יצירת תובנות לגבי טבלאות

תובנות לגבי טבלאות ב-BigQuery מאפשרות לכם להבין במהירות את המבנה והתוכן של טבלאות רגילות ב-BigQuery, טבלאות חיצוניות ב-BigQuery וטבלאות BigLake בלי לכתוב שאילתות מורכבות. אתם יכולים ליצור שאילתות SQL על סמך שאלות בשפה טבעית, וכך לחסוך זמן ומאמץ בכתיבת שאילתות באופן ידני.

סקירה כללית של תובנות מנתונים

מצבים ליצירת תובנות מנתונים בטבלה

כשיוצרים תובנות לגבי טבלאות, BigQuery מספק שני מצבים:

מצב	תיאור	Usage
יצירה ופרסום (גרסת טרום-השקה (Preview))	שמירת תובנות שנוצרו לגבי טבלאות ב-Knowledge Catalog כהיבטים של מטא-נתונים. צריכות להיות לכם ההרשאות הנדרשות כדי לפרסם. כשמשתמשים באפשרות Generate and publish, מתרחשות הפעולות הבאות: מאחסן תיאורים של טבלאות ועמודות ב-Knowledge Catalog. שומר שאילתות ושאלות מוצעות כהיבטים שאפשר להשתמש בהם שוב. התובנות שפורסמו נגישות לכל המשתמשים שיש להם גישה מתאימה ל-Knowledge Catalog, וכך הידע הארגוני משותף. מאפשרת לערוך ולשמור תיאורים ישירות ב-Knowledge Catalog.	כדאי להשתמש במצב הזה כדי לתעד נתונים ברמת הארגון, שיהיו קבועים וניתנים לשימוש חוזר, או כשבונים תהליכי עבודה של פיקוח שמבוססים על קטלוגים.
יצירה בלי פרסום	יוצר תובנות לגבי טבלאות, כמו תיאורים, שאלות בשפה טבעית ושאילתות SQL, לפי דרישה. האפשרות Generate without publishing לא מפרסמת תובנות ב-Knowledge Catalog.	כדאי להשתמש במצב הזה לניתוח מהיר ונקודתי, כדי לא להעמיס על הקטלוג.

לפני שמתחילים

התובנות מהנתונים נוצרות באמצעות Gemini ב-BigQuery. כדי להתחיל ליצור תובנות שנוצרו על ידי AI, קודם צריך להגדיר את Gemini ב-BigQuery.

הערה: Gemini ב-BigQuery הוא חלק מ-Gemini for Google Cloud , והוא לא תומך באותן אפשרויות תאימות ואבטחה כמו BigQuery. כדאי להגדיר את Gemini ב-BigQuery רק לפרויקטים ב-BigQuery שלא דורשים הצעות תאימות שלא נתמכות על ידי Gemini for Google Cloud. במאמר איך משביתים את Gemini ב-BigQuery מוסבר איך להשבית או למנוע את הגישה ל-Gemini ב-BigQuery.

הפעלת ממשקי ה-API

חשוב: כדי להפעיל ממשק API בפרויקט, צריך לבקש מהאדמין להקצות לכם את ההרשאה serviceusage.services.enable בפרויקט.

כדי להשתמש בתובנות מנתונים, צריך להפעיל בפרויקט את ממשקי ה-API הבאים: Dataplex API,‏ BigQuery API ו-Gemini for Google Cloud API.

התפקידים שנדרשים כדי להפעיל ממשקי API

כדי להפעיל ממשקי API, צריך את ההרשאה serviceusage.services.enable. אם יצרתם את הפרויקט, סביר להניח שכבר יש לכם את ההרשאה הזו דרך התפקיד "בעלים" (roles/owner). אחרת, תוכלו לקבל את ההרשאה הזו דרך התפקיד "אדמין בממשק 'שימוש בשירות'" (roles/serviceusage.serviceUsageAdmin). איך מקצים תפקידים

הפעלת ממשקי ה-API

איך מפעילים את Gemini for Google Cloud API בפרויקט ב- Google Cloud

תפקידים והרשאות

כדי ליצור, לנהל ולאחזר תובנות מנתונים, צריך לבקש מהאדמין להקצות לכם את התפקידים הבאים בניהול זהויות והרשאות גישה (IAM):

• Dataplex DataScan Editor ‏(roles/dataplex.dataScanEditor) או Dataplex DataScan Administrator ‏(roles/dataplex.dataScanAdmin) בפרויקט שבו רוצים ליצור תובנות שנוצרו על ידי AI.
• ‫BigQuery Data Viewer‏ (roles/bigquery.dataViewer) בטבלאות ב-BigQuery שרוצים ליצור מהן תובנות.
• BigQuery Data Editor (roles/bigquery.dataEditor) בטבלאות ב-BigQuery שמהן רוצים ליצור תובנות שנוצרו על ידי AI.
• BigQuery User (roles/bigquery.user) או BigQuery Studio User (roles/bigquery.studioUser) בפרויקט שבו רוצים ליצור תובנות.

כדי לקבל הרשאת קריאה בלבד לתובנות שנוצרו על ידי AI, צריך לבקש מהאדמין להקצות לכם את התפקיד הבא ב-IAM:

• ‫Dataplex DataScan DataViewer‏ (roles/dataplex.dataScanDataViewer) בפרויקט שמכיל את הטבלאות ב-BigQuery שרוצים לראות את התובנות שלהן.

כדי לפרסם תובנות מנתונים ב-Knowledge Catalog, צריך לבקש מהאדמין להקצות לכם את תפקידי ה-IAM הבאים במשאב:

• פרסום תיאורים כהיבטים: עריכת קטלוג Dataplex ‏(roles/dataplex.catalogEditor)
• פרסום שאילתות כהיבטים: הבעלים של Dataplex Entry ו-EntryLink ‏(roles/dataplex.entryOwner)

כדי להפעיל ממשקי API, צריך לבקש מהאדמין להקצות לכם את תפקיד ה-IAM הבא:

• אדמין של Service Usage (roles/serviceusage.serviceUsageAdmin) בפרויקט שבו רוצים ליצור תובנות שנוצרו על ידי AI.

כדי לקרוא הסבר על מתן תפקידים, קראו איך מנהלים את הגישה ברמת הפרויקט, התיקייה והארגון.

יכול להיות שתוכלו לקבל את ההרשאות הנדרשות גם באמצעות תפקידים בהתאמה אישית או תפקידים מוגדרים מראש. כדי לראות את ההרשאות הנדרשות ליצירת תובנות שנוצרו על ידי AI, מרחיבים את הקטע Required permissions:

ההרשאות הנדרשות

• bigquery.jobs.create
• bigquery.tables.get
• bigquery.tables.getData
• dataplex.datascans.create
• dataplex.datascans.get
• dataplex.datascans.getData
• dataplex.datascans.run

יצירת תובנות שנוצרו על ידי AI לגבי טבלה ב-BigQuery

כדי ליצור תובנות לגבי טבלאות ב-BigQuery, אתם יכולים להשתמש במסוףGoogle Cloud או בסוג הסריקה DATA_DOCUMENTATION שנתמך ב-DataScans API של Knowledge Catalog. הסריקות האלה יוצרות מטא-נתונים, שאילתות SQL לניתוח נתונים, תיאורי סכימות וסיכומים ברמת הטבלה.

המסוף

כדי ליצור תובנות שנוצרו על ידי AI לגבי טבלה ב-BigQuery, צריך לגשת לרשומה של הטבלה ב-BigQuery באמצעות BigQuery Studio.

1. במסוף Google Cloud , נכנסים ל-BigQuery Studio.

   כניסה ל-BigQuery Studio

2. בחלונית Explorer, בוחרים את הפרויקט, את מערך הנתונים ואת הטבלה שרוצים ליצור לה תובנות.

3. לוחצים על הכרטיסייה תובנות. אם הכרטיסייה ריקה, סימן שהתובנות לגבי הטבלה הזו עדיין לא נוצרו.

4. כדי ליצור תובנות שנוצרו על ידי AI ולפרסם אותן ב-Knowledge Catalog, לוחצים על Generate and publish (תצוגה מקדימה).

   כדי ליצור תובנות שנוצרו על ידי AI בלי לפרסם אותן ב-Knowledge Catalog, לוחצים על Generate without publishing.

   למידע נוסף על ההבדלים בין המצבים Generate and publish ו-Generate without publishing, קראו את המאמר מצבים ליצירת תובנות שנוצרו על ידי AI.

5. בוחרים אזור כדי ליצור תובנות שנוצרו על ידי AI ולוחצים על יצירה.

   התובנות יופיעו תוך כמה דקות.

   אם יש תוצאות של פרופיל נתונים שפורסמו בשביל הטבלה, הן משמשות ליצירת תובנות שנוצרו על ידי AI. אחרת, התובנות נוצרות על סמך השמות והתיאורים של העמודות. מידע נוסף זמין במאמר שיטות מומלצות לשיפור התובנות שנוצרו על ידי AI.

6. בכרטיסייה תובנות, מעיינים בשאלות שנוצרו בשפה טבעית.

7. כדי לראות את שאילתת ה-SQL שעונה על שאלה, לוחצים על השאלה.

8. כדי לפתוח שאילתה ב-BigQuery, לוחצים על Copy to Query.

9. כדי לשאול שאלות המשך:

   1. לוחצים על שליחת שאלת המשך. השאילתה נפתחת בקנבס נתונים חדש.

   2. לוחצים על Run ואז על Query these results.

   3. כדי לשאול שאילתת המשך, מזינים הנחיה בשדה ההנחיה שפה טבעית או עורכים את ה-SQL בעורך השאילתות.

10. כדי ליצור קבוצה חדשה של שאילתות, לוחצים על Generate insights ומפעילים שוב את צינור עיבוד הנתונים.

אחרי שיוצרים תובנות שנוצרו על ידי AI לגבי טבלה, כל מי שיש לו את ההרשאה dataplex.datascans.getData וגישה לטבלה יכול לראות את התובנות האלה.

REST

כדי ליצור תובנות שנוצרו על ידי AI באופן פרוגרמטי, משתמשים ב-DataScans API של Knowledge Catalog. כדי לעשות את זה, פועלים לפי השלבים הבאים:

1. אופציונלי: יצירת סריקת פרופיל נתונים לטבלה
2. יצירת סריקת נתונים של תיעוד נתונים לטבלה ב-BigQuery
3. בדיקת סטטוס הסריקה של תיעוד הנתונים
4. פרסום תוצאות הסריקה של תיעוד הנתונים בטבלה ב-BigQuery

אופציונלי: יצירת סריקת פרופיל נתונים לטבלה

הנוכחות של סריקות פרופיל נתונים מצמצמת את ההזיות וההערכות של Gemini, כי הן מעגנות את הפלט בערכים אמיתיים שקיימים בנתונים.

כדי ליצור ולהריץ סריקה של פרופיל נתונים:

1. יוצרים סריקת פרופיל נתונים באמצעות ה-method‏ dataScans.create.

2. מריצים את סריקת פרופיל הנתונים באמצעות השיטה dataScans.run. מחכים שההרצה תסתיים.

3. מפרסמים את תוצאות הסריקה בטבלה ב-BigQuery על ידי צירוף תוויות פרופיל הנתונים הבאות לטבלה:

   • dataplex-dp-published-scan:DATASCAN_ID
   • dataplex-dp-published-project:PROJECT_ID
   • dataplex-dp-published-location:LOCATION

   מידע נוסף זמין במאמר הוספת תוויות לטבלאות ולתצוגות.

יצירת סריקת נתונים של תיעוד נתונים לטבלה ב-BigQuery

אתם יכולים לבחור להריץ סריקה מנוהלת רגילה או סריקה חד-פעמית פשוטה.

אפשרות א': סריקה מנוהלת רגילה (יצירה + הפעלה)

כדאי להשתמש בשיטה הזו אם רוצים לנהל את משאב הסריקה לאורך זמן.

1. יוצרים סריקת נתונים לתיעוד נתונים באמצעות ה-method‏ dataScans.create.

אתם יכולים להתאים אישית את היקף היצירה כך שיכלול סכימה, תיאורים, שאילתות או שילוב שלהם באמצעות הפרמטר generation_scopes. אם רוצים, אפשר לפרסם את התובנות האלה ב-Knowledge Catalog על ידי הגדרת הפרמטר catalogPublishingEnabled לערך true.

• כדי ליצור סכימה, תיאורי טבלאות ושאילתות SQL, משאירים את data_documentation_spec ריק או מגדירים את generation_scopes לערך ALL. לדוגמה:

    gcurl -X POST \
    https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
    dataScans?dataScanId=DATASCAN_ID \
    -d '{
      "data": {
        "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
    datasets/DATASET_ID/tables/TABLE_ID"
      },
      "executionSpec": {
        "trigger": { "onDemand": {} }
      },
      "type": "DATA_DOCUMENTATION",
      "dataDocumentationSpec": {
        "generationScopes": "ALL"
        "catalogPublishingEnabled": true
      }
    }'
  

  מחליפים את מה שכתוב בשדות הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloudשבו נמצא מערך הנתונים
  • ‫LOCATION: האזור שבו פועלת סריקת הנתונים
  • ‫DATASCAN_ID: שם ייחודי שאתם נותנים לסריקה הזו
  • ‫DATASET_ID: המזהה של מערך הנתונים ב-BigQuery שנסרק
  • ‫TABLE_ID: מזהה הטבלה ב-BigQuery שנסרקת

• כדי ליצור את הסכימה, תיאורי הטבלאות ותיאורי העמודות בלי שאילתות SQL, מגדירים את generation_scopes לערך TABLE_AND_COLUMN_DESCRIPTIONS. לדוגמה:

    gcurl -X POST \
    https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
    dataScans?dataScanId=DATASCAN_ID \
    -d '{
      "data": {
        "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
    datasets/DATASET_ID/tables/TABLE_ID"
      },
      "executionSpec": {
        "trigger": { "onDemand": {} }
      },
      "type": "DATA_DOCUMENTATION",
      "dataDocumentationSpec": {
        "generationScopes": "TABLE_AND_COLUMN_DESCRIPTIONS"
        "catalogPublishingEnabled": true
      }
    }'
  

• כדי ליצור שאילתות SQL בלי תיאורים, מגדירים את generation_scopes לערך SQL_QUERIES. לדוגמה:

    gcurl -X POST \
    https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
    dataScans?dataScanId=DATASCAN_ID \
    -d '{
      "data": {
        "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
    datasets/DATASET_ID/tables/TABLE_ID"
      },
      "executionSpec": {
        "trigger": { "onDemand": {} }
      },
      "type": "DATA_DOCUMENTATION",
      "dataDocumentationSpec": {
        "generationScopes": "SQL_QUERIES"
        "catalogPublishingEnabled": true
      }
    }'
  

1. מפעילים את משימת הסריקה של תיעוד הנתונים באמצעות השיטה dataScans.run.

   לדוגמה:

   gcurl -X POST \
   https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
   dataScans/DATASCAN_ID:run
   

   הבקשה הזו מחזירה מזהה משימה ייחודי יחד עם המצב הראשוני.

אפשרות ב': סריקה חד-פעמית (יעילה)

משתמשים בשיטה הזו כדי להתחיל ולהשלים סריקה בקריאה אחת ל-API. בשיטה הזו לא צריך להפעיל את השיטה run בנפרד, ואפשר למחוק אוטומטית את משאב הסריקה באמצעות פונקציונליות של אורך חיים (TTL).

הערה: סריקה חד-פעמית לא תומכת בפעולות הרצה או עדכון עוקבות.

יוצרים ומפעילים את הסריקה באמצעות ה-method‏ dataScans.create. לדוגמה:

gcurl -X POST \
"https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans?\
dataScanId=DATASCAN_ID" \
-d '{
  "data": {
    "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/datasets/DATASET_ID/\
    tables/TABLE_ID"
  },
  "type": "DATA_DOCUMENTATION",
  "dataDocumentationSpec": {
    "generationScopes": "ALL",
    "catalogPublishingEnabled": true
  }
  "executionSpec": {
    "trigger": {
      "one_time": {
        "ttl_after_scan_completion": { "seconds": TTL_TIME }
      }
    }
  }
}'

מחליפים את מה שכתוב בשדות הבאים:

• ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloudשבו נמצא מערך הנתונים
• ‫LOCATION: האזור שבו פועלת סריקת הנתונים
• ‫DATASCAN_ID: שם ייחודי שאתם נותנים לסריקה הזו
• ‫DATASET_ID: המזהה של מערך הנתונים ב-BigQuery שנסרק
• ‫TABLE_ID: המזהה של הטבלה ב-BigQuery שנסרקת
• ‫TTL_TIME: משך הזמן בשניות שאחריו משאב הסריקה יימחק באופן אוטומטי (לדוגמה, 3600 לשעה אחת)

בדיקת סטטוס הסריקה של תיעוד הנתונים

בודקים אם משימת הסריקה הסתיימה באמצעות ה-method‏ dataScans.get.

משתמשים במזהה המשימה כדי לאחזר את הסטטוס שלה. לדוגמה:

gcurl -X GET https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans/DATASCAN_ID/jobs/JOB_ID

המשימה מסתיימת כשהסטטוס הוא SUCCEEDED או FAILURE.

פרסום תוצאות הסריקה של תיעוד הנתונים בטבלה ב-BigQuery

כדי לפרסם את תוצאות הסריקה בטבלה ב-BigQuery, צריך לצרף לטבלה את תוויות תיעוד הנתונים הבאות:

• dataplex-data-documentation-published-scan:DATASCAN_ID
• dataplex-data-documentation-published-project:PROJECT_ID
• dataplex-data-documentation-published-location:LOCATION

יצירת תובנות שנוצרו על ידי AI לגבי טבלה חיצונית ב-BigQuery

התכונה "תובנות מנתונים ב-BigQuery" תומכת ביצירת תובנות לגבי טבלאות חיצוניות ב-BigQuery עם נתונים ב-Cloud Storage. לכם ולחשבון השירות של Knowledge Catalog בפרויקט הנוכחי צריך להיות התפקיד "צפייה באובייקטים באחסון" (roles/storage.objectViewer) בקטגוריה של Cloud Storage שמכילה את הנתונים. מידע נוסף זמין במאמר הוספת חשבון משתמש למדיניות ברמת הקטגוריה.

כדי ליצור תובנות לגבי טבלה חיצונית ב-BigQuery, פועלים לפי ההוראות בקטע יצירת תובנות לגבי טבלה ב-BigQuery במאמר הזה.

יצירת תובנות לגבי טבלת BigLake

כדי ליצור תובנות לגבי טבלת BigLake:

1. מפעילים את BigQuery Connection API בפרויקט.

   הפעלת BigQuery Connection API

2. יוצרים חיבור ל-BigQuery. מידע נוסף על ניהול חיבורים

3. מקצים את התפקיד "צפייה באובייקט אחסון" (roles/storage.objectViewer) ב-IAM לחשבון השירות שתואם לחיבור ל-BigQuery שיצרתם.

   אפשר לאחזר את מזהה חשבון השירות מפרטי החיבור.

4. כדי ליצור תובנות, פועלים לפי ההוראות בקטע יצירת תובנות לגבי טבלה ב-BigQuery שבמסמך הזה.

יצירת תיאורים של טבלאות ועמודות

כשיוצרים תובנות מנתונים, Gemini ב-BigQuery יוצר באופן אוטומטי תיאורים של טבלאות ועמודות. אפשר לערוך את התיאורים האלה לפי הצורך, ואז לשמור אותם במטא-נתונים של הטבלה. התיאורים השמורים משמשים ליצירת תובנות עתידיות.

שפת יצירת הבקרה

אתם יכולים להנחות את Gemini ליצור תיאורים של טבלאות ועמודות בשפה מסוימת. כדי לעשות את זה, מוסיפים הנחיה קצרה (לדוגמה, "צור תיאורים של טבלאות ועמודות בצרפתית") לתיאור הקיים של הטבלה לפני שיוצרים את התובנות מהנתונים.

הערה: כדי לעזור ל-Gemini להבין את הבקשה, כדאי לכלול את המילה "שפה" בהנחיה.

כשיוצרים תובנות שנוצרו על ידי AI, Gemini מפרש את ההנחיה הזו ומפיק את המטא-נתונים בשפה המבוקשת. המנגנון הזה פועל כי Gemini משתמש בתיאורי הטבלאות הקיימים כהקשר כשהוא יוצר תיאורים חדשים.

רשימת השפות שנתמכות ב-Gemini

יצירת תיאורים

כדי ליצור תיאורים של טבלאות ועמודות:

1. כדי ליצור תובנות שנוצרו על ידי AI, פועלים לפי ההוראות בקטע הרלוונטי במסמך הזה:

   • יצירת תובנות שנוצרו על ידי AI לגבי טבלה ב-BigQuery
   • יצירת תובנות שנוצרו על ידי AI לגבי טבלה חיצונית ב-BigQuery
   • יצירת תובנות לגבי טבלת BigLake

2. לוחצים על הכרטיסייה Schema.

3. לוחצים על הצגת תיאורי העמודות.

   הערה: אם הלחצן View column descriptions לא מופיע, לוחצים על Describe data. יכול להיות שתצטרכו לגלול כדי לראות את הכפתור הזה.

   תיאור הטבלה ותיאורי העמודות שנוצרו מוצגים.

4. כדי לערוך ולשמור את תיאור הטבלה שנוצר:

   1. בקטע Table description, לוחצים על Save to details.

   2. כדי להחליף את התיאור הנוכחי בתיאור שנוצר, לוחצים על העתקת התיאור המוצע.

   3. עורכים את תיאור הטבלה לפי הצורך ולוחצים על Save to details.

      תיאור הטבלה מתעדכן באופן מיידי.

5. כדי לערוך ולשמור את תיאורי העמודות שנוצרו, מבצעים את הפעולות הבאות:

   1. בקטע Column descriptions, לוחצים על Save to schema.

      תיאורי העמודות שנוצרו מאוכלסים בשדה New description של כל עמודה.

   2. עורכים את תיאורי העמודות לפי הצורך ולוחצים על שמירה.

      תיאורי העמודות מתעדכנים באופן מיידי.

6. כדי לסגור את חלונית התצוגה המקדימה, לוחצים על Close.

שיטות מומלצות ליצירת תובנות מנתונים

כדי לשפר את הדיוק של התובנות שנוצרו על ידי AI, כדאי לפעול לפי ההמלצות הבאות:

• לספק תיאורים מקיפים. חשוב לוודא שלטבלאות ולעמודות במערך הנתונים יש תיאורים ברורים ומפורטים.

• תובנות מבוססות על פרופילים. אם התיאורים לא זמינים, ודאו שסריקת פרופיל מקושרת לכל טבלה במערך הנתונים כדי לעזור בביסוס התובנות שנוצרו על ידי AI.

• להגדיר כללים באופן מפורש. בתיאור של הטבלה הרלוונטית, צריך לכלול את כל הקשרים או הלוגיקה העסקית שבהם מודול התובנות משתמש כדי להשפיע על יצירת הקשרים.

ביסוס התובנות על תוצאות של יצירת פרופיל נתונים

ב-AI גנרטיבי, עיגון הוא היכולת לקשר את הפלט מהמודל למקורות מידע שאפשר לאמת. אתם יכולים לבסס את התובנות שנוצרו לגבי הטבלה על תוצאות של פרופיל נתונים. יצירת פרופיל נתונים מנתחת את העמודות בטבלאות ב-BigQuery ומזהה מאפיינים סטטיסטיים נפוצים, כמו ערכי נתונים אופייניים והתפלגות נתונים.

כשיוצרים סריקת פרופיל נתונים לטבלה, אפשר לבחור לפרסם את תוצאות הסריקה בדפים של BigQuery ו-Knowledge Catalog במסוף Google Cloud . כדי ליצור שאילתות מדויקות ורלוונטיות יותר, התכונה "תובנות" משתמשת בתוצאות של יצירת פרופיל הנתונים באופן הבא:

1. מנתח את תוצאות הפרופיילינג של הנתונים כדי לזהות דפוסים, מגמות או חריגות מעניינים בנתונים.

2. יוצר שאילתות שמתמקדות בדפוסים, במגמות או בערכים החריגים האלה כדי לחשוף תובנות.

3. מאמת את השאילתות שנוצרו מול תוצאות הפרופיילינג של הנתונים, כדי לוודא שהשאילתות מחזירות תוצאות משמעותיות.

בלי סריקות פרופיל נתונים, קורים הדברים הבאים:

• יש סיכוי גבוה יותר שהשאילתות שנוצרות יכללו סעיפים לא מדויקים או יפיקו תוצאות חסרות משמעות.

• תיאורי העמודות שנוצרים מבוססים רק על שם העמודה.

מוודאים שסריקת פרופיל הנתונים של הטבלה עדכנית, ושהתוצאות פורסמו ב-BigQuery.

אתם יכולים לשנות את הגדרות הפרופיילינג של הנתונים כדי להגדיל את גודל הדגימה ולסנן שורות ועמודות. אחרי שמריצים סריקה חדשה של פרופיל נתונים, יוצרים מחדש את התובנות.

איכות התובנות של מערך הנתונים משתפרת באופן משמעותי גם אם הטבלאות במערך הנתונים כוללות תוצאות של פרופיל נתונים.

הוספת תיאור לטבלה

תיאורים מפורטים של הטבלאות, שמסבירים מה אתם רוצים לנתח בטבלה, יכולים לעזור ל-Gemini ב-BigQuery ליצור תובנות רלוונטיות יותר גם לגבי הטבלה וגם לגבי מערך הנתונים. אחרי שמוסיפים תיאור לטבלה, יוצרים מחדש את התובנות.

לדוגמה, אפשר להוסיף את התיאור הבא לטבלת telco_churn, כמו זו שמופיעה בדוגמה לתובנות מנתונים בטבלה:

This table tracks customer churn data, including subscription details, tenure,
and service usage, to predict customer churn behavior.

אם שומרים את תיאור הטבלה ש-Gemini יוצר, התיאור הזה משמש ליצירת תובנות בעתיד.

הוספת תיאור לעמודה

תיאורי עמודות שמסבירים מהי כל עמודה, או איך עמודה אחת קשורה לעמודה אחרת, יכולים לשפר את איכות התובנות גם לגבי הטבלה וגם לגבי מערך הנתונים. אחרי שמעדכנים את תיאורי העמודות בטבלה, יוצרים מחדש את התובנות.

לדוגמה, אפשר להוסיף את התיאורים הבאים לעמודות ספציפיות בטבלה של telco_churn, כמו זו שמופיעה בדוגמה לתובנות מנתונים בטבלה:

בעמודה tenure:

The number of months the customer has been with the service.

בעמודה churn:

Whether the customer has stopped using the service. TRUE indicates the customer
no longer uses the service, FALSE indicates the customer is active.

אם שומרים את תיאורי העמודות ש-Gemini יוצר, התיאורים האלה משמשים ליצירת תובנות בעתיד.

ניהול התובנות שנוצרו על ידי AI

אחרי שנוצרות תובנות שנוצרו על ידי AI לגבי טבלה, אפשר לנהל, לעדכן או למחוק אותן ב-Knowledge Catalog. איך מנהלים את התובנות לגבי הטבלאות

המאמרים הבאים

• מידע ולמידה על תובנות מנתונים
• איך יוצרים תובנות לגבי מערך נתונים
• מידע נוסף על יצירת פרופיל נתונים ב-Knowledge Catalog