Consultar tabelas do Lakehouse com linguagem natural

A análise conversacional no BigQuery permite consultar seus dados de formato aberto usando comandos de linguagem natural. Esse recurso depende do catálogo de execução do Lakehouse no Lakehouse sem fronteiras para mapear automaticamente suas perguntas aos esquemas de tabelas subjacentes. Assim, você pode gerar e executar consultas SQL sem escrever o código manualmente.

Ao configurar as consultas, é possível usar agentes de dados para fornecer glossários de negócios e instruções do sistema para maior precisão.

Como a análise conversacional funciona

A análise conversacional usa modelos de linguagem grandes (LLMs) para entender suas perguntas em linguagem natural e mapeá-las para o esquema das tabelas. O processo segue estas etapas:

  1. Descoberta de esquema: o sistema recupera metadados do catálogo de execução do Lakehouse para entender as estruturas de tabelas, nomes de colunas e tipos de dados.
  2. Geração de SQL: o LLM gera uma consulta SQL compatível com o mecanismo do BigQuery e o formato de dados subjacente.
  3. Execução: o BigQuery executa a consulta SQL gerada diretamente nos dados de formato aberto no Lakehouse do Google Cloud.
  4. Resposta: os resultados são retornados à interface conversacional, geralmente acompanhados de um resumo ou visualização.

Para mais informações sobre a análise conversacional, como gerenciamento de agentes de dados, preços ou práticas recomendadas, consulte Visão geral da análise conversacional.

Formatos compatíveis

A análise conversacional traduz suas perguntas em linguagem natural em consultas SQL. Ela oferece suporte aos formatos de tabelas abertas compatíveis com o catálogo de execução do Lakehouse, como tabelas do Apache Iceberg.

Antes de começar

Antes de consultar seus dados, registre as tabelas externas no catálogo de execução do Lakehouse. O catálogo de execução do Lakehouse atua como o hub unificado que conecta o BigQuery Studio aos seus dados externos de formato aberto. Depois de conectadas, as tabelas se tornam recursos detectáveis no BigQuery.

Consultar tabelas com análise conversacional

  1. No Google Cloud console, acesse o hub de agentes do BigQuery Studio.

    Acessar o hub de agentes

  2. Crie um agente de dados ou inicie uma conversa direta com um agente de dados.

  3. Selecione as tabelas.

    Como o catálogo de execução do Lakehouse unifica todos esses formatos diferentes, a experiência de descoberta é idêntica à de encontrar tabelas padrão do BigQuery.

    1. Pesquisar: ao adicionar sua fonte de conhecimento, procure os nomes das tabelas na interface de pesquisa e seleção de tabelas. É possível usar palavras-chave de pesquisa para filtrar os resultados, incluindo:

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

    2. Verificar a origem: preste atenção à parte do conjunto de dados do nome totalmente qualificado. As tabelas criadas por fontes externas e gerenciadas pelo catálogo de execução do Lakehouse geralmente seguem um formato que combina o catálogo e o namespace. Por exemplo: PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table ou PROJECT_ID.sap_catalog.sales.delta_table.

    3. Selecionar: adicione a tabela selecionada ao contexto conversacional ativo.

  4. Faça perguntas em linguagem natural. O sistema traduz automaticamente o comando em uma consulta SQL federada.

Melhorar a precisão da consulta

Para ajudar a análise conversacional a entender melhor seus esquemas e terminologia, use as opções de configuração do agente de dados. Essas opções incluem glossários de negócios, consultas SQL verificadas e instruções do sistema.

A seguir