Daten mit Gemini zur Unterstützung durch Google Cloud analysieren

Vorschau

Für dieses Produkt gelten die „Bedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Nutzungsbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA-Produkte sind „wie besehen“ verfügbar und werden möglicherweise nur eingeschränkt unterstützt. Weitere Informationen finden Sie in den Beschreibungen der Startphase.

In dieser Anleitung wird beschrieben, wie Sie Gemini für Google Cloud, ein KI-gestütztes Tool Mitarbeiterin für Google Cloud, um Daten zu analysieren. In dieser Anleitung verwenden Sie Gemini in BigQuery zum Analysieren und Prognostizieren von Produktverkäufen.

In dieser Anleitung wird davon ausgegangen, dass Sie mit SQL und grundlegenden Datenanalysen vertraut sind. Aufgaben. Es werden keine Kenntnisse zu Google-Cloud-Produkten vorausgesetzt. Wenn Sie neu bei BigQuery finden Sie in der BigQuery-Hilfe Kurzanleitungen.

Lernziele

• Mit Gemini Ihre Fragen zu Google Cloud beantworten Data-Analytics-Produkte und -Anwendungsfälle.
• Gemini auffordern, SQL-Abfragen zu erklären und zu generieren BigQuery
• Ein Machine Learning Modell (ML) für Prognosen zu künftigen Zeiträumen entwickeln

Kosten

In dieser Anleitung werden die folgenden kostenpflichtigen Komponenten von Google Cloud verwendet:

• BigQuery
• BigQuery ML

Mit dem Preisrechner können Sie Ihre Kosten basierend auf Ihrem die geschätzte Nutzung prognostiziert.

Hinweise

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

2. Stellen Sie sicher, dass Sie Gemini in BigQuery einrichten in Ihrem Google Cloud-Projekt.

3. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

4. Dataset erstellen mit dem Namen bqml_tutorial. Sie verwenden das Dataset zum Speichern der Datenbank -Objekten, einschließlich Tabellen und Modellen.

5. Aktivieren Sie die Gemini-Funktionen in BigQuery, müssen Sie diese Anleitung durcharbeiten:

   1. So rufen Sie Gemini-Funktionen in BigQuery auf: Klicken Sie in der Symbolleiste auf pen_spark. Gemini:

   2. Wählen Sie in der Liste Gemini in BigQuery SQL-Editor alle folgende Optionen:

      • Automatische Vervollständigung
      • Automatische Generierung
      • Erklärung

   So deaktivieren Sie Gemini-Funktionen in BigQuery: heben Sie die Auswahl der Gemini-Funktionen auf, die Sie deaktivieren möchten.

Gemini zur Datenanalyse verwenden

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.

Gemini kann dir helfen zu wissen, auf welche Daten du zugreifen kannst und wie diese Daten analysiert werden.

Bevor Sie Daten abfragen können, müssen Sie die verfügbaren Daten ermitteln. Alle Daten Daten unterschiedlich organisiert und gespeichert werden. Wenn Sie Hilfe benötigen, Gemini eine Erklärung in natürlicher Sprache (oder einen Prompt) wie „Wie kann ich „Welche Datasets und Tabellen stehen mir in BigQuery zur Verfügung?“

Wenn Sie die Eigenschaften verschiedener Datenabfragesysteme verstehen möchten, können Sie Gemini zur Eingabe bestimmter Produktinformationen auffordern, z. B. Folgendes:

• „Was sind die ersten Schritte in BigQuery?“
• „Welche Vorteile hat es, BigQuery zur Datenanalyse zu verwenden?“
• „Wie geht BigQuery mit Autoscaling bei Anfragen um?“

Gemini kann Ihnen auch Informationen dazu geben, wie Sie Ihre Daten. Für diese Art von Hilfe können Sie Gemini-Prompts wie wie folgt:

• „Wie erstelle ich ein Zeitreihen-Prognosemodell BigQuery?"
• „Wie lade ich verschiedene Datentypen in BigQuery?“

Wenn du Gemini auffordern möchtest, Fragen zu deinen Daten zu beantworten, folge diese Schritte:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Klicken Sie in der Symbolleiste der Google Cloud Console auf Spark Öffnen Sie Gemini.

3. Geben Sie im Bereich Gemini einen Prompt wie How do I learn which datasets and tables are available to me in BigQuery? ein.

4. Klicken Sie auf Prompt senden Prompt senden.

   Wie und wann Gemini funktioniert für Google Cloud nutzt Ihre Daten.

   Gemini gibt eine Antwort aus, die ungefähr so aussieht:

   To learn which datasets and tables are available to you in
   BigQuery, you can use the Google Cloud console, the
   Google Cloud CLI, or the BigQuery API.
   ...
   

5. Optional: Wenn Sie den Chatverlauf zurücksetzen möchten, klicken Sie im Bereich Gemini auf das Symbol Löschen und dann auf Chat zurücksetzen.

   Hinweis: Der Status des Chatprotokolls wird nur im Arbeitsspeicher beibehalten, nicht aber, wenn wenn Sie zu einem anderen Arbeitsbereich wechseln in der Google Cloud Console.

Mit Gemini SQL in BigQuery verstehen und schreiben

Gemini kann Sie bei der Arbeit mit SQL unterstützen. Wenn Sie zum Beispiel von anderen geschriebenen SQL-Abfragen nutzen, Mit BigQuery lassen sich komplexe Abfragen leicht verständlich erklären. Ein solches erklären Ihnen die Abfragesyntax, das zugrunde liegende Schema und die geschäftlichen Kontext.

Gemini auffordern, SQL-Abfragen in einem Verkaufs-Dataset zu erklären

Wenn Sie Gemini auffordern möchten, eine Beispiel-SQL-Abfrage zu erklären, folgen Sie diesen Schritte:

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Öffnen Sie im Abfrageeditor die Abfrage, die Sie erklärt haben möchten, oder fügen Sie sie ein.

   Zum Beispiel möchten Sie vielleicht verstehen, wie Datentabellen und Abfragen die in einem Verkaufs-Dataset relevant sind, und Sie brauchen Hilfe beim Verfassen von Abfragen, die des Datasets. Anhand der folgenden Beispielabfrage können Sie möglicherweise nachvollziehen, Tabellen verwendet werden, aber andere Abschnitte der Abfrage benötigen möglicherweise Zeit zu parsen und zu verstehen.

   SELECT u.id as user_id, u.first_name, u.last_name, avg(oi.sale_price) as avg_sale_price
   FROM `bigquery-public-data.thelook_ecommerce.users` as u
   JOIN `bigquery-public-data.thelook_ecommerce.order_items` as oi
   ON u.id = oi.user_id
   GROUP BY 1,2,3
   ORDER BY avg_sale_price DESC
   LIMIT 10
   

3. Markieren Sie die Abfrage, die Gemini erklären soll, und Klicken Sie dann auf pen_spark. Erklären Sie das. Abfrage.

   Die SQL-Erklärung wird im Gemini-Bereich angezeigt.

   Mit der Beispielabfrage aus dem vorherigen Schritt gibt eine Erklärung zurück, die in etwa so aussieht:

   The intent of this query is to find the top 10 users by average sale price.
   The query first joins the users and order_items tables on the user_id
   column. It then groups the results by user_id , first_name , and last_name,
   and calculates the average sale price for each group. The results are then
   ordered by average sale price in descending order, and the top 10 results
   are returned.
   

SQL-Abfrage generieren, die Verkäufe nach Tag und Produkt gruppiert

Sie können Gemini einen Prompt geben, um eine SQL-Abfrage zu generieren basierend auf dem Schema Ihrer Daten. Selbst wenn Sie ohne Code anfangen, Kenntnisse des Datenschemas oder nur Grundkenntnisse der SQL-Syntax, Gemini kann eine oder mehrere SQL-Anweisungen vorschlagen.

Im folgenden Beispiel generieren Sie eine Abfrage, mit der Ihre Top-Produkte für jeden Tag aufgelistet werden. Diese Art von Abfrage ist oft komplex, aber mit Gemini können Sie automatisch eine Aussage erstellen. Anschließend verwenden Sie Tabellen in der thelook_ecommerce. Dataset erstellen und Gemini auffordern, eine Abfrage zur Umsatzberechnung zu generieren und nach Produktname sortiert.

Um Gemini zu bitten, eine Abfrage zu generieren, in der Ihre wichtigsten führen Sie diese Schritte aus:

1. Rufen Sie in der Google Cloud Console BigQuery auf. Seite.

   BigQuery aufrufen

2. Klicken Sie im Navigationsmenü auf BigQuery Studio.

3. Klicken Sie auf Neue Abfrage erstellen. Im Bereich Explorer wird die ausgewählte Datenbank automatisch geladen.

4. Geben Sie im Abfrageeditor den folgenden Prompt ein und drücken Sie Eingabetaste. Das Rautezeichen (#) wird zur Eingabe Gemini zum Generieren von SQL.

   # select the sum of sales by date and product casted to day from bigquery-public-data.thelook_ecommerce.order_items joined with bigquery-public-data.thelook_ecommerce.products
   

   Gemini schlägt eine SQL-Abfrage vor, die in etwa so aussieht:

   SELECT sum(sale_price),
   DATE(created_at),
   product_id
   FROM `bigquery-public-data.thelook_ecommerce.order_items`
   AS t1
   INNER JOIN `bigquery-public-data.thelook_ecommerce.products`
   AS t2
   ON t1.product_id = t2.id
   GROUP BY 2, 3
   

   Hinweis :Gemini schlägt möglicherweise mehrere SQL-Anweisungen für Ihr Eingabeaufforderung.

5. Um den vorgeschlagenen Code zu übernehmen, klicken Sie auf die Tabulatortaste und dann auf Ausführen. um die SQL-Anweisung auszuführen. Sie können auch durch die vorgeschlagene SQL-Abfrage scrollen bestimmte in der Aussage vorgeschlagene Wörter akzeptieren.

6. Im Bereich Abfrageergebnisse können Sie eben diese anzeigen lassen.

Prognosemodell erstellen und Ergebnisse aufrufen

In diesem Abschnitt verwenden Sie BigQuery ML für folgende Aufgaben:

• Verwenden Sie eine Trendabfrage, um ein Prognosemodell zu erstellen.
• Verwenden Sie Gemini, um eine Abfrage zu erklären und zu schreiben, um sie anzusehen des Prognosemodells.

Sie verwenden die folgende Beispielabfrage mit tatsächlichen Verkäufen, die als in das Modell ein. Die Abfrage wird bei der Erstellung des ML-Modells verwendet.

1. Zum Erstellen eines ML-Prognosemodells im BigQuery-SQL-Editor führen Sie den folgenden SQL-Befehl aus:

   CREATE MODEL bqml_tutorial.sales_forecasting_model
   OPTIONS(MODEL_TYPE='ARIMA_PLUS',
   time_series_timestamp_col='date_col',
   time_series_data_col='total_sales',
   time_series_id_col='product_id') AS
   SELECT sum(sale_price) as total_sales,
   DATE(created_at) as date_col,
   product_id
   FROM `bigquery-public-data.thelook_ecommerce.order_items`
   AS t1
   INNER JOIN `bigquery-public-data.thelook_ecommerce.products`
   AS t2
   ON t1.product_id = t2.id
   GROUP BY 2, 3;
   

   Gemini kann Ihnen dabei helfen, das nachzuvollziehen. Abfrage

   Hinweis :Während das Modell ausgeführt wird, können Sie Gemini auch per Prompt auffordern im Bereich Gemini mit Fragen wie What is an ARIMA_PLUS model type?

   Nachdem das Modell erstellt wurde, wird im Bereich Ergebnisse eine Meldung wie die folgende angezeigt: in:

   This statement will replace the model named sales_forecasting_model.
   Depending on the type of model, this may take several hours to complete.
   

2. Geben Sie im Bereich Gemini einen Prompt ein, um Gemini zu unterstützen schreiben Sie eine Abfrage, um nach Abschluss des Modells eine Prognose zu erhalten. Für Beispiel: How can I get a forecast in SQL from the model?

   Je nach Kontext des Prompts gibt Gemini eine Beispiel für ein ML-Modell, das Verkäufe prognostiziert:

   To get a forecast in SQL from the model, you can use the following query:
   
   SELECT
   *
   FROM
     ML.FORECAST(MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
   STRUCT(
         7 AS horizon,
         0.95 AS confidence_level
   )
   )
   

   Hinweis :Gemini verwendet den Kontext der Chatsitzung, um Ihnen und beantworte die Fragen in derselben Sitzung.

3. Kopieren Sie die SQL-Abfrage aus dem Gemini-Bereich.

4. Fügen Sie die SQL-Abfrage im BigQuery-SQL-Editor ein und führen Sie sie dann aus.

Bereinigen

Um zu vermeiden, dass Ihrem Google Cloud-Konto die Ressourcen in Rechnung gestellt werden aus dieser Anleitung können Sie das Google Cloud-Projekt löschen, die für diese Anleitung erstellt wurden. Alternativ haben Sie die Möglichkeit, die einzelnen Ressourcen zu löschen.

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, z. B. eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, statt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

1. Wechseln Sie in der Google Cloud Console zur Seite Ressourcen verwalten.

   Zur Seite „Ressourcen verwalten“

2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

Dataset löschen

Wenn Sie Ihr Projekt löschen, werden alle Datasets und Tabellen entfernt. Wenn Sie Sie das Projekt lieber wiederverwenden möchten, können Sie das Dataset löschen, das Sie in dieser Anleitung.

1. Öffnen Sie in der Google Cloud Console BigQuery. Seite.

   BigQuery aufrufen

2. Wählen Sie im Navigationsbereich das Dataset bqml_tutorial aus, das Sie erstellt haben.

3. Um das Dataset, die Tabelle und alle Daten zu löschen, klicken Sie auf Löschen Dataset.

4. Um das Löschen zu bestätigen, geben Sie im Dialogfeld Dataset löschen den Namen Ihres Datasets ein (bqml_tutorial) und klicken Sie dann auf Löschen.

Nächste Schritte

• Gemini für Google Cloud lesen Übersicht.

• Informationen zu Gemini-Kontingenten und .

• Weitere Informationen zu Standorten für Gemini