自然言語で Lakehouse テーブルをクエリする

BigQuery の会話型分析では、自然言語プロンプトを使用してオープン フォーマットのデータに対してクエリを実行できます。この機能は、ボーダーレス Lakehouse 内の Lakehouse ランタイム カタログを利用して、質問を基盤となるテーブル スキーマに自動的にマッピングします。これにより、コードを手動で記述することなく SQL クエリを生成して実行できます。

クエリを設定する際に、データ エージェントを使用してビジネス用語集とシステム手順を指定すると、精度を高めることができます。

会話分析の仕組み

会話分析では、大規模言語モデル（LLM）を使用して、自然言語の質問を理解し、テーブルのスキーマにマッピングします。このプロセスは次の手順で行われます。

  1. スキーマ検出: システムは、Lakehouse ランタイム カタログからメタデータを取得して、テーブル構造、列名、データ型を把握します。
  2. SQL 生成: LLM は、BigQuery エンジンと基盤となるデータ形式と互換性のある SQL クエリを生成します。
  3. 実行: BigQuery は、生成された SQL クエリを Google Cloud の Lakehouse のオープン形式データに対して直接実行します。
  4. レスポンス: 結果は会話型インターフェースに返されます。多くの場合、概要や可視化が伴います。

データ エージェントの管理、料金、ベスト プラクティスなど、会話分析の詳細については、会話分析の概要をご覧ください。

サポートされているファイル形式

会話型分析では、自然言語の質問が SQL クエリに変換されます。Apache Iceberg テーブルなど、Lakehouse ランタイム カタログでサポートされているオープン テーブル形式をサポートしています。

始める前に

データをクエリする前に、Lakehouse ランタイム カタログに外部テーブルを登録します。Lakehouse ランタイム カタログは、BigQuery Studio を外部のオープン フォーマット データに接続する統合ハブとして機能します。接続すると、テーブルは BigQuery 内で検出可能なアセットになります。

会話型分析を使用してテーブルにクエリを実行する

  1. Google Cloud コンソールで、[BigQuery Studio Agents Hub] に移動します。

    Agents Hub に移動

  2. データ エージェントを作成するか、既存のデータ エージェントとの直接会話を開始します。

  3. テーブルを選択します。

    Lakehouse ランタイム カタログはこれらの異なる形式をすべて統合するため、検出エクスペリエンスは標準の BigQuery テーブルの検索と同じです。

    1. 検索: ナレッジソースを追加するときに、テーブルの検索と選択のインターフェースでテーブル名を検索します。検索キーワードを使用して、次のような結果をフィルタできます。

      • TABLE_NAME
      • catalog: CATALOG_NAME
      • project: PROJECT_ID
      • namespace: NAMESPACE_NAME

    2. ソースを確認する: 完全修飾名のデータセット部分に注意してください。外部ソースによって作成され、Lakehouse ランタイム カタログによって管理されるテーブルは、通常、カタログと名前空間を組み合わせた形式になります。たとえば、PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table、PROJECT_ID.sap_catalog.sales.delta_table。

    3. 選択: 選択したテーブルをアクティブな会話コンテキストに追加します。

  4. 自然言語で質問します。システムは、プロンプトを自動的に連携 SQL クエリに変換します。

クエリの精度を向上させる

会話分析でスキーマと用語をより正確に把握できるようにするには、データ エージェントの構成オプションを使用します。これらのオプションには、ビジネス用語集、検証済みの SQL クエリ、システム手順が含まれます。

次のステップ