In diesem Dokument wird beschrieben, wie Gemini in BigQuery der Produktsuite Gemini für Google Cloud, bietet KI-gestützte Unterstützung, um Sie bei der Arbeit mit Ihren Daten zu unterstützen. 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 bei folgenden Aufgaben:
- Mithilfe von Dateneinblicken Daten auswerten und auswerten Mit allgemein verfügbaren (GA) Datenerkenntnissen können Sie Muster erkennen und statistische Analysen durchführen. Dazu werden aussagekräftige Abfragen verwendet, die aus den Metadaten Ihrer Tabellen generiert werden. Diese Funktion ist besonders hilfreich, um die Herausforderungen des Kaltstarts bei der frühen Datenexploration zu bewältigen. Weitere Informationen finden Sie unter Datenstatistiken in BigQuery generieren
- Daten mit BigQuery-Daten erkennen, transformieren, abfragen und visualisieren (GA) Mithilfe natürlicher Sprache können Sie Tabellen-Assets suchen, zusammenführen und abfragen, Ergebnisse visualisieren und während des gesamten Prozesses nahtlos mit anderen zusammenarbeiten. Weitere Informationen Siehe Mit Daten-Canvas analysieren.
- Unterstützte SQL- und Python-Datenanalyse. Sie können Gemini in BigQuery verwenden, um Code in SQL oder Python und Erklären einer vorhandenen SQL-Abfrage. 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:
- Daten für die Analyse vorbereiten. (Vorabversion) Bei der Datenvorbereitung in BigQuery erhalten Sie kontextbezogene, KI-generierte Transformationsempfehlungen, um Daten für die Analyse zu bereinigen. Weitere Informationen finden Sie unter Daten mit Gemini vorbereiten
- Optimieren Sie Ihre Dateninfrastruktur durch Partitionierung, Clustering und Empfehlungen für materialisierte Ansichten. Sie können BigQuery überwachen Sie Ihre SQL-Arbeitslasten, um Möglichkeiten zur Leistungsverbesserung und Kosten zu senken. Weitere Informationen finden Sie in der folgenden Dokumentation:
- Serverlose Apache Spark-Arbeitslasten automatisch abstimmen 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 (Vorschau) Regeln für mit Gemini optimierte Übersetzungen erstellen, um Ihre SQL-Übersetzungen bei Verwendung des interaktiven SQL-Übersetzer. Sie können Änderungen an der SQL-Übersetzungsausgabe mit oder SQL-Muster zum Suchen und Ersetzen angeben. Weitere Informationen finden Sie unter Übersetzungsregel erstellen.
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
Nachdem Sie Gemini in BigQuery eingerichtet haben, können Sie mit Gemini in BigQuery Folgendes in BigQuery Studio tun:
- 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.
- Wenn Sie SQL- oder Python-Code in natürlicher Sprache generieren oder beim Tippen Vorschläge mit automatischer Vervollständigung erhalten möchten, verwenden Sie das SQL-Generierungstool für Ihre SQL-Abfragen oder Python-Code. Gemini in BigQuery kann auch Ihren SQL-Code in natürlicher Sprache erklären.
- Wählen Sie zur Vorbereitung von Daten für die Analyse in der Liste Neu erstellen die Option Datenvorbereitung Weitere Informationen finden Sie unter Editor für die Datenvorbereitung in BigQuery öffnen.
- Zum Anzeigen von Empfehlungen für Partitionierung, Clustering, und materialisierte Ansichten Klicken Sie auf Empfehlungen. in der Symbolleiste der Google Cloud Console.
Spark-Jobs automatisch optimieren und Probleme beheben
Mit der automatischen Optimierung können Sie Ihre Spark-Arbeitslasten hinsichtlich Leistung und Ausfallsicherheit optimieren. Anstatt Einstellungen manuell zu konfigurieren, BigQuery kann Best Practices auf wiederkehrende Arbeitslasten und können Sie die automatische Abstimmung verstehen und überwachen. Erweiterte Fehlerbehebung liefert Antworten in natürlicher Sprache auf „Was wurde automatisch abgestimmt?“, „Worum geht es und „Was kann ich 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.
- Weitere Informationen zum Schreiben von Abfragen mit Gemini-Unterstützung
- Weitere Informationen dazu, wie Gemini for Google Cloud Ihre Daten verwendet
- Weitere Informationen über Google Cloud-Compliance.