Komplexe Abfragen in natürlicher Sprache für Datenassets von Unternehmen ausführen. Dazu wird ein Erkennungsagent verwendet, der Knowledge Catalog API-Aufrufe ausführt (Python).

KI-gestützte Übersichten für Ihre Datenassets im großen Maßstab generieren. Dazu wird ein Anreicherungsagent verwendet, der Knowledge Catalog API-Aufrufe ausführt (Python).

Cloudübergreifende Analyse-Workflows für verteilte Datenspeicher mit KI-Agenten und Knowledge Catalog als Kontextdiagramm entwerfen

Strukturierte, schemagesteuerte Metadaten (Aspekte) und Geschäftsdefinitionen (Glossare) über die Google Cloud Console an Ihre Datenassets (Einträge) anhängen

Apache Iceberg-Tabellen erstellen, zentralisierte Datenrichtlinien für die Sicherheit auf Spaltenebene erzwingen, Sicherheitsrichtlinien definieren und die automatisierte Data Lineage visualisieren

Metadaten automatisch aus Google-Diensten wie BigQuery aufnehmen

Metadaten aus benutzerdefinierten Datenquellen mit offenen APIs indexieren

Über die Gemini CLI Abfragen in natürlicher Sprache verwenden, um Daten zu profilieren und Qualitätsregeln zu generieren. Anschließend Datenqualitätsregeln als automatisierte Scans bereitstellen

Mit Abfragen in natürlicher Sprache an die Gemini CLI prüfen, ob Knowledge Catalog zwischen Quelldaten und temporären Ableitungen unterscheiden kann

Ermitteln, wie sich Datentransformationen auf nachgelagerte Ressourcen, die Datenintegrität und Workflows auswirken

Den Fluss vertraulicher Daten bis zu dem Prozess zurückverfolgen, der sie von einem vertrauenswürdigen an einen nicht vertrauenswürdigen Speicherort verschiebt

Speicherkosten senken, indem Sie Assets identifizieren, die nicht aktiv als Quellen für andere Prozesse verwendet werden

Vorkontext für Datenassets abrufen, der für LLMs geeignet ist. Dazu ist nur eine API-Anfrage erforderlich.