Lakehouse-Tabellen mit natürlicher Sprache abfragen

Mit der konversationellen Analyse in BigQuery können Sie Ihre Daten im offenen Format mithilfe von Prompts in natürlicher Sprache abfragen. Diese Funktion basiert auf dem Lakehouse-Laufzeitkatalog im grenzenlosen Lakehouse, um Ihre Fragen automatisch den zugrunde liegenden Tabellenschemas zuzuordnen. So können Sie SQL-Abfragen generieren und ausführen, ohne den Code manuell schreiben zu müssen.

Beim Einrichten Ihrer Abfragen können Sie Daten-Agents verwenden, um Unternehmensglossare und Systemanweisungen für eine höhere Genauigkeit bereitzustellen.

Funktionsweise von Conversational Analytics

Bei der konversationellen Analyse werden Large Language Models (LLMs) verwendet, um Ihre in natürlicher Sprache gestellten Fragen zu verstehen und sie dem Schema Ihrer Tabellen zuzuordnen. Der Prozess umfasst die folgenden Schritte:

  1. Schemaerkennung: Das System ruft Metadaten aus dem Lakehouse-Laufzeitkatalog ab, um Tabellenstrukturen, Spaltennamen und Datentypen zu verstehen.
  2. SQL-Generierung: Das LLM generiert eine SQL-Abfrage, die mit der BigQuery-Engine und dem zugrunde liegenden Datenformat kompatibel ist.
  3. Ausführung: BigQuery führt die generierte SQL-Abfrage direkt für die Daten im offenen Format im Lakehouse von Google Cloud aus.
  4. Antwort: Die Ergebnisse werden an die konversationelle Oberfläche zurückgegeben, oft zusammen mit einer Zusammenfassung oder Visualisierung.

Weitere Informationen zur konversationellen Analyse, z. B. zum Verwalten von Daten-Agents, zu Preisen oder Best Practices, finden Sie unter Konversationelle Analyse – Übersicht.

Unterstützte Formate

Die konversationelle Analyse übersetzt Ihre Fragen in natürlicher Sprache in SQL-Abfragen. Es unterstützt die offenen Tabellenformate, die vom Lakehouse-Laufzeitkatalog unterstützt werden, z. B. Apache Iceberg-Tabellen.

Hinweis

Bevor Sie Ihre Daten abfragen können, müssen Sie Ihre externen Tabellen im Lakehouse-Laufzeitkatalog registrieren. Der Lakehouse-Laufzeitkatalog fungiert als einheitlicher Hub, der BigQuery Studio mit Ihren externen Daten im offenen Format verbindet. Nach der Verbindung werden die Tabellen zu auffindbaren Assets in BigQuery.

Tabellen mit konversationellen Analysen abfragen

  1. Rufen Sie in der Google Cloud Console den BigQuery Studio Agents Hub auf.

    Zum Agents Hub

  2. Erstellen Sie einen KI-Datenagenten oder starten Sie eine direkte Unterhaltung mit einem vorhandenen KI-Datenagenten.

  3. Wählen Sie die Tabellen aus.

    Da der Lakehouse-Laufzeitkatalog alle diese verschiedenen Formate vereinheitlicht, ist die Suche nach Standard-BigQuery-Tabellen identisch.

    1. Suchen: Wenn Sie Ihre Wissensquelle hinzufügen, suchen Sie in der Oberfläche für die Tabellensuche und -auswahl nach Ihren Tabellennamen. Sie können Suchbegriffe verwenden, um Ergebnisse zu filtern, darunter:

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

    2. Quelle prüfen: Achten Sie auf den Dataset-Teil des voll qualifizierten Namens. Tabellen, die von externen Quellen erstellt und vom Lakehouse-Laufzeitkatalog verwaltet werden, folgen in der Regel einem Format, das den Katalog und den Namespace kombiniert. Beispiel: PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table oder PROJECT_ID.sap_catalog.sales.delta_table.

    3. Auswählen: Die ausgewählte Tabelle wird dem aktiven Konversationskontext hinzugefügt.

  4. Fragen in natürlicher Sprache stellen Das System übersetzt Ihren Prompt automatisch in eine föderierte SQL-Abfrage.

Abfragegenauigkeit verbessern

Damit die konversationelle Analyse Ihre Schemas und Terminologie besser versteht, verwenden Sie die Konfigurationsoptionen für Daten-Agents. Zu diesen Optionen gehören Unternehmensglossare, verifizierte SQL-Abfragen und Systemanweisungen.

Nächste Schritte