles aux utilisateurs qui peuvent modifier ces composants. Pour sécuriser vos identifiants, limitez l'accès en création et en modification aux utilisateurs de confiance, et limitez les secrets accessibles à l'agent de service Dataform. Pour en savoir plus, consultez Accès aux secrets lors de l'installation du package.

Pour en savoir plus, consultez Remarques sur la sécurité pour les autorisations Dataform.

Types de nœuds

Un canevas est un ensemble d'un ou plusieurs nœuds. Les nœuds peuvent être connectés dans n'importe quel ordre. Le canevas de données BigQuery comporte les types de nœuds suivants :

• Texte
• Rechercher
• Table
• SQL
• Nœud de destination
• Visualisation
• Insights

Nœud de texte

Dans le canevas de données BigQuery, un nœud de texte vous permet d'ajouter du contenu textuel enrichi à votre canevas. Il est utile pour ajouter des explications, des notes ou des instructions à votre canevas, ce qui vous permet, à vous et à d'autres personnes, de comprendre plus facilement le contexte et l'objectif de votre analyse. Vous pouvez saisir n'importe quel contenu textuel dans l'éditeur de nœuds de texte, y compris du Markdown pour la mise en forme. Cette fonctionnalité vous permet de créer des blocs de texte visuellement attrayants et informatifs.

À partir du nœud de texte, vous pouvez effectuer les opérations suivantes :

• Supprimez le nœud.
• Déboguez le nœud.
• Dupliquez le nœud.

Nœud de recherche

Dans le canevas de données BigQuery, un nœud de recherche vous permet de trouver et d'intégrer des éléments de données dans votre canevas. Il sert de pont entre vos requêtes en langage naturel ou vos recherches par mots clés et les données réelles avec lesquelles vous souhaitez travailler.

Vous fournissez une requête de recherche, soit en langage naturel, soit à l'aide de mots clés. Le nœud de recherche effectue des recherches dans vos composants de données. Il exploite les métadonnées Knowledge Catalog pour une meilleure connaissance du contexte. Le canevas de données BigQuery suggère également les tables, les requêtes et les requêtes enregistrées récemment utilisées.

Le nœud de recherche renvoie une liste d'assets de données pertinents correspondant à votre requête. Il prend en compte les noms de colonnes et les descriptions de tables. Vous pouvez ensuite sélectionner les composants que vous souhaitez ajouter à votre canevas de données en tant que nœuds de tableau, où vous pourrez analyser et visualiser les données plus en détail.

À partir du nœud de recherche, vous pouvez effectuer les opérations suivantes :

• Supprimez le nœud.
• Déboguez le nœud.
• Dupliquez le nœud.

Nœud de table

Dans le canevas de données BigQuery, un nœud de table représente une table spécifique que vous avez intégrée à votre workflow d'analyse. Il représente les données avec lesquelles vous travaillez et vous permet d'interagir directement avec elles.

Un nœud de table affiche des informations sur la table, comme son nom, son schéma et un aperçu des données. Vous pouvez interagir avec le tableau en affichant des détails tels que le schéma, les informations et un aperçu.

À partir du nœud de tableau, vous pouvez effectuer les opérations suivantes :

• Supprimez le nœud.
• Déboguez le nœud.
• Dupliquez le nœud.
• Exécutez le nœud.
• Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

• Interrogez les résultats dans un nouveau nœud SQL.
• Joindre les résultats à une autre table.

Nœud SQL

Dans le canevas de données BigQuery, un nœud SQL vous permet d'exécuter des requêtes SQL personnalisées directement dans votre canevas. Vous pouvez écrire du code SQL directement dans l'éditeur de nœud SQL ou utiliser un prompt en langage naturel pour générer le code SQL.

Le nœud SQL exécute la requête SQL fournie sur les sources de données spécifiées. Le nœud SQL produit une table de résultats, qui peut ensuite être connectée à d'autres nœuds du canevas pour une analyse ou une visualisation plus approfondie. Les résultats de l'exécution d'un nœud SQL, appelés résultats de la requête, peuvent également être conservés dans leur propre table via un nœud de destination.

Une fois la requête exécutée, vous pouvez l'exporter en tant que requête programmée, exporter les résultats de la requête ou partager le canevas, comme pour l'exécution d'une requête interactive.

À partir du nœud SQL, vous pouvez effectuer les opérations suivantes :

• Exporter l'instruction SQL en tant que requête programmée.
• Supprimez le nœud.
• Déboguez le nœud.
• Dupliquez le nœud.
• Exécutez le nœud.
• Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

• Interrogez les résultats dans un nouveau nœud SQL.
• Enregistrez les résultats dans une table.
• Visualisez les résultats dans un nœud de visualisation.
• Générez des insights sur les résultats dans un nœud d'insights.
• Joignez les résultats à une autre table.

Nœud de destination

Dans le canevas de données BigQuery, un nœud de destination est un enfant d'un nœud SQL qui conserve le résultat d'une exécution SQL dans une table dédiée. Vous pouvez enregistrer la table dans un ensemble de données nouveau ou existant, ou en tant que table nouvelle ou existante dans un ensemble de données. Une fois qu'une table de destination est créée, utilisez le bouton d'activation SQL pour la maintenir à jour en temps réel lorsque le nœud SQL parent est réexécuté.

Un nœud de destination peut devenir un nœud de table lorsqu'il est détaché de son parent et que le contenu de la table n'est pas affecté par les modifications en amont au niveau du nœud SQL parent.

À partir du nœud de destination, vous pouvez effectuer les opérations suivantes :

• Détachez le nœud du parent pour en faire un nœud de tableau autonome.
• Interrogez la table dans un nouveau nœud SQL.
• Joindre les résultats à une autre table.

Nœud de visualisation

Dans BigQuery Data Canvas, un nœud de visualisation vous permet d'afficher les données visuellement, ce qui facilite la compréhension des tendances, des schémas et des insights. Il propose différents types de graphiques, ce qui vous permet de sélectionner et de personnaliser la visualisation la plus adaptée à vos données.

Un nœud de visualisation prend une table en entrée, qui peut être le résultat d'une requête SQL ou d'un nœud de table. En fonction du type de graphique sélectionné et des données de la table d'entrée, le nœud de visualisation génère un graphique. Vous pouvez sélectionner Graphique automatique pour laisser BigQuery choisir le type de graphique le mieux adapté à vos données. Le nœud de visualisation affiche ensuite le graphique généré.

Le nœud de visualisation vous permet de personnaliser votre graphique, y compris de modifier les couleurs, les étiquettes et les sources de données. Vous pouvez également exporter le graphique au format PNG.

Visualiser les données à l'aide des types de graphiques suivants :

• Graphique à barres
• Carte de densité
• Graphique linéaire
• Graphique à secteurs
• Graphique à nuage de points

À partir du nœud de visualisation, vous pouvez effectuer les opérations suivantes :

• Exporter le graphique au format PNG
• Déboguez le nœud.
• Dupliquez le nœud.
• Exécutez le nœud.
• Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

• Générez des insights sur les résultats dans un nœud d'insights.
• Modifiez la visualisation.

Nœud "Insights"

Dans le canevas de données BigQuery, un nœud d'insights vous permet de générer des insights et des résumés à partir des données de votre canevas de données. Cela vous aide à identifier des modèles, à évaluer la qualité des données et à effectuer des analyses statistiques sur votre canevas. Il identifie les tendances, les schémas, les anomalies et les corrélations dans vos données, et génère des résumés concis et clairs des résultats de l'analyse des données.

Pour en savoir plus sur les insights sur les données, consultez Générer des insights sur les données dans BigQuery.

À partir du nœud d'insights, vous pouvez effectuer les opérations suivantes :

• Supprimez le nœud.
• Dupliquez le nœud.
• Exécutez le nœud.

Utiliser le canevas de données BigQuery

Vous pouvez utiliser le canevas de données BigQuery dans la console Google Cloud , une requête ou une table.

1. Accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, sélectionnez IA et connaissances, puis cliquez sur Tableau de données.

   

3. Dans le champ de requête Langage naturel, saisissez un prompt en langage naturel.

   Par exemple, si vous saisissez Find me tables related to trees, le canevas de données BigQuery renvoie une liste de tables possibles, y compris des ensembles de données publics tels que bigquery-public-data.usfs_fia.plot_tree ou bigquery-public-data.new_york_trees.tree_species.

4. Sélectionnez une table.

   Un nœud de table est ajouté pour la table sélectionnée au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.

5. Facultatif : Après avoir enregistré le canevas de données, utilisez la barre d'outils suivante pour afficher les détails du canevas de données ou l'historique des versions, ajouter des commentaires, répondre à un commentaire existant ou obtenir un lien vers celui-ci :

   

   La fonctionnalité Commentaires de la barre d'outils est disponible en version preview. Pour envoyer des commentaires ou demander de l'aide concernant cette fonctionnalité, envoyez un e-mail à l'adresse [e-mail].

Commandes de canevas

La barre d'outils du canevas de données fournit les commandes suivantes pour ajouter des nœuds et gérer la vue du canevas :

• Recherche : ajoute un nœud de recherche au canevas.
• SQL : ajoute un nœud SQL au canevas.
• Texte : ajoute un nœud Markdown ou de texte pour les commentaires.
• Commandes de zoom : vous permettent de définir un niveau de zoom spécifique.
• Zoomer pour ajuster : ajuste automatiquement le zoom pour afficher tout le contenu sur le canevas.
• Zoom sur la sélection : ajuste automatiquement le zoom pour se concentrer sur le nœud sélectionné.
• Zoom avant : agrandit la vue du canevas. Vous pouvez également faire un zoom avant en maintenant enfoncée la touche Ctrl et en utilisant la molette de la souris pour faire défiler l'écran.
• Zoom arrière : réduit la vue du canevas. Vous pouvez également faire un zoom arrière en maintenant enfoncée la touche Ctrl et en utilisant la molette de la souris pour faire défiler la page.
• Plein écran : permet de passer en mode plein écran pour le canevas.
• Ranger le canevas : organise automatiquement les nœuds sur votre canevas.
• Actualiser le canevas : exécute tous les nœuds exécutables avec un seul bouton.
• Autres actions : ouvre d'autres options, comme effacer le canevas.

Les exemples suivants illustrent différentes façons d'utiliser le canevas de données BigQuery dans les workflows d'analyse.

Paramètres du canevas

Le volet Paramètres du canevas propose les options suivantes :

• Emplacement : emplacement de traitement de votre canevas de données. Pour en savoir plus, consultez Spécifier des emplacements.
• Paramètres de requête : ajoutez des paramètres à utiliser dans les requêtes SQL pour votre canevas de données.
• Gestion des ressources : gérez la priorité des jobs de requête, la mise en cache et les paramètres des jobs.
• Gestion du canevas : contrôlez l'affichage des résultats de requête dans votre canevas de données.
• Options avancées : sélectionnez une Google-owned and Google-managed encryption key ou une clé de chiffrement gérée par le client (CMEK), puis définissez le nombre maximal d'octets facturés pour vos requêtes.

Pour modifier les paramètres de votre canevas de données :

1. Accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans le volet de gauche, cliquez sur Explorateur.

3. Développez le nom de votre projet, puis cliquez sur Canevas de données.

4. Sur la page Canevas de données, cliquez sur le lien du canevas que vous souhaitez mettre à jour.

5. Cliquez sur Paramètres du canevas.

6. Dans la section Emplacement, choisissez l'une des options suivantes :

   1. Sélectionnez Sélection automatique de l'emplacement pour autoriser BigQuery à déterminer automatiquement l'emplacement de traitement en fonction des ressources que vous interrogez.

   2. Vous pouvez également acheminer manuellement vos jobs en procédant comme suit :

      1. Désélectionnez Sélection automatique de l'emplacement, puis sélectionnez un Type d'emplacement (Région ou Multirégional).

      2. Dans le champ "Région", spécifiez la région, ou dans le champ "Multirégional", spécifiez l'emplacement multirégional.

      3. Si vous le souhaitez, dans Réservation, choisissez une réservation à utiliser pour les jobs de canevas.

7. Dans la section Paramètres de requête, choisissez l'une des options suivantes :

   1. Cliquez sur Ajouter un paramètre pour définir des paramètres standards à utiliser dans les requêtes SQL de votre canevas.

   2. Saisissez un nom, un type et une valeur pour le paramètre.

   Remarque : Les paramètres de requête de la console Google Cloud n'acceptent que les types primitifs. Pour les types complexes tels que ARRAY, STRUCT et JSON, utilisez l'outil de ligne de commande bq ou l'API BigQuery.

8. Dans la section Gestion des ressources, choisissez l'une des options suivantes :

   1. Pour Priorité du job, choisissez d'exécuter vos requêtes de canevas avec la priorité Interactive ou Par lot.

   2. Sous Préférence pour le cache, sélectionnez Utiliser les résultats mis en cache pour permettre à BigQuery de renvoyer les résultats de requête précédemment mis en cache. L'utilisation de résultats mis en cache peut réduire les coûts et améliorer les performances.

   3. Dans le champ Délai avant expiration du job, saisissez la durée maximale d'exécution du job en millisecondes. Si cette limite est dépassée, BigQuery tente d'arrêter le job.

9. Dans la section Gestion du canevas, désélectionnez Omettre la sortie du nœud lors de l'enregistrement de ce canevas pour mettre en cache les résultats de la requête avec l'état du canevas. Cela n'enregistre que la structure et les requêtes du canevas.

10. Développez la section Options avancées, puis choisissez l'une des options suivantes :

    1. Pour Chiffrement, sélectionnez Clés gérées par Google ou Clé Cloud KMS, puis saisissez le type et la valeur de votre clé gérée par le client.

    2. Dans le champ Nombre maximal d'octets facturés, saisissez une limite pour les octets facturés pour vos requêtes. Si une requête dépasse cette limite, elle échoue sans entraîner de frais. Si cette option n'est pas spécifiée, le nombre maximal d'octets facturés est défini sur la valeur par défaut du projet.

11. Une fois les modifications effectuées, cliquez sur Enregistrer pour appliquer les paramètres à votre canevas de données.

Exemple de workflow : Rechercher, interroger et visualiser des données

Dans cet exemple, vous allez utiliser des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher des données, générer une requête et la modifier. Vous devez ensuite créer un graphique.

Prompt 1 : Trouver des données

1. Dans la console Google Cloud , accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, sélectionnez IA et connaissances, puis cliquez sur Data Canvas.

   

3. Cliquez sur Rechercher des données.

4. Cliquez sur filter_list Modifier les filtres de recherche, puis, dans le volet Filtrer la recherche, cliquez sur le bouton d'activation Ensembles de données publics BigQuery pour l'activer.

5. Dans le champ de requête Langage naturel, saisissez le prompt en langage naturel suivant :

   Chicago taxi trips
   

   Le canevas de données BigQuery génère une liste de tables potentielles basées sur les métadonnées Knowledge Catalog. Vous pouvez sélectionner plusieurs tables.

6. Sélectionnez la table bigquery-public-data.chicago_taxi_trips.taxi_trips, puis cliquez sur Ajouter au canevas.

   Un nœud de table est ajouté pour taxi_trips au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.

Prompt 2 : Générer une requête SQL dans la table sélectionnée

Cette technologie étant à un stade précoce, il se peut que les produits Gemini pour Google Cloudgénèrent des résultats qui semblent plausibles, mais qui sont en fait incorrects. Nous vous recommandons de vérifier tous les résultats des produits Gemini pour Google Cloud avant de les utiliser. Pour en savoir plus, consultez la page Gemini pour Google Cloud et l'IA responsable.

Pour générer une requête SQL pour la table bigquery-public-data.chicago_taxi_trips.taxi_trips, procédez comme suit :

1. Dans le canevas de données, cliquez sur Requête.

2. Dans le champ de requête Langage naturel, saisissez les informations suivantes :

   Get me the 100 longest trips
   

   Le canevas de données BigQuery génère une requête SQL semblable à la suivante :

   SELECT
     taxi_id,
     trip_start_timestamp,
     trip_end_timestamp,
     trip_miles
   FROM
     `bigquery-public-data.chicago_taxi_trips.taxi_trips`
   ORDER BY
     trip_miles DESC
   LIMIT
     100;

Prompt 3 : Modifier la requête

Pour modifier la requête que vous avez générée, vous pouvez modifier manuellement la requête, ou modifier la requête en langage naturel et la regénérer. Dans cet exemple, vous utilisez un prompt en langage naturel pour modifier la requête afin de ne sélectionner que les trajets pour lesquels le client a payé en espèces.

1. Dans le champ de requête Langage naturel, saisissez les informations suivantes :

   Get me the 100 longest trips where the payment type is cash
   

   Le canevas de données BigQuery génère une requête SQL semblable à la suivante :

   SELECT
     taxi_id,
     trip_start_timestamp,
     trip_end_timestamp,
     trip_miles
   FROM
     `PROJECT_ID.chicago_taxi_trips_123123.taxi_trips`
   WHERE
     payment_type = 'Cash'
   ORDER BY
     trip_miles DESC
   LIMIT
     100;

   Dans l'exemple précédent, PROJECT_ID est l'ID de votre projet Google Cloud .

2. Pour afficher les résultats de la requête, cliquez sur Exécuter.

Créer un graphique

1. Dans le canevas de données, cliquez sur Visualiser.

2. Cliquez sur Créer un graphique à barres.

   Le canevas de données BigQuery crée un graphique à barres affichant le nombre maximal de kilomètres par ID de trajet. Outre la fourniture d'un graphique, le canevas de données BigQuery résume certains des détails clés des données à la base de la visualisation.

3. Facultatif : Effectuez l'une ou plusieurs des opérations suivantes :

   • Pour modifier le graphique, cliquez sur Modifier, puis modifiez le graphique dans le volet Modifier la visualisation.
   • Pour partager le canevas de données, cliquez sur Partager, puis sur Partager le lien pour copier le lien du canevas de données BigQuery.
   • Pour nettoyer le canevas de données, sélectionnez Autres actions, puis Effacer le canevas. Cette étape permet d'obtenir un canevas vide.

Exemple de workflow : Joindre des tables

Dans cet exemple, vous utilisez des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher des données et joindre des tables. Vous allez ensuite exporter une requête sous forme de notebook.

Prompt 1 : Trouver des données

1. Dans le champ de requête Langage naturel, saisissez le prompt suivant :

   Information about trees
   

   Le canevas de données BigQuery suggère plusieurs tables contenant des informations sur les arbres.

2. Pour cet exemple, sélectionnez la table bigquery-public-data.new_york_trees.tree_census_1995, puis cliquez sur Ajouter au canevas.

   La table s'affiche sur le canevas.

Prompt 2 : Joindre les tables sur leur adresse

1. Sur le canevas de données, cliquez sur Joindre.

   Le canevas de données BigQuery suggère des tables à joindre.

2. Pour ouvrir un nouveau champ de requête Langage naturel, cliquez sur Rechercher des tables.

3. Dans le champ de requête Langage naturel, saisissez le prompt suivant :

   Information about trees
   

4. Sélectionnez la table bigquery-public-data.new_york_trees.tree_census_2005, puis cliquez sur Ajouter au canevas.

   La table s'affiche sur le canevas.

5. Sur le canevas de données, cliquez sur Joindre.

6. Dans la section Sur ce canevas, cochez la case Cellule de table, puis cliquez sur OK.

7. Dans le champ de requête Langage naturel, saisissez le prompt suivant :

   Join on address
   

   Le canevas de données BigQuery suggère la requête SQL pour joindre ces deux tables sur leur adresse :

   SELECT
     *
   FROM
     `bigquery-public-data.new_york_trees.tree_census_2015` AS t2015
   JOIN
     `bigquery-public-data.new_york_trees.tree_census_1995` AS t1995
   ON
     t2015.address = t1995.address;

8. Pour exécuter la requête et afficher les résultats, cliquez sur Exécuter.

Exporter la requête sous forme de notebook

Le canevas de données BigQuery vous permet d'exporter vos requêtes sous forme de notebook.

1. Dans le canevas de données, cliquez sur Exporter sous forme de notebook.
2. Dans le volet Enregistrer le notebook, saisissez le nom du notebook et la région dans laquelle vous souhaitez l'enregistrer.
3. Cliquez sur Enregistrer. Le notebook a bien été créé.
4. Facultatif : Pour afficher le notebook créé, cliquez sur Ouvrir.

Exemple de workflow : Modifier un graphique à l'aide d'un prompt

Dans cet exemple, vous utilisez des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher, interroger et filtrer des données, puis modifier les détails de la visualisation.

Prompt 1 : Trouver des données

1. Pour rechercher des données concernant des noms américains, saisissez le prompt suivant :

   Find data about USA names
   

   Le canevas de données BigQuery génère une liste de tables.

2. Pour cet exemple, sélectionnez la table bigquery-public-data.usa_names.usa_1910_current, puis cliquez sur Ajouter au canevas.

Prompt 2 : Interroger les données

1. Pour interroger les données, cliquez sur Interroger dans le canevas de données, puis saisissez le prompt suivant :

   Summarize this data
   

   Le canevas de données BigQuery génère une requête semblable à la suivante :

   SELECT
     state,
     gender,
     year,
     name,
     number
   FROM
     `bigquery-public-data.usa_names.usa_1910_current`

2. Cliquez sur Exécuter. Les résultats de la requête s'affichent.

Prompt 3 : Filtrer les données

1. Dans le canevas de données, cliquez sur Interroger ces résultats.

2. Pour filtrer les données, saisissez le prompt suivant dans le champ de requête SQL :

   Get me the top 10 most popular names in 1980
   

   Le canevas de données BigQuery génère une requête semblable à la suivante :

   SELECT
     name,
     SUM(number) AS total_count
   FROM
     `bigquery-public-data`.usa_names.usa_1910_current
   WHERE
     year = 1980
   GROUP BY
     name
   ORDER BY
     total_count DESC
   LIMIT
     10;

   Lorsque vous exécutez la requête, vous obtenez une table contenant les 10 prénoms d'enfants nés en 1980 les plus populaires.

Créer et modifier un graphique

1. Dans le canevas de données, cliquez sur Visualiser.

   Le canevas de données BigQuery suggère plusieurs options de visualisation, comme un graphique à barres, un graphique à secteurs, un graphique en courbes et une visualisation personnalisée.

2. Pour cet exemple, cliquez sur Créer un graphique à barres.

   Le canevas de données BigQuery crée un graphique à barres semblable à celui-ci :

   

Outre la fourniture d'un graphique, le canevas de données BigQuery résume certains des détails clés des données à la base de la visualisation. Vous pouvez modifier le graphique en cliquant sur Détails de la visualisation et en modifiant votre graphique dans le panneau latéral.

Prompt 4 : Modifier les détails de la visualisation

1. Dans le champ de prompt Visualisation, saisissez les éléments suivants :

   Create a bar chart sorted high to low, with a gradient
   

   Le canevas de données BigQuery crée un graphique à barres semblable à celui-ci :

   

2. Facultatif : Pour apporter des modifications supplémentaires, cliquez sur Modifier.

   Le volet Modifier la visualisation s'affiche. Vous pouvez modifier des détails tels que le titre du graphique, le nom de l'axe des abscisses et le nom de l'axe des ordonnées. De plus, si vous cliquez sur l'onglet Éditeur JSON, vous pouvez modifier directement le graphique en fonction des valeurs JSON.

Travailler avec un assistant Gemini

Aperçu

Ce produit ou cette fonctionnalité sont soumis aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les produits et fonctionnalités pré-DG sont disponibles "en l'état" et peuvent avoir une compatibilité limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

Remarque : Pour envoyer des commentaires ou demander de l'aide concernant cette fonctionnalité, envoyez un e-mail à l'adresse [e-mail].

Vous pouvez utiliser une expérience de chat optimisée par Gemini pour travailler avec le canevas de données BigQuery. L'assistant de chat peut créer des nœuds en fonction de vos requêtes, exécuter des requêtes et créer des visualisations. Vous pouvez choisir les tables avec lesquelles l'assistant doit travailler et ajouter des instructions à l'assistant pour orienter son comportement. L'assistant fonctionne avec des canevas de données nouveaux ou existants.

Pour utiliser l'assistant Gemini, procédez comme suit :

1. Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.

2. Dans le champ Poser une question sur les données, saisissez un prompt en langage naturel, par exemple l'un des suivants :

   • Show me interesting statistics of my data.
   • Make a chart based on my data, sorted high to low.
   • I want to see sample data from my table.

   La réponse inclut un ou plusieurs nœuds en fonction de la requête. Par exemple, si vous demandez à l'assistant de créer un graphique de vos données, il crée un nœud de visualisation sur le canevas de données.

   Lorsque vous cliquez sur le champ Poser une question sur les données, vous pouvez également effectuer les opérations suivantes :

   • Pour ajouter des données, cliquez sur Paramètres.
   • Pour ajouter des instructions, cliquez sur Paramètres.

3. Pour continuer à travailler avec l'assistant, ajoutez des requêtes en langage naturel supplémentaires.

Vous pouvez continuer à créer des requêtes en langage naturel lorsque vous travaillez avec le canevas de données.

Ajouter des données

Lorsque vous utilisez l'interface de discussion Gemini, vous pouvez ajouter des données pour que l'assistant sache quel ensemble de données référencer. L'assistant vous demande de sélectionner une table avant d'exécuter des requêtes. Lorsque vous recherchez des données dans l'assistant, vous pouvez limiter le champ d'application des données pouvant être recherchées à tous les projets, aux projets favoris ou à votre projet actuel. Vous pouvez également décider d'inclure ou non des ensembles de données publics dans votre recherche.

Pour ajouter des données à l'assistant Gemini, procédez comme suit :

1. Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
2. Cliquez sur Paramètres, puis sur Ajouter des données.
3. Facultatif : Pour inclure les ensembles de données publics dans les résultats de recherche, activez l'option Ensembles de données publics.
4. Facultatif : Pour modifier le champ d'application des résultats de recherche à d'autres projets, sélectionnez l'option de projet appropriée dans le menu Champ d'application.
5. Cochez la case de chaque tableau que vous souhaitez ajouter à l'assistant.
   1. Pour rechercher des tables qui ne sont pas suggérées par l'assistant, cliquez sur Rechercher des tables.
   2. Dans le champ de requête Langage naturel, saisissez une requête décrivant la table que vous recherchez, puis appuyez sur Entrée.
   3. Cochez la case correspondant à chacune des tables que vous souhaitez ajouter à l'assistant, puis cliquez sur OK.
6. Fermez le volet Paramètres de l'Assistant Canvas.

L'assistant base son analyse sur les données que vous choisissez.

Ajouter des instructions

Lorsque vous utilisez l'interface de discussion Gemini, vous pouvez ajouter des instructions pour que l'assistant sache comment se comporter. Ces instructions sont appliquées à toutes les requêtes du canevas de données. Voici quelques exemples d'instructions potentielles :

• Visualize trends over time.
• Chart colors: Red (negative), Green (positive)
• Domain: USA

Pour ajouter des instructions à l'assistant, procédez comme suit :

1. Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
2. Cliquez sur Paramètres.
3. Dans le champ Instructions, ajoutez une liste d'instructions pour l'assistant, puis fermez le volet Paramètres de l'assistant Canvas.

L'assistant mémorise les instructions et les applique aux futures requêtes.

Bonnes pratiques concernant l'assistant Gemini

Pour obtenir les meilleurs résultats lorsque vous utilisez l'assistant du canevas de données BigQuery, suivez ces bonnes pratiques :

• Soyez précis et sans ambiguïté. Indiquez clairement ce que vous souhaitez calculer, analyser ou visualiser. Par exemple, au lieu de Analyze trip data, dites Calculate the average trip duration for trips starting in council district eight.

• Assurez-vous que le contexte des données est exact. L'assistant ne peut travailler qu'avec les données que vous lui fournissez. Assurez-vous que toutes les tables et colonnes pertinentes ont été ajoutées au canevas.

• Commencez simplement, puis procédez par itération. Commencez par une question simple pour vous assurer que l'assistant comprend la structure et les données de base. Par exemple, dites d'abord Show total trips by subscriber_type, puis Show total trips by subscriber_type and break down the result by council_district.

• Décomposez les questions complexes. Pour les processus en plusieurs étapes, pensez à formuler clairement votre requête en la divisant en plusieurs parties distinctes, ou à utiliser des requêtes distinctes pour chaque étape principale. Par exemple, dites First, find the top five busiest stations by trip count. Second, calculate the average trip duration for trips starting from only those top five stations.

• Indiquez clairement les calculs. Spécifiez le calcul choisi, par exemple SUM, MAX ou AVERAGE. Par exemple, dites Find the MAX trip duration per bike_id.

• Utilisez les instructions système pour le contexte et les préférences persistants. Utilisez les instructions système pour définir des règles d'information et des préférences qui s'appliquent à toutes les requêtes.

• Examinez le canevas. Vérifiez toujours les nœuds générés pour vous assurer que la logique correspond à votre demande et que les résultats sont exacts.

• Tester Essayez différentes formulations, différents niveaux de détail et différentes structures de requêtes pour comprendre comment l'assistant répond à vos besoins spécifiques en termes de données et d'analyse.

• Noms des colonnes de référence Dans la mesure du possible, utilisez les noms de colonnes réels des données sélectionnées. Par exemple, au lieu de Show trips by subscriber type, dites Show the count of trips grouped by subscriber_type and start_station_name.

Exemple de workflow : utiliser un assistant Gemini

Dans cet exemple, vous utilisez des requêtes en langage naturel avec l'assistant Gemini pour rechercher, interroger et visualiser des données.

1. Dans la console Google Cloud , accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, sélectionnez IA et connaissances, puis cliquez sur Data Canvas.

   

3. Cliquez sur Rechercher des données.

4. Cliquez sur filter_list Modifier les filtres de recherche, puis, dans le volet Filtrer la recherche, cliquez sur le bouton d'activation Ensembles de données publics BigQuery pour l'activer.

5. Dans le champ de requête Langage naturel, saisissez le prompt en langage naturel suivant :

   bikeshare
   

   Le canevas de données BigQuery génère une liste de tables potentielles basées sur les métadonnées Knowledge Catalog. Vous pouvez sélectionner plusieurs tables.

6. Sélectionnez la table bigquery-public-data.austin_bikeshare.bikeshare_stations et bigquery-public-data.austin_bikeshare.bikeshare_trips, puis cliquez sur Ajouter au canevas.

   Un nœud de table est ajouté pour chacune des tables sélectionnées au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.

7. Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.

8. Cliquez sur Paramètres.

9. Dans le champ Instructions, ajoutez les instructions suivantes pour l'assistant :

   Tasks:
     - Visualize findings with charts
     - Show many charts per question
     - Make sure to cover each part via a separate line of reasoning
   

10. Fermez le volet Paramètres de l'Assistant Canvas.

11. Dans le champ Poser une question sur les données, saisissez le prompt en langage naturel suivant :

    Show the number of trips by council district and subscriber type
    

12. Vous pouvez continuer à saisir des requêtes dans le champ Poser une question sur les données. Saisissez le prompt en langage naturel suivant :

    What are most popular stations among the top 5 subscriber types
    

13. Saisissez le prompt final :

    What station is least used to start and end a trip
    

    Une fois que vous avez posé toutes les questions pertinentes, votre canevas est rempli avec les nœuds de requête et de visualisation pertinents en fonction des prompts et des instructions que vous avez donnés à l'assistant. Continuez à saisir des prompts ou à modifier les prompts existants pour obtenir les résultats que vous recherchez.

Afficher tous les canevas de données

Pour afficher la liste de tous les canevas de données de votre projet, procédez comme suit :

1. Dans la console Google Cloud , accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans le volet de gauche, cliquez sur Explorateur :

   

   Si le volet de gauche ne s'affiche pas, cliquez sur Développer le volet de gauche pour l'ouvrir.

3. Dans le volet Explorateur, cliquez sur Afficher les actions à côté de Canevas de données, puis effectuez l'une des opérations suivantes :

• Pour ouvrir la liste dans l'onglet actuel, cliquez sur Tout afficher.
• Pour ouvrir la liste dans un nouvel onglet, cliquez sur Tout afficher dans > Nouvel onglet.
• Pour ouvrir la liste dans un onglet divisé, cliquez sur Tout afficher dans > Diviser l'onglet.

Afficher les métadonnées du canevas de données

Pour afficher les métadonnées du canevas de données, procédez comme suit :

1. Dans la console Google Cloud , accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans le volet de gauche, cliquez sur Explorateur :

   

3. Dans le volet Explorateur, développez votre projet et cliquez sur Canevas de données.

4. Cliquez sur le nom du canevas de données dont vous souhaitez afficher les métadonnées.

5. Cliquez sur Détails pour afficher des informations sur le canevas de données, telles que la région qu'il utilise et la date de sa dernière modification.

Utiliser les versions du canevas de données

Vous pouvez choisir de créer un canevas de données à l'intérieur ou à l'extérieur d'un dépôt. La gestion des versions du canevas de données est gérée différemment selon l'emplacement du canevas de données.

Gestion des versions des canevas de données dans les dépôts

Les dépôts sont des dépôts Git qui résident soit dans BigQuery, soit chez un fournisseur tiers. Vous pouvez utiliser des espaces de travail dans les dépôts pour effectuer le contrôle des versions sur les canevas de données. Pour en savoir plus, consultez Utiliser le contrôle des versions avec un fichier.

Gestion des versions du canevas de données en dehors des dépôts

Vous pouvez afficher, comparer et restaurer les versions d'un canevas de données.

Afficher et comparer les versions du canevas de données

Pour afficher différentes versions d'un canevas de données et les comparer à la version actuelle, procédez comme suit :

1. Dans la console Google Cloud , accédez à la page BigQuery.

   Accéder à BigQuery

2. Dans le volet de gauche, cliquez sur Explorateur :

   

3. Dans le volet Explorateur, développez votre projet et cliquez sur Canevas de données.

4. Cliquez sur le nom du canevas de données dont vous souhaitez afficher l'historique des versions.

5. Cliquez sur Historique des versions pour afficher la liste des versions du canevas de données par ordre décroissant de date.

6. Cliquez sur Afficher les actions à côté d'une version de canevas de données, puis sur Comparer. Le volet de comparaison s'ouvre. Il compare la version du canevas de données que vous avez sélectionnée avec la version actuelle du canevas de données.

7. (Facultatif) Pour comparer les versions de manière intégrée plutôt que dans des volets distincts, cliquez sur Comparer, puis sur Intégré.

Restaurer une version d'un canevas de données

La restauration à partir du volet de comparaison vous permet de comparer la version précédente du canevas de données à la version actuelle avant de la restaurer.

1. Dans le volet de gauche, cliquez sur Explorateur :

   

2. Dans le volet Explorateur, développez votre projet et cliquez sur Canevas de données.

3. Cliquez sur le nom du canevas de données dont vous souhaitez restaurer une version précédente.

4. Cliquez sur Historique des versions.

5. Cliquez sur Afficher les actions à côté de la version du canevas de données que vous souhaitez restaurer, puis sur Comparer.

   Le volet de comparaison s'ouvre. Il compare la version du canevas de données que vous avez sélectionnée avec la dernière version du canevas de données.

6. Pour restaurer la version précédente du canevas de données après la comparaison, cliquez sur Restaurer.

7. Cliquez sur Confirmer.

Gérer les métadonnées dans Knowledge Catalog

Knowledge Catalog vous permet d'afficher et de gérer les métadonnées des canevas de données. Les canevas de données sont disponibles par défaut dans Knowledge Catalog, sans configuration supplémentaire.

Vous pouvez utiliser Knowledge Catalog pour gérer les canevas de données dans tous les emplacements BigQuery. La gestion des canevas de données dans Knowledge Catalog est soumise aux quotas et limites de Knowledge Catalog et aux tarifs de Knowledge Catalog.

Knowledge Catalog récupère automatiquement les métadonnées suivantes à partir des canevas de données :

• Nom de l'élément de données
• Élément de données parent
• Emplacement de l'élément de données
• Type d'élément de données
• Projet Google Cloud correspondant

Knowledge Catalog enregistre les canevas de données en tant qu'entrées avec les valeurs d'entrée suivantes :

Groupe d'entrées système

Le groupe d'entrées système pour les canevas de données est @dataform. Pour afficher les détails des entrées de canevas de données dans Knowledge Catalog, vous devez afficher le groupe d'entrées système dataform. Pour savoir comment afficher la liste de toutes les entrées d'un groupe d'entrées, consultez Afficher les détails d'un groupe d'entrées dans la documentation Knowledge Catalog.

Type d'entrée système

Le type d'entrée système pour les canevas de données est dataform-code-asset. Pour afficher les détails des canevas de données, vous devez afficher le type d'entrée système dataform-code-asset, filtrer les résultats avec un filtre basé sur l'aspect et définir le champ type dans l'aspect dataform-code-asset sur DATA_CANVAS. Sélectionnez ensuite une entrée du canevas de données sélectionné. Pour savoir comment afficher les détails d'un type d'entrée sélectionné, consultez Afficher les détails d'un type d'entrée dans la documentation Knowledge Catalog. Pour savoir comment afficher les détails d'une entrée sélectionnée, consultez Afficher les détails d'une entrée dans la documentation Knowledge Catalog.

Type d'aspect système

Le type d'aspect système pour les canevas de données est dataform-code-asset. Pour fournir un contexte supplémentaire aux canevas de données dans le catalogue de connaissances en annotant les entrées de canevas de données avec des aspects, affichez le type d'aspect dataform-code-asset, filtrez les résultats avec un filtre basé sur les aspects et définissez le champ type dans l'aspect dataform-code-asset sur DATA_CANVAS. Pour savoir comment annoter des entrées avec des aspects, consultez Gérer les aspects et enrichir les métadonnées dans la documentation Knowledge Catalog.

Type

Le type de canevas de données est DATA_CANVAS. Ce type vous permet de filtrer les canevas de données dans le type d'entrée système dataform-code-asset et le type d'aspect dataform-code-asset à l'aide de la requête aspect:dataplex-types.global.dataform-code-asset.type=DATA_CANVAS dans un filtre basé sur les aspects.

Pour savoir comment rechercher des éléments dans Knowledge Catalog, consultez Rechercher des éléments de données dans Knowledge Catalog dans la documentation de Knowledge Catalog.

Tarifs

Pour en savoir plus sur les tarifs de cette fonctionnalité, consultez la section Présentation des tarifs de Gemini dans BigQuery.

Emplacements

Vous pouvez utiliser le canevas de données BigQuery dans tous les emplacements BigQuery. Pour savoir où Gemini dans BigQuery traite vos données, consultez Où Gemini dans BigQuery traite-t-il vos données ?.

Fournir des commentaires

Vous pouvez nous aider à améliorer les suggestions du canevas de données BigQuery en envoyant vos commentaires à Google. Pour envoyer des commentaires, procédez comme suit :

1. Dans la barre d'outils du canevas de données BigQuery, cliquez sur Autres actions, puis sur Envoyer des commentaires.
2. Cliquez sur la catégorie à laquelle s'applique votre commentaire.
3. Dans le champ Décrire vos commentaires (obligatoire), saisissez vos commentaires.
4. Facultatif : Pour fournir à BigQuery une capture d'écran de votre canevas de données, cliquez sur screenshot_monitor Effectuer une capture d'écran.
5. Facultatif : Pour fournir votre historique de génération, sélectionnez Autoriser Google à collecter mon historique de génération et à l'envoyer avec mes commentaires.
6. Cliquez sur Envoyer.

Les paramètres de partage des données s'appliquent à l'ensemble du projet et ne peuvent être définis que par un administrateur du projet disposant des autorisations IAM serviceusage.services.enable et serviceusage.services.list.

Pour nous faire directement part de vos commentaires sur cette fonctionnalité, vous pouvez également nous contacter à l'adresse [e-mail].

Étapes suivantes

• Découvrez comment écrire des requêtes avec l'assistance Gemini.

• Apprenez à créer des notebooks.

• Découvrez comment générer des requêtes en langage naturel sur vos données avec les insights sur les données.