Gemini in BigQuery – Übersicht

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.

KI-Unterstützung mit Gemini in BigQuery

Gemini in BigQuery bietet KI-Unterstützung für Folgendes:

• Mit Datenstatistiken Daten analysieren und auswerten Mit allgemein verfügbaren 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 Data Insights in BigQuery generieren.
• Mit dem BigQuery-Daten-Canvas Daten erkennen, transformieren, abfragen und visualisieren (GA) Mithilfe natürlicher Sprache können Sie Tabellen-Assets finden, zusammenführen und abfragen, Ergebnisse visualisieren und während des gesamten Prozesses nahtlos mit anderen zusammenarbeiten. 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:
  • SQL-Generierungstool verwenden (GA)
  • Prompt zum Generieren von SQL-Abfragen (GA)
  • SQL-Abfrage abschließen (Vorabversion)
  • SQL-Abfrage erklären (GA)
  • Python-Code generieren (GA)
  • Python-Codevervollständigung (Vorabversion)
• 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 mit Partitionierungs-, 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:
  • Partitions- und Clusterempfehlungen verwalten (GA)
  • Empfehlungen für materialisierte Ansichten verwalten (Vorabversion)
• Serverlose Apache Spark-Arbeitslasten automatisch optimieren und Fehler beheben (Vorabversion) Mit der automatischen Optimierung können Spark-Jobs automatisch optimiert werden, indem Konfigurationseinstellungen auf eine wiederkehrende Spark-Arbeitslast angewendet werden, die auf Best Practices und einer Analyse früherer Arbeitslastausführungen basieren. Mit der erweiterten Fehlerbehebung mit Gemini in BigQuery können Jobfehler erklärt und angezeigt werden. Außerdem können umsetzbare Empfehlungen zur Behebung langsamer oder fehlgeschlagener Jobs gegeben werden. Weitere Informationen finden Sie unter Spark-Arbeitslasten automatisch optimieren und Erweiterte 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 mithilfe von Prompts in natürlicher Sprache beschreiben oder SQL-Muster angeben, die gefunden und ersetzt werden sollen. Weitere Informationen finden Sie unter Übersetzungsregel erstellen.

Die Gemini Large Language Models (LLMs), die von Gemini in BigQuery verwendet werden, werden zusätzlich zu den Datasets, die zum Trainieren der Gemini-Grundlagenmodelle verwendet werden, mit Datasets mit öffentlich verfügbarem Code, Google Cloud-spezifischen Materialien und anderen relevanten technischen Informationen trainiert. Die Modelle werden so trainiert, dass Gemini in BigQuery-Antworten für Gemini in BigQuery-Nutzer so nützlich wie möglich sind.

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 in BigQuery Studio tun:

• Wenn Sie Datenerkenntnisse verwenden möchten, rufen Sie für einen Tabelleneintrag den Tab Erkenntnisse auf. Dort können Sie Muster erkennen, die Qualität bewerten und statistische Analysen für Ihre BigQuery-Daten ausführen.
• Wenn Sie Data Canvas verwenden möchten, erstellen oder verwenden Sie ein Data Canvas aus einer Tabelle oder Abfrage, um Daten-Assets mit 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 Ihren Python-Code. Gemini in BigQuery kann auch Ihren SQL-Code in natürlicher Sprache erklären.
• Wenn Sie Daten für die Analyse vorbereiten möchten, wählen Sie in der Liste Neu erstellen die Option Datenvorbereitung aus. Weitere Informationen finden Sie unter Editor für die Datenvorbereitung in BigQuery öffnen.
• Wenn Sie Empfehlungen für Partitionierung, Clustering und materialisierte Ansichten aufrufen möchten, klicken Sie in der Symbolleiste der Google Cloud Console auf lightbulb Empfehlungen.

Spark-Jobs automatisch optimieren und Probleme beheben

Mit der automatischen Optimierung können Sie Ihre Spark-Arbeitslasten hinsichtlich Leistung und Ausfallsicherheit optimieren. 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 optimiert?“, „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

• Weitere Informationen zum Einrichten von Gemini in BigQuery
• Weitere Informationen zum Schreiben von Abfragen mit Gemini-Unterstützung
• Weitere Informationen dazu, wie Gemini for Google Cloud Ihre Daten verwendet
• Weitere Informationen zur Google Cloud-Compliance