Consultar tablas de Lakehouse con lenguaje natural

Conversational Analytics en BigQuery te permite consultar tus datos de formato abierto con instrucciones de lenguaje natural. Esta capacidad se basa en el catálogo de tiempo de ejecución de Lakehouse dentro de Lakehouse sin límites para asignar automáticamente tus preguntas a los esquemas de tablas subyacentes, de modo que puedas generar y ejecutar consultas de SQL sin escribir el código de forma manual.

Cuando configures tus consultas, puedes usar agentes de datos para proporcionar glosarios empresariales y instrucciones del sistema para obtener mayor precisión.

Cómo funciona Conversational Analytics

Conversational Analytics usa modelos grandes de lenguaje (LLM) para comprender tus preguntas en lenguaje natural y asignarlas al esquema de tus tablas. El proceso sigue estos pasos:

  1. Descubrimiento de esquemas: El sistema recupera metadatos del catálogo de tiempo de ejecución de Lakehouse para comprender las estructuras de las tablas, los nombres de las columnas y los tipos de datos.
  2. Generación de SQL: El LLM genera una consulta en SQL que es compatible con el motor de BigQuery y el formato de datos subyacente.
  3. Ejecución: BigQuery ejecuta la consulta en SQL generada directamente en los datos de formato abierto en Lakehouse de Google Cloud.
  4. Respuesta: Los resultados se muestran en la interfaz conversacional, a menudo acompañados de un resumen o una visualización.

Para obtener más información sobre Conversational Analytics, como la administración de agentes de datos , los precios o las prácticas recomendadas, consulta Descripción general de Conversational Analytics.

Formatos admitidos

Conversational Analytics traduce tus preguntas en lenguaje natural a consultas de SQL. Es compatible con los formatos de tablas abiertas admitidos por el catálogo de tiempo de ejecución de Lakehouse, como las tablas de Apache Iceberg.

Antes de comenzar

Antes de poder consultar tus datos, registra tus tablas externas en el catálogo de tiempo de ejecución de Lakehouse. El catálogo de tiempo de ejecución de Lakehouse actúa como el centro unificado que conecta BigQuery Studio con tus datos externos de formato abierto. Una vez conectadas, las tablas se convierten en recursos detectables dentro de BigQuery.

Consultar tablas con Conversational Analytics

  1. En la Google Cloud consola de, ve al Centro de agentes de BigQuery Studio.

    Ir al Centro de agentes

  2. Crea un agente de datos o inicia una conversación directa con un agente de datos existente.

  3. Selecciona tus tablas.

    Debido a que el catálogo de tiempo de ejecución de Lakehouse unifica todos estos formatos diferentes, la experiencia de descubrimiento es idéntica a la de encontrar tablas estándar de BigQuery.

    1. Buscar: Cuando agregues tu fuente de conocimiento, busca los nombres de tus tablas en la interfaz de búsqueda y selección de tablas. Puedes usar palabras clave de búsqueda para filtrar los resultados, incluidos los siguientes:

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

    2. Verifica la fuente: Presta atención a la parte del conjunto de datos del nombre completamente calificado. Las tablas creadas por fuentes externas y administradas por el catálogo de tiempo de ejecución de Lakehouse suelen seguir un formato que combina el catálogo y el espacio de nombres. Por ejemplo: PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table o PROJECT_ID.sap_catalog.sales.delta_table.

    3. Seleccionar: Agrega la tabla seleccionada a tu contexto conversacional activo.

  4. Haz preguntas en lenguaje natural. El sistema traduce automáticamente tu instrucción a una consulta en SQL federada.

Mejora la precisión de las consultas

Para ayudar a Conversational Analytics a comprender mejor tus esquemas y terminología, usa las opciones de configuración del agente de datos. Estas opciones incluyen glosarios empresariales, consultas de SQL verificadas y instrucciones del sistema.

¿Qué sigue?