In diesem Dokument wird beschrieben, wie Gemini in BigQuery, einem Produkt im Portfolio von Gemini for Google Cloud, KI-gestützte Unterstützung bei der Arbeit mit Ihren Daten bietet.
KI-Unterstützung mit Gemini in BigQuery
Gemini in BigQuery bietet KI-Unterstützung auf folgende Arten:
- Daten mit Statistiken analysieren und auswerten Data Insights bietet eine automatisierte, intuitive Möglichkeit, Muster aufzudecken, die Datenqualität zu bewerten und statistische Analysen mithilfe von aufschlussreichen Abfragen durchzuführen, die aus den Metadaten Ihrer Tabellen generiert werden. Diese Funktion ist besonders hilfreich, um die Kaltstartherausforderungen der frühen Datenexploration anzugehen. Weitere Informationen finden Sie unter Datenstatistiken in BigQuery generieren.
- Mit dem Daten-Canvas von BigQuery Daten ermitteln, transformieren, abfragen und visualisieren Mithilfe natürlicher Sprache können Sie Tabellen-Assets suchen, zusammenführen und abfragen, Ergebnisse visualisieren und während des gesamten Prozesses nahtlos mit anderen zusammenarbeiten. Weitere Informationen finden Sie unter Mit dem Daten-Canvas analysieren.
- Unterstützte SQL- und Python-Datenanalysen 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 Abfragen in natürlicher Sprache verwenden, um mit der Datenanalyse zu beginnen. Informationen zum Generieren, Vervollständigen und Zusammenfassen von Code finden Sie unter Abfragen mit Gemini-Unterstützung schreiben.
- Optimieren Sie Ihre Dateninfrastruktur mit Empfehlungen zu Partitionierung, Clustering und materialisierten Ansichten. Sie können BigQuery Ihre SQL-Arbeitslasten überwachen lassen, um nach Möglichkeiten zur Leistungsverbesserung und Kostensenkung zu suchen. Weitere Informationen finden Sie unter Empfehlungen für Partitionen und Cluster ansehen und Empfehlungen für materialisierte Ansichten verwalten.
- Serverlose Apache Spark-Arbeitslasten automatisch optimieren und Fehler beheben Autotuning kann Spark-Jobs automatisch optimieren. Dazu werden Konfigurationseinstellungen auf eine wiederkehrende Spark-Arbeitslast basierend auf Best Practices und einer Analyse früherer Arbeitslastausführungen angewendet. Die erweiterte Fehlerbehebung mit Gemini kann Jobfehler erklären und aufzeigen. Außerdem erhalten Sie umsetzbare Empfehlungen zum Beheben langsamer oder fehlgeschlagener Jobs. Weitere Informationen finden Sie unter Spark-Arbeitslasten automatisch optimieren und Dataproc Serverless-Arbeitslasten überwachen und Fehler beheben.
- SQL-Übersetzungen mit Übersetzungsregeln anpassen Erstellen Sie mit Gemini optimierte Übersetzungsregeln, um Ihre SQL-Übersetzungen anzupassen, wenn Sie den interaktiven SQL-Übersetzer verwenden. Sie können Änderungen an der SQL-Übersetzungsausgabe mit Prompts in natürlicher Sprache beschreiben oder SQL-Muster angeben, die gesucht und ersetzt werden sollen. Weitere Informationen finden Sie unter Übersetzungsregel erstellen.
Gemini verwendet Ihre Prompts und seine Antworten nicht als Daten zum Trainieren seines Modells. Weitere Informationen finden Sie unter So verwenden Gemini for Google Cloud Ihre Daten. Gemini ist noch in der Anfangsphase und kann eine Ausgabe generieren, die plausibel erscheint, aber sachlich falsch ist. Wir empfehlen, die gesamte Ausgabe von Gemini vor der Verwendung zu validieren. Weitere Informationen finden Sie unter Gemini für Google Cloud und Responsible AI.
Mit Gemini interagieren
Nachdem Sie Gemini in BigQuery eingerichtet haben, können Sie mit Gemini in BigQuery folgende Aktionen in BigQuery Studio ausführen:
- Wenn Sie Datenstatistiken verwenden möchten, rufen Sie den Tab Statistiken für einen Tabelleneintrag auf. Dort können Sie Muster erkennen, die Qualität bewerten und statistische Analysen für Ihre BigQuery-Daten ausführen.
- Wenn Sie den Data Canvas nutzen möchten, erstellen Sie einen Data Canvas oder verwenden Sie ihn aus einer Tabelle oder Abfrage, um Daten-Assets in natürlicher Sprache zu untersuchen und Ihre Canvases freizugeben.
- Um unterstützte SQL-Abfragen zu erhalten, verwenden Sie das Tool Hilfe beim Code, mit dem Sie Ihre Abfrage iterieren, Quelldaten angeben und die Abfrage dann in BigQuery Studio einfügen können.
- Klicken Sie in der Symbolleiste der Google Cloud Console auf Empfehlungen, um Empfehlungen für Partitionierung, Clustering und materialisierte Ansichten aufzurufen.
- Wenn Sie SQL- oder Python-Code in natürlicher Sprache generieren oder während der Eingabe Vorschläge durch automatische Vervollständigung erhalten möchten, verwenden Sie das Tool Hilfe beim Code für SQL-Abfragen oder Python-Code. Gemini können Sie auch Ihren SQL-Code in natürlicher Sprache erklären.
Spark-Jobs automatisch optimieren und Fehler beheben
Mit Autotuning können Sie Leistung und Ausfallsicherheit Ihrer Spark-Arbeitslasten optimieren. Anstatt die Einstellungen manuell zu konfigurieren, kann Gemini Best Practices für wiederkehrende Arbeitslasten anwenden und Ihnen dann dabei helfen, die automatische Feinabstimmung zu verstehen und zu überwachen. Die erweiterte Fehlerbehebung liefert Antworten in natürlicher Sprache auf „Was wurde automatisch abgestimmt?“, „Was passiert jetzt?“ und „Was kann ich dagegen tun?“
Gemini in BigQuery einrichten
Ausführliche Informationen zur Einrichtung finden Sie unter Gemini in BigQuery einrichten.
Nächste Schritte
- Gemini in BigQuery einrichten
- Abfragen mit Gemini-Unterstützung schreiben
- Informationen zur Verwendung Ihrer Daten durch Gemini für Google Cloud
- Weitere Informationen zur Google Cloud-Compliance