In diesem Dokument wird beschrieben, wie Gemini in BigQuery, das Teil der Produktsuite Gemini für Google Cloud ist, Sie bei der Arbeit mit Ihren Daten mithilfe von KI unterstützt. Zusätzlich zur Gemini-Unterstützung können Sie mit BigQuery ML auch auf Vertex AI-Modelle und Cloud AI APIs zugreifen, um KI-Aufgaben wie Textgenerierung oder maschinelle Übersetzung auszuführen.
KI-Unterstützung mit Gemini in BigQuery
Gemini in BigQuery bietet KI-gestützte Hilfe, um Sie bei Folgendem zu unterstützen:
- Mithilfe von Dateneinblicken Daten auswerten und auswerten Daten zu allgemein verfügbar (GA) Insights eine automatisierte, intuitive Möglichkeit, Muster aufzudecken und statistische Analysen mit aufschlussreichen Abfragen durchführen, aus den Metadaten Ihrer Tabellen generiert werden. Diese Funktion eignet sich besonders hilfreich bei der Bewältigung der Kaltstartherausforderungen der frühen Datenexploration. Weitere Informationen finden Sie unter Datenstatistiken in BigQuery generieren
- Mit dem BigQuery-Daten-Canvas Daten erkennen, transformieren, abfragen und visualisieren (GA) Mit natürlicher Sprache können Tabellen-Assets finden, zusammenführen und abfragen, Ergebnisse visualisieren während des gesamten Prozesses mit anderen zusammenzuarbeiten. Weitere Informationen finden Sie unter Mit Data Canvas analysieren.
- Unterstützte SQL- und Python-Datenanalyse Sie können Gemini in BigQuery verwenden, um Code in SQL oder Python zu generieren oder vorzuschlagen und eine vorhandene SQL-Abfrage zu erklären. Sie können auch Suchanfragen in natürlicher Sprache verwenden, um mit der Datenanalyse zu beginnen. Informationen zum Generieren, Vervollständigen und Zusammenfassen von Code finden Sie in der folgenden Dokumentation:
- Optimieren Sie Ihre Dateninfrastruktur durch Partitionierung, Clustering und Empfehlungen für materialisierte Ansichten. Sie können BigQuery Ihre SQL-Arbeitslasten überwachen lassen, um Möglichkeiten zur Leistungssteigerung und Kostensenkung zu finden. Weitere Informationen finden Sie in der folgenden Dokumentation:
- Serverlose Apache Spark-Arbeitslasten automatisch optimieren und Fehler beheben (Vorschau) Die automatische Abstimmung kann Spark-Jobs automatisch durch Anwenden der Konfiguration optimieren. Einstellungen für eine wiederkehrende Spark-Arbeitslast basierend auf Best Practices und einer der Analyse früherer Arbeitslastausführungen. Erweiterte Fehlerbehebung mit Gemini in BigQuery kann Jobs erklären und einblenden und können umsetzbare Empfehlungen erhalten, wie sich langsame oder fehlgeschlagene Jobs. Weitere Informationen finden Sie unter Autotuning Spark. Arbeitslasten und Erweitert Fehlerbehebung.
- SQL-Übersetzungen mit Übersetzungsregeln anpassen (Vorabversion) Mithilfe von Gemini-optimierten Übersetzungsregeln können Sie Ihre SQL-Übersetzungen anpassen, wenn Sie den interaktiven SQL-Übersetzer verwenden. Sie können Änderungen an der SQL-Übersetzungsausgabe mit oder SQL-Muster zum Suchen und Ersetzen angeben. Weitere Informationen finden Sie unter Erstellen Sie eine Übersetzungsregel.
Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet Da es sich bei Gemini für Google Cloud-Produkte um eine Technologie im Frühstadium handelt, kann es zu Ergebnissen kommen, die zwar plausibel erscheinen, aber faktisch falsch sind. Wir empfehlen, alle Ausgaben von Gemini für Google Cloud-Produkte zu validieren, bevor Sie sie verwenden. Weitere Informationen finden Sie unter Gemini für Google Cloud und verantwortungsbewusste Anwendung von KI.
Preise
Preise für Gemini for Google Cloud
Kontingente und Limits
Informationen zu Kontingenten und Limits für Gemini in BigQuery finden Sie unter Kontingente und Limits von Gemini für Google Cloud.
Wo Sie in BigQuery mit Gemini interagieren können
Nachdem Sie Gemini in BigQuery eingerichtet haben, können Sie mit Gemini in BigQuery Folgendes tun: in BigQuery Studio:
- Um Datenerkenntnisse zu nutzen, rufen Sie den Tab Statistiken auf, um einen Tabelleneintrag aufzurufen, Hier können Sie Muster erkennen, die Qualität bewerten und statistische Analyse Ihrer BigQuery-Daten.
- Wenn Sie Data Canvas verwenden möchten, erstellen oder verwenden Sie Data Canvas aus einer Tabelle oder Abfrage, um Daten-Assets in natürlicher Sprache zu untersuchen und Ihre Canvases zu teilen.
- Um SQL- oder Python-Code in natürlicher Sprache zu generieren, oder automatische Vervollständigung während der Eingabe, verwenden Sie das SQL-Generierungstool für Ihr SQL-Abfragen oder Python-Code Gemini in BigQuery kann auch Ihren SQL-Code in natürlicher Sprache erklären.
- Zum Anzeigen von Empfehlungen für Partitionierung, Clustering, und materialisierte Ansichten Klicken Sie auf Empfehlungen. in der Symbolleiste der Google Cloud Console.
Spark-Jobs automatisch abstimmen und Fehler beheben
Mit der automatischen Abstimmung können Sie Ihre Spark-Arbeitslasten Belastbarkeit. Anstatt die Einstellungen manuell zu konfigurieren, kann Gemini in BigQuery Best Practices für wiederkehrende Arbeitslasten anwenden und Ihnen dann helfen, die automatische Optimierung zu verstehen und zu überwachen. Die erweiterte Fehlerbehebung liefert Antworten in natürlicher Sprache auf Fragen wie „Was wurde automatisch korrigiert?“, „Was passiert gerade?“ und „Was kann ich dagegen tun?“
Gemini in BigQuery einrichten
Eine ausführliche Anleitung finden Sie unter Gemini in BigQuery einrichten.
Nächste Schritte
- Hier erfahren Sie, wie Sie Gemini in BigQuery einrichten.
- Hier erfahren Sie, wie Sie Abfragen mit Unterstützung durch Gemini schreiben.
- Weitere Informationen Gemini für Google Cloud verwendet Ihre Daten.
- Weitere Informationen über Google Cloud-Compliance.