Questions fréquentes sur Knowledge Catalog

Ce document répond aux questions fréquentes sur Google CloudKnowledge Catalog (anciennement Dataplex Universal Catalog).

Pour en savoir plus sur Knowledge Catalog, consultez la présentation de Knowledge Catalog.

Concepts généraux

Consultez les questions fréquentes sur les fonctionnalités de Knowledge Catalog.

Qu'est-ce que Knowledge Catalog ?

Google Knowledge Catalog est une solution de gouvernance intelligente pour les composants de données et d'IA dans Google Cloud. Il fournit un inventaire centralisé où vous pouvez découvrir, gérer et gouverner vos données dans des sources de données Google Cloud telles que BigQuery, Cloud Storage, Pub/Sub et Spanner.

Knowledge Catalog utilise l'IA pour automatiser la découverte des données, l'enrichissement des métadonnées et la qualité des données. Grâce à son catalogue de données gouvernées, Knowledge Catalog fournit l'ancrage essentiel dont les agents d'IA ont besoin pour générer des contenus de haute qualité.

À quoi sert Knowledge Catalog ?

Google Knowledge Catalog résout le problème du "démarrage à froid des données", c'est-à-dire le temps perdu à essayer de trouver, de comprendre et de faire confiance aux données avant de pouvoir les utiliser réellement. Voici ses principales utilisations :

  • Découverte accélérée des données : au lieu de naviguer dans des silos organisationnels complexes pour localiser des données, vous pouvez utiliser la recherche en langage naturel (par exemple, "Affiche-moi les données les plus récentes sur l'attrition des clients") pour trouver instantanément des éléments dans les ressourcesGoogle Cloud , ce qui augmente la productivité des consommateurs de données.

  • Ancrage des agents d'IA : il sert de "source de vérité" pour l'IA générative ou l'ADK. En associant les données physiques à des définitions métier, il garantit que les agents d'IA (comme ceux basés sur Vertex AI) utilisent des données de haute qualité, ce qui réduit considérablement les hallucinations de l'IA et renforce la confiance dans les insights générés par l'IA.

  • Gouvernance automatisée des données : elle analyse automatiquement vos données pour identifier les informations sensibles (c'est-à-dire les informations permettant d'identifier personnellement l'utilisateur), suit l'origine des données (traçabilité) et surveille leur exactitude (qualité automatique des données). Ces fonctionnalités permettent d'améliorer la confiance, la sécurité et la conformité des données en déployant un minimum d'effort manuel.

  • Découverte des "données obscures" : il peut analyser les fichiers non structurés (par exemple, les PDF ou les images dans Cloud Storage), extraire les informations qu'ils contiennent et les rendre consultables et interrogeables dans BigQuery. Vous pouvez ainsi obtenir des insights à partir de données auparavant inaccessibles.

Pour commencer à utiliser ces scénarios, consultez Cas d'utilisation de Knowledge Catalog.

Quels types de métadonnées Knowledge Catalog stocke-t-il ?

Knowledge Catalog stocke trois types de métadonnées :

  • Métadonnées techniques : schémas, noms de tables et propriétés système collectés automatiquement.

  • Métadonnées métier : contexte défini par l'utilisateur, comme les descriptions métier, les termes du glossaire et la propriété.

  • Métadonnées d'exécution : informations sur la traçabilité des données, les scores de qualité des données et les statistiques de profilage des données.

Facturation des insights sur les données

Consultez les questions fréquentes sur la facturation basée sur les jetons, la mesure de l'utilisation et les contrôles administratifs pour la fonctionnalité d'insights sur les données dans Knowledge Catalog.

Quand commencerai-je à être facturé pour l'utilisation des insights sur les données ?

La facturation active des insights sur les données commencera le 27 octobre 2026.

Comment l'utilisation des insights sur les données est-elle facturée ?

L'utilisation est mesurée en jetons de données. Les jetons de données représentent les unités de base de texte et de métadonnées traitées par le modèle Gemini. Ces jetons sont divisés en deux catégories :

  • Jetons d'entrée : contexte, instructions et historique envoyés au modèle.
  • Jetons de sortie : descriptions, relations et requêtes en langage naturel générées par le modèle.

Pour en savoir plus, consultez les tarifs de l'agent Data Cloud.

Les comptes de service bénéficient-ils d'un quota sans frais pour les insights sur les données ?

Non. Les comptes de service ne bénéficient pas d'un quota sans frais par utilisateur. Toutefois, leur utilisation est mesurée de la même manière que celle des utilisateurs standards.

Comment puis-je éviter les débits automatiques pour les insights sur les données ?

Pour éviter que des frais ne vous soient facturés, vérifiez vos analyses en cours et arrêtez d'en déclencher de nouvelles. Les administrateurs peuvent également désactiver la fonctionnalité d'insights sur les données en désactivant l'API Dataplex dans le projet concerné.

Comment puis-je savoir combien les insights sur les données vont me coûter ?

Google Cloud fournit la mesure des jetons de données. Cette mesure permet aux administrateurs et aux propriétaires d'agents de surveiller leur consommation de jetons. Cette fonctionnalité de mesure est disponible avant le début de la facturation active en octobre 2026.

Facturation et surveillance des coûts

Comment surveiller et attribuer les coûts en DCU Dataplex pour la qualité, le profilage et la traçabilité des données ?

Les unités de calcul de données (DCU) Dataplex DataScan (qualité automatique des données et profilage des données) et de traçabilité des données s'exécutent sur un calcul sans serveur dans l'infrastructure gérée par Dataplex et ne publient pas de métriques de séries temporelles sous dataplex.googleapis.com/* dans Cloud Monitoring.

Pour surveiller les coûts d'UC de Knowledge Catalog, définir des alertes et les attribuer à des projets et des analyses, exportez vos données Cloud Billing vers BigQuery et interrogez les libellés système associés aux enregistrements de facturation Knowledge Catalog :

  • Pour les analyses de la qualité et du profilage des données, utilisez les libellés goog-dataplex-datascan-* (par exemple, goog-dataplex-datascan-id, goog-dataplex-datascan-data-source-project et goog-dataplex-datascan-data-source-bigquery-table).
  • Pour le traitement de la traçabilité des données, utilisez l'étiquette goog-dataplex-workload-type avec la valeur LINEAGE.

Pour obtenir des définitions détaillées des étiquettes et des exemples de requêtes SQL BigQuery, consultez Surveiller et attribuer les coûts DCU de Knowledge Catalog avec l'exportation Cloud Billing.