יצירת תובנות לגבי טבלה

במאמר הזה מוסבר איך ליצור תובנות לגבי טבלאות ב-BigQuery, טבלאות BigLake וטבלאות חיצוניות. תובנות לגבי טבלאות עוזרות לכם להבין את הנתונים בטבלה אחת על ידי יצירת שאלות בשפה טבעית ושאילתות SQL על סמך מטא-נתונים של הטבלה.

תובנות לגבי טבלאות יכולות לעזור לכם לחקור נתונים במהירות. בעזרתן תוכלו להבין את המבנה והתוכן של טבלה חדשה או לא מוכרת בלי לכתוב שאילתות מורכבות. אפשר גם ליצור שאילתות SQL על סמך שאלות בשפה טבעית, וכך לחסוך זמן ומאמץ בכתיבת שאילתות באופן ידני. תובנות לגבי טבלאות יכולות לעזור גם למשתמשים שלא מבינים ב-SQL להבין ולנתח נתונים באמצעות שאילתות בשפה טבעית.

סקירה כללית על תובנות לגבי טבלאות ומערכי נתונים

מצבים ליצירת תובנות לגבי נתוני הטבלה

כשמפיקים תובנות לגבי טבלה, BigQuery מספק שני מצבים:

מצב	תיאור	Usage
יצירה ופרסום (תצוגה מקדימה)	שמירת התובנות שנוצרו לגבי הטבלה ב-Dataplex Universal Catalog כהיבטים של מטא-נתונים. צריכות להיות לכם ההרשאות הנדרשות לפרסום. כשמשתמשים באפשרות יצירה ופרסום, מתבצעות הפעולות הבאות: מאחסן תיאורים של טבלאות ועמודות ב-Dataplex Universal Catalog. התכונה מתעדת הצעות לשאילתות ולשאלות כהיבטים שאפשר לעשות בהם שימוש חוזר. התובנות שפורסמו יהיו נגישות לכל המשתמשים שיש להם גישה מתאימה ל-Dataplex Universal Catalog, וכך יתאפשר שיתוף ידע בארגון. אפשר לערוך ולשמור תיאורים ישירות ב-Dataplex Universal Catalog.	משתמשים במצב הזה לתיעוד נתונים בכל הארגון שנשמר וניתן לשימוש חוזר, או כשיוצרים תהליכי עבודה של ניהול שמבוססים על קטלוג.
יצירה ללא פרסום	יצירת תובנות לגבי טבלאות, כמו תיאורים, שאלות בשפה טבעית ושאילתות SQL על פי דרישה. האפשרות יצירה ללא פרסום לא מפרסמת תובנות ב-Dataplex Universal Catalog.	מומלץ להשתמש במצב הזה כדי לבצע במהירות מחקר אד-הוק, וכך להימנע מעומס בנתוני הקטלוג.

הערה: המצבים חלים רק על תובנות ברמת הטבלה. המערכת יוצרת תובנות ברמת מערך הנתונים לפי דרישה, ולא מפרסמת אותן ב-Dataplex Universal Catalog באותו אופן.

לפני שמתחילים

התובנות מנתונים נוצרות באמצעות Gemini ב-BigQuery. כדי להתחיל ליצור תובנות, קודם צריך להגדיר את Gemini ב-BigQuery.

הערה: Gemini ב-BigQuery הוא חלק מ-Gemini for Google Cloud ולא תומך באותם פתרונות תאימות ואבטחה כמו BigQuery. מומלץ להגדיר את Gemini ב-BigQuery רק עבור פרויקטים ב-BigQuery שלא נדרשים להם פתרונות תאימות שלא נתמכים על ידי Gemini ל- Google Cloud. מידע על השבתה של Gemini ב-BigQuery או על מניעת גישה אליו זמין במאמר השבתה של Gemini ב-BigQuery.

הפעלת ממשקי ה-API

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

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

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

מידע נוסף על הפעלת Gemini for Google Cloud API זמין במאמר בנושא הפעלת Gemini for Google Cloud API בפרויקט. Google Cloud

תפקידים והרשאות

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

• ‫Dataplex Universal Catalog DataScan Editor‏ (roles/dataplex.dataScanEditor) או Dataplex Universal Catalog DataScan Administrator‏ (roles/dataplex.dataScanAdmin) בפרויקט שבו רוצים ליצור תובנות.
• ‫BigQuery Data Viewer (roles/bigquery.dataViewer) בטבלאות BigQuery שרוצים ליצור עבורן תובנות.
• ‫BigQuery Data Editor (roles/bigquery.dataEditor) בטבלאות BigQuery שרוצים ליצור עבורן תובנות.
• BigQuery User (roles/bigquery.user) או BigQuery Studio User (roles/bigquery.studioUser) בפרויקט שבו רוצים ליצור תובנות.

כדי לקבל הרשאת קריאה בלבד לתובנות שנוצרו, צריך לבקש מהאדמין להקצות לכם את תפקיד ה-IAM הבא:

• ‫Dataplex Universal Catalog DataScan DataViewer (roles/dataplex.dataScanDataViewer) בפרויקט שמכיל את הטבלאות ב-BigQuery שרוצים להציג לגביהן תובנות.

כדי לפרסם תובנות לגבי נתונים ב-Dataplex Universal Catalog, צריך לבקש מהאדמין להקצות לכם את תפקידי ה-IAM הבאים במשאב:

• פרסום תיאורים כהיבטים: Dataplex Universal Catalog Catalog Editor (roles/dataplex.catalogEditor)
• פרסום שאילתות כהיבטים: Dataplex Universal Catalog Entry and EntryLink Owner (roles/dataplex.entryOwner)

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

• אדמין של שימוש בשירות (roles/serviceusage.serviceUsageAdmin) בפרויקט שבו רוצים ליצור תובנות.

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 אחרים. כדי לראות בדיוק אילו הרשאות נדרשות כדי ליצור תובנות, אפשר להרחיב את הקטע ההרשאות הנדרשות:

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 לגבי טבלה ב-BigQuery

כדי ליצור תובנות לגבי טבלאות BigQuery, אפשר להשתמש במסוףGoogle Cloud או בסוג הסריקה DATA_DOCUMENTATION שנתמך על ידי DataScans API של Dataplex Universal Catalog. הסריקות האלה יוצרות מטא-נתונים, שאילתות SQL לחיפוש נתונים, תיאורים של סכימות וסיכומים ברמת הטבלה.

המסוף

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

1. במסוף Google Cloud , עוברים אל BigQuery Studio.

   כניסה ל-BigQuery Studio

2. בחלונית Explorer, בוחרים את הפרויקט, מערך הנתונים ואז את הטבלה שרוצים ליצור לגביה תובנות.

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

4. כדי ליצור תובנות ולפרסם אותן ב-Dataplex Universal Catalog, לוחצים על יצירה ופרסום (תצוגה מקדימה).

   כדי ליצור תובנות בלי לפרסם אותן ב-Dataplex Universal Catalog, לוחצים על יצירה ללא פרסום.

   מידע נוסף על ההבדלים בין המצבים יצירה ופרסום ויצירה ללא פרסום זמין במאמר מצבים ליצירת תובנות.

5. בוחרים אזור כדי ליצור תובנות ולוחצים על יצירה.

   יחלפו כמה דקות עד שהתובנות יופיעו.

   אם יש תוצאות של פרופיל נתונים שפורסמו לגבי הטבלה, המערכת משתמשת בהן כדי ליצור תובנות. אחרת, התובנות נוצרות על סמך שמות העמודות והתיאורים שלהן. מידע נוסף זמין במאמר בנושא שיטות מומלצות לשיפור התובנות שנוצרות.

6. בכרטיסייה תובנות, מעיינים בשאלות שנוצרו בשפה טבעית.

7. כדי לראות את שאילתת ה-SQL שנותנת תשובה לשאלה, לוחצים על השאלה.

8. כדי לפתוח שאילתה ב-BigQuery, לוחצים על Copy to Query (העתקה לשאילתה).

9. כדי לשאול שאלות המשך:

   1. לוחצים על שליחת שאלת המשך. השאילתה תיפתח 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 יצירת תובנות ומפעילים מחדש את צינור הנתונים.

אחרי שיוצרים תובנות לגבי טבלה, כל מי שיש לו הרשאה dataplex.datascans.getData וגישה לטבלה יכול לראות את התובנות האלה.

REST

כדי ליצור תובנות באופן פרוגרמטי, משתמשים ב-DataScans API של Dataplex Universal Catalog. כדי לעשות זאת, פועלים לפי השלבים הבאים:

1. אופציונלי: יצירת סריקת פרופיל נתונים עבור הטבלה
2. יצירת סריקת נתונים של תיעוד נתונים לטבלה ב-BigQuery
3. בדיקת הסטטוס של סריקת תיעוד הנתונים
4. פרסום התוצאות של סריקת תיעוד הנתונים בטבלה ב-BigQuery

אופציונלי: יצירת סריקת פרופיל נתונים של הטבלה

סריקות של פרופיל הנתונים מצמצמות את ההזיות וההערכות של Gemini, כי הן מבססות את הפלט על ערכים אמיתיים שקיימים בנתונים.

כדי ליצור ולהפעיל סריקת פרופיל נתונים, בצע את השלבים הבאים:

1. יוצרים סריקת פרופיל נתונים באמצעות השיטה dataScans.create.

2. מריצים את סריקת פרופיל הנתונים באמצעות השיטה dataScans.run. ממתינים לסיום ההרצה.

3. כדי לפרסם את תוצאות הסריקה בטבלה ב-BigQuery, צריך לצרף לטבלה את התוויות הבאות של פרופיל הנתונים:

   • 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 סריקה של נתוני תיעוד של טבלה ב-BigQuery

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

אפשרות א': סריקה מנוהלת רגילה (יצירה והפעלה)

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

1. יוצרים סריקת נתונים של תיעוד נתונים באמצעות השיטה dataScans.create. אפשר להתאים אישית את היקף היצירה כך שיכלול סכימה, תיאורים, שאילתות או שילוב של אלה באמצעות הפרמטר generation_scopes:

   • כדי ליצור סכימה, תיאורי טבלאות ושאילתות SQL, משאירים את data_documentation_spec ריק או מגדירים את generation_scopes ל-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": {
         "generation_scopes": "ALL"
       }
     }'
     

     מחליפים את מה שכתוב בשדות הבאים:

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

   • כדי ליצור את הסכימה, תיאורי הטבלאות ותיאורי העמודות, בלי שאילתות SQL, מגדירים את generation_scopes ל-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": {
         "generation_scopes": "TABLE_AND_COLUMN_DESCRIPTIONS"
       }
     }'
     

   • 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": {
         "generation_scopes": "SQL_QUERIES"
       }
     }'
     

2. מתחילים 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 עבודה ייחודי יחד עם המצב הראשוני.

אפשרות ב': סריקה חד-פעמית (פשוטה)

משתמשים בשיטה הזו כדי להתחיל סריקה ולהשלים אותה בקריאה אחת ל-API. השיטה הזו מבטלת את הצורך להפעיל את השיטה run בנפרד, ומאפשרת מחיקה אוטומטית של משאב הסריקה באמצעות פונקציונליות של אורך חיים (TTL).

הערה: סריקה חד-פעמית לא תומכת בהפעלה או בעדכון של פעולות עתידיות.

יוצרים את הסריקה ומפעילים אותה 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": { "generation_scopes": "ALL" },
  "executionSpec": {
    "trigger": {
      "one_time": {
        "ttl_after_scan_completion": { "seconds": TTL_TIME }
      }
    }
  }
}'

מחליפים את מה שכתוב בשדות הבאים:

• ‫PROJECT_ID: מזהה הפרויקט Google Cloudשבו נמצא מערך הנתונים
• ‫LOCATION: האזור שבו מתבצעת סריקת הנתונים
• ‫DATASCAN_ID: שם ייחודי שאתם מספקים לסריקה הזו
• ‫DATASET_ID: המזהה של מערך הנתונים ב-BigQuery שנסרק
• ‫TABLE_ID: המזהה של טבלת BigQuery שנסרקת
• ‫TTL_TIME: משך הזמן בשניות שלאחריו משאב הסריקה יימחק אוטומטית (לדוגמה, 3600 לשעה אחת)

בדיקת סטטוס הסריקה של תיעוד הנתונים

בודקים שהרצת עבודת הסריקה הסתיימה באמצעות השיטה 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

הפעולה מסתיימת כשהסטטוס הוא SUCCEEDED או FAILURE.

פרסום תוצאות הסריקה של תיעוד הנתונים בטבלת BigQuery

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

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

יצירת תובנות לגבי טבלה חיצונית ב-BigQuery

התובנות מנתונים ב-BigQuery תומכות ביצירת תובנות לגבי טבלאות חיצוניות ב-BigQuery עם נתונים ב-Cloud Storage. לכם ולחשבון השירות של Dataplex Universal Catalog בפרויקט הנוכחי צריכה להיות ההרשאה של התפקיד 'צפייה באובייקט אחסון' (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 שבקטע יצירת תובנות לגבי טבלה ב-BigQuery במסמך הזה.

יצירת תובנות לגבי טבלת BigLake

כדי ליצור תובנות לגבי טבלת BigLake, פועלים לפי השלבים הבאים:

1. מפעילים את BigQuery Connection API בפרויקט.

   הפעלת BigQuery Connection API

2. יוצרים חיבור ל-BigQuery. איך מנהלים את הקישורים

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

   אפשר לאחזר את מזהה חשבון השירות מפרטי החיבור.

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

יצירת תיאורים של טבלאות ועמודות

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

שליטה בשפת היצירה

אתם יכולים להנחות את Gemini ליצור תיאורים של טבלאות ועמודות בשפה ספציפית. כדי לעשות את זה, מוסיפים הנחיה קצרה (לדוגמה, 'יצירת תיאור לטבלה ולעמודות באמצעות השפה הצרפתית') לתיאור הקיים של הטבלה לפני שיוצרים את התובנות לגבי הנתונים.

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

כשמפיקים תובנות, Gemini מפרש את ההנחיה הזו ומפיק את המטא-נתונים בשפה המבוקשת. המנגנון הזה פועל כי Gemini משתמש בתיאורים קיימים של טבלאות בתור הקשר כשהוא יוצר תיאורים חדשים.

רשימת השפות הנתמכות מופיעה במאמר שפות נתמכות ב-Gemini.

יצירת תיאורים

כדי ליצור תיאורים לטבלאות ולעמודות:

1. כדי ליצור תובנות, פועלים לפי ההוראות שמתוארות בקטע הרלוונטי במסמך הזה:

   • יצירת תובנות לגבי טבלה ב-BigQuery
   • יצירת תובנות לגבי טבלה חיצונית ב-BigQuery
   • יצירת תובנות לגבי טבלת BigLake

2. לוחצים על הכרטיסייה סכימה.

3. לוחצים על הצגת תיאורי העמודות.

   הערה: אם לא רואים את הלחצן הצגת תיאורי העמודות, לוחצים על תיאור הנתונים. יכול להיות שתצטרכו לגלול כדי לראות את הכפתור הזה.

   מוצגים תיאור הטבלה ותיאורי העמודות שנוצרו.

4. כדי לערוך ולשמור את תיאור הטבלה שנוצר:

   1. בקטע תיאור הטבלה, לוחצים על שמירה בפרטים.

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

   3. עורכים את תיאור הטבלה לפי הצורך ולוחצים על שמירה בפרטים.

      תיאור הטבלה מתעדכן באופן מיידי.

5. כדי לערוך ולשמור את תיאורי העמודות שנוצרו:

   1. בקטע תיאורי עמודות, לוחצים על שמירה בסכימה.

      התיאורים שנוצרו יאוכלסו בשדה תיאור חדש 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 סגירה.

שיטות מומלצות ליצירת תובנות לגבי נתונים

כדי לשפר את הדיוק של התובנות שנוצרות, מומלץ לפעול לפי ההמלצות הבאות:

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

• תובנות לגבי הקרקע באמצעות פרופילים. אם התיאורים לא זמינים, צריך לוודא שסריקת פרופיל מקושרת לכל טבלה במערך הנתונים כדי לעזור בביסוס התובנות שנוצרו.

• הגדרת כללים באופן מפורש. צריך לכלול את כל הקשרים או הלוגיקה העסקית שמשמשים את מודול התובנות כדי להשפיע על יצירת הקשרים בתיאור של הטבלה הרלוונטית.

התובנות מבוססות על תוצאות של יצירת פרופילים של נתונים

ב-AI גנרטיבי, 'הארקה' היא היכולת לקשר בין פלט של מודל לבין מקורות מידע שאפשר לאמת. אפשר להשתמש בתוצאות של פרופיל הנתונים כדי להוסיף הקשר לתובנות שנוצרו לגבי טבלה. יצירת פרופיל נתונים מנתחת את העמודות בטבלאות שלכם ב-BigQuery ומזהה מאפיינים סטטיסטיים נפוצים, כמו ערכי נתונים אופייניים ופיזור נתונים.

כשיוצרים סריקת פרופיל נתונים לטבלה, אפשר לבחור לפרסם את תוצאות הסריקה בדפים של Dataplex Universal Catalog ו-BigQuery במסוף Google Cloud . התובנות מתבססות על תוצאות של פרופיל נתונים כדי ליצור שאילתות מדויקות ורלוונטיות יותר. לשם כך, המערכת מבצעת את הפעולות הבאות:

1. מנתח את התוצאות של פרופיל הנתונים כדי לזהות דפוסים מעניינים, מגמות או חריגים בנתונים.

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

3. מאמת את השאילתות שנוצרו מול תוצאות פרופיל הנתונים כדי לוודא שהן מחזירות תוצאות משמעותיות.

אם לא מריצים סריקות של פרופיל הנתונים:

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

• תיאורי העמודות שנוצרים מבוססים רק על שם העמודה.

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

אתם יכולים לשנות את ההגדרות של פרופיל הנתונים כדי להגדיל את גודל הדגימה ולסנן שורות ועמודות. אחרי שמריצים סריקת פרופיל נתונים חדשה, צריך ליצור מחדש את התובנות.

גם איכות התובנות לגבי מערך הנתונים משתפרת באופן משמעותי אם בטבלאות במערך הנתונים יש תוצאות של פרופיל נתונים.

הוספת תיאור לטבלה

תיאורים מפורטים של הטבלה שבהם מוסבר מה רוצים לנתח בטבלה יכולים לעזור ל-Gemini ב-BigQuery להפיק תובנות רלוונטיות יותר לגבי הטבלה ומערך הנתונים. אחרי שמוסיפים תיאור לטבלה, יוצרים תובנות מחדש.

לדוגמה, אפשר להוסיף את התיאור הבא לטבלת telco_churn כמו זו שמופיעה בדוגמה לתובנות לגבי נתוני טבלה:

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

אם שומרים את תיאור הטבלה שנוצר על ידי Gemini, התיאור הזה ישמש ליצירת תובנות עתידיות.

הוספת תיאור לעמודה

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

לדוגמה, אפשר להוסיף את התיאורים הבאים לעמודות ספציפיות בטבלת telco_churn כמו זו שמופיעה בדוגמה לתובנות מנתוני טבלה:

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 ישמשו ליצירת תובנות בעתיד.

המאמרים הבאים

• מידע על תובנות מנתונים
• איך יוצרים תובנות לגבי מערך נתונים
• מידע נוסף על פרופיל נתונים ב-Dataplex Universal Catalog