Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

Analysen mit BigQuery Data Canvas

In diesem Dokument wird beschrieben, wie Sie Data Canvas für die Datenanalyse verwenden. Sie können Data Canvas-Metadaten auch mit Knowledge Catalog verwalten.

Mit dem BigQuery-Daten-Canvas, einem Feature von Gemini in BigQuery, können Sie Daten mithilfe natürlicher Sprach-Prompts und einer grafischen Benutzeroberfläche für Analyse-Workflows finden, transformieren, abfragen und visualisieren.

Für Analyse-Workflows verwendet der BigQuery-Data-Canvas einen gerichteten azyklischen Graphen (Directed Acyclic Graph, DAG), der eine grafische Ansicht Ihres Workflows bietet. Im BigQuery-Data-Canvas können Sie zentralisiert Abfrageergebnisse iterieren und mit mehreren Abfragezweigen arbeiten.

Der BigQuery Data Canvas soll Analyseaufgaben beschleunigen und Datenexperten wie Datenanalysten und Data Engineers dabei helfen, Daten in Einblicke zu verwandeln. Sie benötigen keine technischen Kenntnisse bestimmter Tools, sondern nur grundlegende Kenntnisse im Lesen und Schreiben von SQL. Der BigQuery-Daten-Canvas funktioniert mit Knowledge Catalog-Metadaten, um geeignete Tabellen auf Basis natürlicher Sprache zu identifizieren.

Der BigQuery-Daten-Canvas ist nicht für die direkte Verwendung durch geschäftliche Nutzer vorgesehen.

BigQuery-Daten-Canvas verwendet Gemini in BigQuery, um Ihre Daten zu suchen, SQL zu erstellen, Diagramme zu generieren und Datenzusammenfassungen auszugeben.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet

Leistungsspektrum

Mit dem BigQuery-Daten-Canvas können Sie Folgendes tun:

Verwenden Sie die Suche in natürlicher Sprache mit Knowledge Catalog-Metadaten, um Assets wie Tabellen, Ansichten oder materialisierte Ansichten zu finden.
Natürliche Sprache für einfache SQL-Abfragen nutzen, zum Beispiel:
- Abfragen, die FROM-Klauseln, mathematische Funktionen, Arrays und Strukturen enthalten.
- JOIN-Vorgänge für zwei Tabellen.
Sie können benutzerdefinierte Visualisierungen erstellen, indem Sie in natürlicher Sprache beschreiben, was Sie möchten.
Datenerkenntnisse automatisieren.

Beschränkungen

Befehle in natürlicher Sprache funktionieren möglicherweise nicht gut mit den folgenden Elementen:
- BigQuery ML
- Apache Spark
- Objekttabellen
- BigLake
- INFORMATION_SCHEMA Ansichten
- JSON
- Verschachtelte und wiederkehrende Felder
- Komplexe Funktionen und Datentypen wie DATETIME und TIMEZONE
Datenvisualisierungen funktionieren nicht mit Geomap-Diagrammen.

Best Practices für die Prompt-Erstellung

Mit den richtigen Prompting-Techniken können Sie komplexe SQL-Abfragen generieren. Die folgenden Vorschläge helfen BigQuery Data Canvas, Ihre Prompts in natürlicher Sprache zu optimieren, um die Genauigkeit Ihrer Abfragen zu erhöhen:

Präzise Texte formulieren Formulieren Sie Ihre Anfrage klar und vermeiden Sie vage Formulierungen.
Direkte Fragen stellen: Für die präziseste Antwort sollten Sie jeweils nur eine Frage stellen und Ihre Prompts kurz halten. Wenn Sie ursprünglich einen Prompt mit mehr als einer Frage eingegeben haben, listen Sie jeden einzelnen Teil der Frage auf, damit Gemini ihn versteht.
Geben Sie fokussierte und explizite Anweisungen. Heben Sie wichtige Begriffe in Ihren Prompts hervor.
Geben Sie die Reihenfolge der Vorgänge an. Stellen Sie Anweisungen klar und geordnet bereit. Teilen Sie Aufgaben in kleine, fokussierte Schritte auf.
Optimieren und iterieren: Probieren Sie verschiedene Formulierungen und Ansätze aus, um herauszufinden, was die besten Ergebnisse liefert.

Weitere Informationen finden Sie unter Best Practices für Prompts für BigQuery Data Canvas.

Hinweis

Achten Sie darauf, dass Gemini in BigQuery für Ihr Google Cloud -Projekt aktiviert ist. Dieser Schritt wird in der Regel von einem Administrator ausgeführt.
Sie benötigen die erforderliche IAM-Berechtigungen (Identity and Access Management), um den BigQuery-Daten-Canvas zu verwenden.
Wenn Sie Metadaten für Daten-Canvas im Knowledge Catalog verwalten möchten, muss die Dataplex API in Ihrem Google Cloud Projekt aktiviert sein.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zur Verwendung von BigQuery-Daten-Canvas benötigen:

BigQuery Studio User (roles/bigquery.studioUser)
Gemini for Google Cloud-Nutzer (roles/cloudaicompanion.user)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Weitere Informationen zu IAM-Rollen und Berechtigungen in BigQuery finden Sie unter Einführung in IAM.

Wenn Sie Data Canvas-Metadaten in Knowledge Catalog verwalten möchten, benötigen Sie die erforderlichen Knowledge Catalog-Rollen und die Berechtigung dataform.repositories.get.

Sicherheitsaspekte für Daten-Canvas

Da Code-Assets in BigQuery auf Dataform basieren, sollten Sie die folgenden Sicherheitsaspekte für Nutzer mit Zugriff auf diese Assets berücksichtigen:

Die Sichtbarkeit von Code-Assets unterliegt Dataform-Berechtigungen auf Projektebene. Nutzer mit der Berechtigung dataform.repositories.list, die in Standard-BigQuery-Rollen wie BigQuery-Jobnutzer, BigQuery Studio-Nutzer und BigQuery-Nutzer enthalten ist, können alle Code-Assets im Bereich Explorer des Google Cloud Projekts sehen, unabhängig davon, ob sie diese Assets erstellt haben oder diese Assets für sie freigegeben wurden. Wenn Sie die Sichtbarkeit einschränken möchten, können Sie benutzerdefinierte Rollen erstellen, die die Berechtigung dataform.repositories.list nicht enthalten.
Auf alle Secrets, die für den Dataform-Dienst-Agent freigegeben werden, können potenziell Nutzer zugreifen, die diese Assets bearbeiten können. Um Ihre Anmeldedaten zu schützen, sollten Sie den Erstellungs- und Bearbeitungszugriff auf vertrauenswürdige Nutzer beschränken und die Secrets, auf die der Dataform-Dienst-Agent zugreifen kann, einschränken. Weitere Informationen finden Sie unter Secrets-Zugriff während der Paketinstallation.

Weitere Informationen finden Sie unter Sicherheitsaspekte für Dataform-Berechtigungen.

Knotentypen

Ein Arbeitsbereich ist eine Sammlung von einem oder mehreren Knoten. Knoten können in beliebiger Reihenfolge verbunden werden. BigQuery-Daten-Canvas hat die folgenden Knotentypen:

Text
Suchen
Tabelle
SQL
Zielknoten
Visualisierung
Statistiken

Textknoten

In BigQuery-Daten-Canvas können Sie mit einem Textknoten RTF-Inhalte zu Ihrem Canvas hinzufügen. Sie können damit Erklärungen, Notizen oder Anleitungen in Ihren Canvas einfügen, damit Sie und andere den Kontext und Zweck Ihrer Analyse besser verstehen. Sie können beliebigen Textinhalt in den Textknoten-Editor eingeben, einschließlich Markdown für die Formatierung. So können Sie visuell ansprechende und informative Textblöcke erstellen.

Über den Textknoten haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Fehler im Knoten beheben.
Duplizieren Sie den Knoten.

Suchknoten

In BigQuery Data Canvas können Sie mit einem Suchknoten Daten-Assets finden und in Ihren Canvas einbinden. Sie dient als Brücke zwischen Ihren Anfragen in natürlicher Sprache oder Keyword-Suchen und den tatsächlichen Daten, mit denen Sie arbeiten möchten.

Sie geben eine Suchanfrage ein, entweder in natürlicher Sprache oder mit Suchbegriffen. Der Suchknoten durchsucht Ihre Daten-Assets. Dabei werden Knowledge Catalog-Metadaten für eine verbesserte Kontextberücksichtigung verwendet. Der BigQuery-Daten-Canvas schlägt auch kürzlich verwendete Tabellen, Abfragen und gespeicherte Abfragen vor.

Der Suchknoten gibt eine Liste relevanter Daten-Assets zurück, die Ihrer Abfrage entsprechen. Dabei werden Spaltennamen und Tabellenbeschreibungen berücksichtigt. Anschließend können Sie die Assets auswählen, die Sie Ihrem Daten-Canvas als Tabellenknoten hinzufügen möchten. Dort können Sie die Daten weiter analysieren und visualisieren.

Über den Suchknoten haben Sie folgende Möglichkeiten:

Löschen Sie den Knoten.
Fehler im Knoten beheben.
Duplizieren Sie den Knoten.

Tabellenknoten

Im BigQuery-Daten-Canvas stellt ein Tabellenknoten eine bestimmte Tabelle dar, die Sie in Ihren Analyseworkflow eingebunden haben. Sie stellt die Daten dar, mit denen Sie arbeiten, und ermöglicht Ihnen, direkt mit ihnen zu interagieren.

Ein Tabellenknoten zeigt Informationen zur Tabelle an, z. B. den Namen, das Schema und eine Vorschau der Daten. Sie können mit der Tabelle interagieren, indem Sie sich Details wie das Tabellenschema, die Tabellendetails und eine Tabellenvorschau ansehen.

Im Tabellenknoten können Sie Folgendes tun:

Löschen Sie den Knoten.
Fehler im Knoten beheben.
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Data Canvas haben Sie folgende Möglichkeiten:

Fragen Sie die Ergebnisse in einem neuen SQL-Knoten ab.
Die Ergebnisse mit einer anderen Tabelle verknüpfen.

SQL-Knoten

In BigQuery-Daten-Canvas können Sie mit einem SQL-Knoten benutzerdefinierte SQL-Abfragen direkt im Canvas ausführen. Sie können SQL-Code entweder direkt im SQL-Knoteneditor schreiben oder einen Prompt in natürlicher Sprache verwenden, um den SQL-Code zu generieren.

Im SQL-Knoten wird die angegebene SQL-Abfrage für die angegebenen Datenquellen ausgeführt. Der SQL-Knoten erzeugt eine Ergebnistabelle, die dann mit anderen Knoten im Canvas für weitere Analysen oder Visualisierungen verbunden werden kann. Die Ausgaben der Ausführung eines SQL-Knotens, das sogenannte Abfrageergebnis, können auch über einen Zielknoten in einer eigenen Tabelle gespeichert werden.

Nachdem die Abfrage ausgeführt wurde, können Sie sie als geplante Abfrage exportieren, die Abfrageergebnisse exportieren oder den Canvas freigeben, ähnlich wie beim Ausführen einer interaktiven Abfrage.

Im SQL-Knoten können Sie Folgendes tun:

Exportieren Sie die SQL-Anweisung als geplante Abfrage.
Löschen Sie den Knoten.
Fehler im Knoten beheben.
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Data Canvas haben Sie folgende Möglichkeiten:

Fragen Sie die Ergebnisse in einem neuen SQL-Knoten ab.
Speichern Sie die Ergebnisse in einer Tabelle.
Visualisieren Sie die Ergebnisse in einem Visualisierungsknoten.
KI-Insights zu den Ergebnissen in einem KI-Insights-Knoten generieren
Ergebnisse mit einer anderen Tabelle zusammenführen

Zielknoten

Im BigQuery-Daten-Canvas ist ein Zielknoten ein untergeordneter Knoten eines SQL-Knotens, in dem das Ergebnis einer SQL-Ausführung in einer dedizierten Tabelle gespeichert wird. Sie können die Tabelle in einem neuen oder vorhandenen Dataset oder als neue oder vorhandene Tabelle in einem Dataset speichern. Nachdem eine Zieltabelle erstellt wurde, können Sie mit der SQL-Schaltfläche dafür sorgen, dass die Tabelle in Echtzeit aktualisiert wird, wenn der übergeordnete SQL-Knoten noch einmal ausgeführt wird.

Ein Zielknoten kann zu einem Tabellenknoten werden, wenn er von seinem übergeordneten Knoten getrennt wird und der Inhalt der Tabelle nicht von Änderungen am übergeordneten SQL-Knoten betroffen ist.

Über den Zielknoten haben Sie folgende Möglichkeiten:

Trennen Sie den Knoten vom übergeordneten Knoten, um ihn zu einem eigenständigen Tabellenknoten zu machen.
Die Tabelle in einem neuen SQL-Knoten abfragen.
Ergebnisse mit einer anderen Tabelle zusammenführen

Visualisierungsknoten

In BigQuery Data Canvas können Sie mit einem Visualisierungsknoten Daten visuell darstellen, um Trends, Muster und Statistiken leichter zu erkennen. Es bietet eine Vielzahl von Diagrammtypen, aus denen Sie die beste Visualisierung für Ihre Daten auswählen und anpassen können.

Ein Visualisierungsknoten verwendet eine Tabelle als Eingabe. Diese kann das Ergebnis einer SQL-Abfrage oder eines Tabellenknotens sein. Basierend auf dem ausgewählten Diagrammtyp und den Daten in der Eingabetabelle generiert der Visualisierungsknoten ein Diagramm. Sie können Auto-Chart auswählen, damit BigQuery den besten Diagrammtyp für Ihre Daten auswählt. Der Visualisierungsknoten zeigt dann das generierte Diagramm an.

Über den Visualisierungsknoten können Sie Ihr Diagramm anpassen, einschließlich der Farben, Labels und Datenquellen. Sie können das Diagramm auch als PNG-Datei exportieren.

Visualisieren Sie Daten mithilfe der folgenden Grafiktypen:

Balkendiagramm
Heatmap
Liniendiagramm
Kreisdiagramm
Streudiagramm

Im Visualisierungsknoten können Sie Folgendes tun:

Exportieren Sie das Diagramm als PNG-Datei.
Fehler im Knoten beheben.
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.
Führen Sie den Knoten und den folgenden Knoten aus.

Im Daten-Canvas können Sie Folgendes tun:

KI-Insights zu den Ergebnissen in einem KI-Insights-Knoten generieren
Bearbeiten Sie die Visualisierung.

Statistikknoten

Mit einem Knoten für Statistiken im BigQuery-Daten-Canvas können Sie Statistiken und Zusammenfassungen aus den Daten in Ihrem Daten-Canvas generieren. So können Sie Muster erkennen, die Datenqualität bewerten und statistische Analysen auf Ihrem Canvas durchführen. Es identifiziert Trends, Muster, Anomalien und Korrelationen in Ihren Daten und generiert prägnante und klare Zusammenfassungen der Ergebnisse der Datenanalyse.

Weitere Informationen zu Dateneinblicken finden Sie unter Dateneinblicke in BigQuery generieren.

Über den Knoten „Statistiken“ können Sie Folgendes tun:

Löschen Sie den Knoten.
Duplizieren Sie den Knoten.
Führen Sie den Knoten aus.

BigQuery-Daten-Canvas verwenden

Sie können den BigQuery-Daten-Canvas in der Google Cloud Console, einer Abfrage oder einer Tabelle verwenden.

Rufen Sie die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen, wählen Sie KI und Wissen aus und klicken Sie dann auf Data Canvas.
Geben Sie im Promptfeld Natürliche Sprache einen Prompt in natürlicher Sprache ein.

Wenn Sie beispielsweise Find me tables related to trees eingeben, gibt der BigQuery-Daten-Canvas eine Liste möglicher Tabellen zurück, einschließlich öffentlicher Datasets wie bigquery-public-data.usfs_fia.plot_tree oder bigquery-public-data.new_york_trees.tree_species.
Wählen Sie eine Tabelle aus.

Dem BigQuery-Daten-Canvas wird ein Tabellenknoten für die ausgewählte Tabelle hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.
Optional: Nachdem Sie den Data Canvas gespeichert haben, können Sie die folgende Symbolleiste verwenden, um Details zum Data Canvas oder den Versionsverlauf aufzurufen, neue Kommentare hinzuzufügen oder auf einen vorhandenen Kommentar zu antworten oder einen Link zu einem vorhandenen Kommentar abzurufen:

Die Symbolleistenfunktion Kommentare befindet sich in der Vorschau. Wenn Sie Feedback geben oder Support für dieses Feature anfordern möchten, senden Sie eine E-Mail an bqui-workspace-pod@google.com.

Canvas-Steuerelemente

Die Daten-Canvas-Symbolleiste bietet die folgenden Steuerelemente zum Hinzufügen von Knoten und zum Verwalten der Canvas-Ansicht:

Data Canvas-Symbolleiste.

Suchen: Fügt dem Canvas einen Suchknoten hinzu.
SQL: Fügt dem Arbeitsbereich einen SQL-Knoten hinzu.
Text: Fügt einen Markdown- oder Textknoten für Kommentare hinzu.
Zoomsteuerelemente: Damit können Sie eine bestimmte Zoomstufe festlegen.
An Fenster anpassen: Der Zoom wird automatisch so angepasst, dass alle Inhalte auf dem Canvas angezeigt werden.
Auf Auswahl zoomen: Der Zoom wird automatisch angepasst, um sich auf den ausgewählten Knoten zu konzentrieren.
Heranzoomen: Vergrößert die Ansicht des Arbeitsbereichs. Sie können auch heranzoomen, indem Sie die Strg-Taste gedrückt halten und mit dem Mausrad scrollen.
Herauszoomen: Verkleinert die Ansicht des Canvas. Sie können auch herauszoomen, indem Sie die Ctrl-Taste gedrückt halten und mit dem Mausrad scrollen.
Vollbild: Der Canvas wird im Vollbildmodus angezeigt.
Canvas aufräumen: Die Knoten auf dem Canvas werden automatisch angeordnet.
Canvas aktualisieren: Führt alle ausführbaren Knoten mit einem einzigen Button aus.
Weitere Aktionen: Hier werden zusätzliche Optionen wie das Löschen des Arbeitsbereichs angezeigt.

Die folgenden Beispiele zeigen verschiedene Möglichkeiten, den BigQuery-Daten-Canvas in Analyseworkflows zu verwenden.

Canvas-Einstellungen

Der Bereich Canvas-Einstellungen bietet die folgenden Optionen:

Standort: Der Standort der Verarbeitung für Ihren Datenbereich. Weitere Informationen finden Sie unter Standorte angeben.
Abfrageparameter: Fügen Sie Parameter hinzu, die in SQL-Abfragen für Ihren Datenbereich verwendet werden sollen.
Ressourcenverwaltung: Priorität von Abfragejobs>, Caching und Job-Einstellungen verwalten.
Canvas-Verwaltung: Steuern Sie die Anzeige der Abfrageausgabe auf Ihrem Daten-Canvas.
Erweiterte Optionen: Wählen Sie einen Google-owned and Google-managed encryption key oder einen vom Kunden verwalteten Verschlüsselungsschlüssel (CMEK) aus und legen Sie die maximalen abgerechneten Byte für Ihre Abfragen fest.

So ändern Sie die Einstellungen für Ihren Daten-Canvas:

Rufen Sie die Seite BigQuery auf.

BigQuery aufrufen
Klicken Sie im linken Bereich auf Explorer.
Maximieren Sie den Projektnamen und klicken Sie auf Daten-Canvases.
Klicken Sie auf der Seite Daten-Canvas auf den Link für den Canvas, den Sie aktualisieren möchten.
Klicken Sie auf Canvas-Einstellungen.
Wählen Sie im Bereich Standort eine der folgenden Optionen aus:
1. Wählen Sie Automatische Standortauswahl aus, damit BigQuery den Verarbeitungsstandort automatisch anhand der von Ihnen abgefragten Ressourcen bestimmen kann.
2. Alternativ können Sie Ihre Jobs manuell weiterleiten:
  1. Heben Sie die Auswahl von Automatische Standortauswahl auf und wählen Sie dann einen Standorttyp aus, entweder Region oder Mehrere Regionen.
  2. Geben Sie im Feld „Region“ die Region oder im Feld „Multiregion“ die Multiregion an.
  3. Optional können Sie unter Reservierung eine Reservierung für die Canvas-Jobs auswählen.
Wählen Sie im Bereich Abfrageparameter eine der folgenden Optionen aus:
1. Klicken Sie auf „Hinzufügen“ Parameter hinzufügen, um Standardparameter zu definieren, die in den SQL-Abfragen auf dem Arbeitsbereich verwendet werden sollen.
2. Geben Sie einen Namen, einen Typ und einen Wert für den Parameter ein.
Hinweis: Abfrageparameter in der Google Cloud Console unterstützen nur primitive Typen. Verwenden Sie für komplexe Typen wie ARRAY, STRUCT und JSON das Befehlszeilentool bq oder die BigQuery API.
Wählen Sie im Bereich Ressourcenverwaltung eine der folgenden Optionen aus:
1. Wählen Sie unter Jobpriorität aus, ob Ihre Canvas-Abfragen mit der Priorität Interaktiv oder Batch ausgeführt werden sollen.
2. Wählen Sie unter Cache-Einstellung die Option Im Cache gespeicherte Ergebnisse verwenden aus, damit BigQuery zuvor im Cache gespeicherte Abfrageergebnisse zurückgeben kann. Die Verwendung von im Cache gespeicherten Ergebnissen kann die Kosten senken und die Leistung verbessern.
3. Geben Sie für Zeitlimit des Jobs eine maximale Jobausführungszeit in Millisekunden ein. Wenn dieses Zeitlimit überschritten wird, versucht BigQuery, den Job zu beenden.
Heben Sie im Abschnitt Canvas-Verwaltung die Auswahl von Keine Knotenausgabe beim Speichern dieses Canvas auf, um die Abfrageergebnisse mit dem Canvas-Status im Cache zu speichern. Dabei werden nur die Canvas-Struktur und die Abfragen gespeichert.
Maximieren Sie den Abschnitt Erweiterte Optionen und wählen Sie eine der folgenden Optionen aus:
1. Wählen Sie unter Verschlüsselung die Option Von Google verwaltete Schlüssel oder Cloud KMS-Schlüssel aus und geben Sie den Typ und Wert des vom Kunden verwalteten Schlüssels ein.
2. Geben Sie unter Maximale Menge abgerechneter Byte ein Limit für die abgerechneten Byte für Ihre Abfragen ein. Wenn eine Abfrage dieses Limit überschreitet, schlägt sie fehl, ohne dass Kosten anfallen. Wenn diese Option nicht angegeben ist, wird die maximale Anzahl der abgerechneten Bytes auf den Projektstandardwert festgelegt.
Nachdem Sie die gewünschten Änderungen vorgenommen haben, klicken Sie auf Speichern, um die Einstellungen auf Ihren Datenbereich anzuwenden.

Beispielworkflow: Daten finden, abfragen und visualisieren

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu finden, eine Abfrage zu generieren und die Abfrage zu bearbeiten. Anschließend erstellen Sie ein Diagramm.

Prompt 1: Daten finden

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

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen, wählen Sie KI und Wissen aus und klicken Sie dann auf Data Canvas.
Klicken Sie auf Daten suchen.
Klicken Sie auf filter_list Suchfilter bearbeiten und aktivieren Sie dann im Bereich Suche filtern die Option Öffentliche BigQuery-Datasets.
Geben Sie im Prompt-Feld Natürliche Sprache den folgenden Natural Language Prompt ein:
```
Chicago taxi trips
```
Der BigQuery-Daten-Canvas generiert eine Liste potenzieller Tabellen anhand von Knowledge Catalog-Metadaten. Sie können mehrere Tabellen auswählen.
Wählen Sie die Tabelle bigquery-public-data.chicago_taxi_trips.taxi_trips aus und klicken Sie dann auf Auf Arbeitsbereich einfügen.

Dem BigQuery-Daten-Canvas wird ein Tabellenknoten für taxi_trips hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.

Prompt 2: SQL-Abfrage in der ausgewählten Tabelle generieren

Um eine SQL-Abfrage für den bigquery-public-data.chicago_taxi_trips.taxi_trips zu erstellen, gehen Sie so vor:

Klicken Sie im Daten-Canvas auf Abfrage.

Geben Sie im Prompt-Feld Natürliche Sprache Folgendes ein:

Get me the 100 longest trips

Das BigQuery-Daten-Canvas generiert eine SQL-Abfrage, die etwa so aussieht:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `bigquery-public-data.chicago_taxi_trips.taxi_trips`
ORDER BY
  trip_miles DESC
LIMIT
  100;

Prompt 3: Abfrage bearbeiten

Um die generierte Abfrage zu bearbeiten, können Sie sie manuell anpassen oder die Eingabeaufforderung in natürlicher Sprache ändern und die Abfrage neu generieren. In diesem Beispiel verwenden Sie einen Prompt in natürlicher Sprache, um die Abfrage so zu bearbeiten, dass nur Fahrten ausgewählt werden, bei denen der Kunde bar bezahlt hat.

Geben Sie im Prompt-Feld Natürliche Sprache Folgendes ein:

Get me the 100 longest trips where the payment type is cash

Das BigQuery-Daten-Canvas generiert eine SQL-Abfrage, die etwa so aussieht:

SELECT
  taxi_id,
  trip_start_timestamp,
  trip_end_timestamp,
  trip_miles
FROM
  `PROJECT_ID.chicago_taxi_trips_123123.taxi_trips`
WHERE
  payment_type = 'Cash'
ORDER BY
  trip_miles DESC
LIMIT
  100;

Im vorherigen Beispiel ist PROJECT_ID die ID Ihres Google Cloud -Projekts.

Klicken Sie auf Ausführen, um die Ergebnisse der Abfrage anzusehen.

Diagramme erstellen

Klicken Sie im Daten-Canvas auf Visualisieren.
Klicken Sie auf Balkendiagramm erstellen.

Der BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das die Fahrten mit den meisten gefahrenen Kilometer nach Fahrt-ID anzeigt. Neben einem Diagramm fasst der BigQuery Data Canvas einige der wichtigsten Details der Daten zusammen, die der Visualisierung zugrunde liegen.
Optional: Führen Sie einen oder mehrere der folgenden Schritte aus:
- Klicken Sie zum Ändern des Diagramms auf Bearbeiten und bearbeiten Sie dann das Diagramm im Bereich Visualisierung bearbeiten.
- Wenn Sie den Daten-Canvas freigeben möchten, klicken Sie auf Freigeben und dann auf Link freigeben, um den Link zum BigQuery-Daten-Canvas zu kopieren.
- Wählen Sie zum Bereinigen des Daten-Canvas Weitere Aktionen und dann Canvas löschen aus. In diesem Schritt wird ein leeres Dokument erstellt.

Beispielworkflow: Tabellen zusammenführen

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu finden und Tabellen zusammenzuführen. Anschließend exportieren Sie eine Abfrage als Notebook.

Prompt 1: Daten finden

Geben Sie im Prompt-Feld Natürliche Sprache den folgenden Prompt ein:
```
Information about trees
```
Im BigQuery-Daten-Canvas werden mehrere Tabellen mit Informationen zu Bäumen vorgeschlagen.
Wählen Sie in diesem Beispiel die Tabelle bigquery-public-data.new_york_trees.tree_census_1995 aus und klicken Sie dann auf Zum Canvas hinzufügen.

Die Tabelle wird auf dem Canvas angezeigt.

Prompt 2: Tabellen unter ihrer Adresse zusammenführen

Klicken Sie im Daten-Canvas auf Zusammenführen.

BigQuery-Daten-Canvas schlägt Tabellen vor, die zusammengeführt werden könnten.
Wenn Sie ein neues Prompt-Feld für natürliche Sprache öffnen möchten, klicken Sie auf Nach Tabellen suchen.
Geben Sie im Prompt-Feld Natürliche Sprache den folgenden Prompt ein:
```
Information about trees
```
Wählen Sie die Tabelle bigquery-public-data.new_york_trees.tree_census_2005 aus und klicken Sie auf Auf Arbeitsbereich einfügen.

Die Tabelle wird auf dem Canvas angezeigt.
Klicken Sie im Daten-Canvas auf Join.
Wählen Sie im Bereich Auf diesem Arbeitsbereich das Kästchen Tabellenzelle aus und klicken Sie dann auf OK.

Geben Sie im Prompt-Feld natürliche Sprache den folgenden Prompt ein:

Join on address

BigQuery-Daten-Canvas schlägt eine SQL-Abfrage vor, um diese beiden Tabellen anhand ihrer Adresse zusammenzuführen.

SELECT
  *
FROM
  `bigquery-public-data.new_york_trees.tree_census_2015` AS t2015
JOIN
  `bigquery-public-data.new_york_trees.tree_census_1995` AS t1995
ON
  t2015.address = t1995.address;

Klicken Sie auf Ausführen, um die Abfrage auszuführen und die Ergebnisse anzusehen.

Abfrage als Notebook exportieren

Mit BigQuery-Daten-Canvas können Sie Ihre Abfragen als Notebook exportieren.

Klicken Sie im Daten-Canvas auf Als Notebook exportieren.
Geben Sie im Bereich Notebook speichern den Namen des Notebooks und die Region ein, in der Sie es speichern möchten.
Klicken Sie auf Speichern. Das Notebook wird erstellt.
Optional: Klicken Sie auf Öffnen, um das erstellte Notebook aufzurufen.

Beispiel-Workflow: Diagramm mit einem Prompt bearbeiten

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache im BigQuery-Daten-Canvas, um Daten zu finden, abzufragen und zu filtern und dann Visualisierungsdetails zu bearbeiten.

Prompt 1: Daten finden

Wenn Sie Daten zu US-Namen suchen, geben Sie den folgenden Prompt ein:
```
Find data about USA names
```
Mit dem BigQuery-Daten-Canvas wird eine Liste von Tabellen generiert.
Wählen Sie in diesem Beispiel die Tabelle bigquery-public-data.usa_names.usa_1910_current aus und klicken Sie dann auf Dem Arbeitsbereich hinzufügen.

Prompt 2: Daten abfragen

Klicken Sie zum Abfragen der Daten im Daten-Canvas auf Abfrage und geben Sie dann den folgenden Prompt ein:
```
Summarize this data
```
Das BigQuery-Daten-Canvas generiert eine Abfrage, die etwa so aussieht:
```
SELECT
  state,
  gender,
  year,
  name,
  number
FROM
  `bigquery-public-data.usa_names.usa_1910_current`
```
Klicken Sie auf Ausführen. Die Abfrageergebnisse werden angezeigt.

Prompt 3: Daten filtern

Klicken Sie im Daten-Canvas auf Diese Ergebnisse abfragen.
Geben Sie im Feld SQL-Prompt den folgenden Prompt ein, um die Daten zu filtern:
```
Get me the top 10 most popular names in 1980
```
Das BigQuery-Daten-Canvas generiert eine Abfrage, die etwa so aussieht:
```
SELECT
  name,
  SUM(number) AS total_count
FROM
  `bigquery-public-data`.usa_names.usa_1910_current
WHERE
  year = 1980
GROUP BY
  name
ORDER BY
  total_count DESC
LIMIT
  10;
```
Wenn Sie die Abfrage ausführen, erhalten Sie eine Tabelle mit den zehn häufigsten Namen von Kindern, die 1980 geboren wurden.

Diagramm erstellen und bearbeiten

Klicken Sie im Daten-Canvas auf Visualisieren.

Im BigQuery-Daten-Canvas werden verschiedene Visualisierungsoptionen vorgeschlagen (Balkendiagramm, Kreisdiagramm, Liniendiagramm, benutzerdefinierte Visualisierung usw.).
Klicken Sie in diesem Beispiel auf Balkendiagramm erstellen.

Das BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das etwa so aussieht:

Neben einem Diagramm fasst der BigQuery Data Canvas einige der wichtigsten Details der Daten zusammen, die der Visualisierung zugrunde liegen. Um das Diagramm anzupassen, klicken Sie auf Visualisierungsdetails und bearbeiten das Diagramm in der Seitenleiste.

Prompt 4: Visualisierungsdetails bearbeiten

Geben Sie im Prompt-Feld Visualisierung Folgendes ein:
```
Create a bar chart sorted high to low, with a gradient
```
Das BigQuery-Daten-Canvas erstellt ein Balkendiagramm, das etwa so aussieht:
Optional: Wenn Sie weitere Änderungen vornehmen möchten, klicken Sie auf Bearbeiten.

Der Bereich Visualisierung bearbeiten wird angezeigt. Sie können Details wie den Diagrammtitel, den Namen der X-Achse und den Namen der Y-Achse bearbeiten. Wenn Sie auf den Tab JSON-Editor klicken, können Sie das Diagramm außerdem basierend auf den JSON-Werten direkt bearbeiten.

Mit einem Gemini-Assistenten arbeiten

Sie können einen Gemini-basierten Chat verwenden, um mit dem BigQuery-Daten-Canvas zu arbeiten. Der Chat-Assistent kann Knoten auf Grundlage Ihrer Anfragen erstellen, Abfragen ausführen und Visualisierungen erstellen. Sie können Tabellen auswählen, mit denen der Assistent arbeiten soll, und Anweisungen hinzufügen, um sein Verhalten zu steuern. Der Assistent funktioniert mit neuen oder vorhandenen Daten-Canvases.

So arbeiten Sie mit dem Gemini-Assistenten:

Klicken Sie auf dem Daten-Canvas auf spark Data Canvas-Assistenten öffnen, um den Assistenten zu öffnen.
Geben Sie im Feld Frage zu Daten stellen einen Prompt in natürlicher Sprache ein, z. B. einen der folgenden:
- Show me interesting statistics of my data.
- Make a chart based on my data, sorted high to low.
- I want to see sample data from my table.
Die Antwort enthält einen oder mehrere Knoten, die auf der Anfrage basieren. Wenn Sie den Assistenten beispielsweise bitten, ein Diagramm Ihrer Daten zu erstellen, wird ein Visualisierungsknoten im Daten-Canvas erstellt.

Wenn Sie auf das Feld Frage zu Daten stellen klicken, können Sie auch Folgendes tun:
- Klicken Sie auf Einstellungen, um Daten hinzuzufügen.
- Wenn Sie Anweisungen hinzufügen möchten, klicken Sie auf Einstellungen.
Wenn Sie weiter mit dem Assistenten arbeiten möchten, fügen Sie weitere Prompts in natürlicher Sprache hinzu.

Sie können während der Arbeit mit dem Daten-Canvas weiterhin Prompts in natürlicher Sprache eingeben.

Daten hinzufügen

Wenn Sie mit der Gemini-Chat-Oberfläche arbeiten, können Sie Daten hinzufügen, damit der Assistent weiß, auf welches Dataset er sich beziehen soll. Der Assistent fordert Sie auf, eine Tabelle auszuwählen, bevor Sie Prompts ausführen. Wenn Sie im Assistenten nach Daten suchen, können Sie den Umfang der durchsuchbaren Daten auf alle Projekte, markierte Projekte oder Ihr aktuelles Projekt beschränken. Sie können auch festlegen, ob öffentliche Datasets in Ihre Suche einbezogen werden sollen.

So fügen Sie dem Gemini-Assistenten Daten hinzu:

Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Klicken Sie auf Einstellungen und dann auf Daten hinzufügen.
Optional: Wenn Sie die Suchergebnisse auf öffentliche Datasets ausweiten möchten, klicken Sie auf den Ein/Aus-Button Öffentliche Datasets, um ihn auf „Ein“ zu stellen.
Optional: Wenn Sie den Umfang der Suchergebnisse auf andere Projekte ändern möchten, wählen Sie im Menü Umfang die entsprechende Projektoption aus.
Klicken Sie das Kästchen für jede Tabelle an, die Sie dem Assistenten hinzufügen möchten.
1. Wenn Sie nach Tabellen suchen möchten, die nicht vom Assistenten vorgeschlagen werden, klicken Sie auf Nach Tabellen suchen.
2. Geben Sie im Prompt-Feld Natürliche Sprache einen Prompt ein, in dem Sie beschreiben, nach welcher Tabelle Sie suchen, und drücken Sie dann die Eingabetaste.
3. Klicken Sie das Kästchen für jede Tabelle an, die Sie dem Assistenten hinzufügen möchten, und klicken Sie dann auf OK.
Schließen Sie den Bereich Einstellungen für Canvas-Assistenten.

Der Assistent stützt seine Analyse auf die von Ihnen ausgewählten Daten.

Anleitung hinzufügen

Wenn Sie mit der Gemini-Chat-Oberfläche arbeiten, können Sie Anweisungen hinzufügen, damit der Assistent weiß, wie er sich verhalten soll. Diese Anweisungen werden auf alle Prompts im Daten-Canvas angewendet. Beispiele für mögliche Anweisungen:

Visualize trends over time.
Chart colors: Red (negative), Green (positive)
Domain: USA

So fügen Sie dem Assistenten Anweisungen hinzu:

Klicken Sie zum Öffnen des Assistenten im Daten-Canvas auf spark Data Canvas-Assistenten öffnen.
Klicken Sie auf Einstellungen.
Fügen Sie im Feld Anleitung eine Liste mit Anweisungen für den Assistenten hinzu und schließen Sie dann den Bereich Canvas-Assistenteneinstellungen.

Der Assistent merkt sich die Anweisungen und wendet sie auf zukünftige Prompts an.

Best Practices für Gemini Assistant

Wenn Sie mit dem Assistenten für den BigQuery-Daten-Canvas arbeiten, sollten Sie die folgenden Best Practices beachten, um optimale Ergebnisse zu erzielen:

Seien Sie konkret und eindeutig. Geben Sie klar an, was Sie berechnen, analysieren oder visualisieren möchten. Sagen Sie beispielsweise Calculate the average trip duration for trips starting in council district eight anstelle von Analyze trip data.
Für einen genauen Datenkontext sorgen: Der Assistent kann nur mit den Daten arbeiten, die Sie bereitstellen. Achten Sie darauf, dass alle relevanten Tabellen und Spalten dem Arbeitsbereich hinzugefügt wurden.
Einfach anfangen und dann iterieren. Beginnen Sie mit einer einfachen Frage, um sicherzustellen, dass der Assistent die grundlegende Struktur und die Daten versteht. Sagen Sie zum Beispiel zuerst Show total trips by subscriber_type und dann Show total trips by subscriber_type and break down the result by council_district.
Komplexe Fragen aufschlüsseln: Bei mehrstufigen Prozessen sollten Sie Ihren Prompt klar und in einzelne Abschnitte unterteilt formulieren oder für jeden wichtigen Schritt separate Prompts verwenden. Sagen Sie beispielsweise First, find the top five busiest stations by trip count. Second, calculate the average trip duration for trips starting from only those top five stations.
Berechnungen klar angeben: Geben Sie die gewünschte Berechnung an, z. B. SUM, MAX oder AVERAGE. Sagen Sie zum Beispiel Find the MAX trip duration per bike_id.
Verwenden Sie Systemanweisungen für dauerhaften Kontext und Einstellungen. Verwenden Sie Systemanweisungen, um Informationsregeln und Einstellungen anzugeben, die für alle Prompts gelten.
Canvas ansehen Prüfen Sie die generierten Knoten immer, um sicherzustellen, dass die Logik Ihrer Anfrage entspricht und die Ergebnisse korrekt sind.
Test Probieren Sie verschiedene Formulierungen, Detaillierungsgrade und Promptstrukturen aus, um zu sehen, wie der Assistent auf Ihre spezifischen Daten und Analyseanforderungen reagiert.
Spaltennamen referenzieren Verwenden Sie nach Möglichkeit die tatsächlichen Spaltennamen aus den ausgewählten Daten. Sagen Sie beispielsweise Show the count of trips grouped by subscriber_type and start_station_name anstelle von Show trips by subscriber type.

Beispielworkflow: Mit einem Gemini-Assistenten arbeiten

In diesem Beispiel verwenden Sie Prompts in natürlicher Sprache mit dem Gemini-Assistenten, um Daten zu finden, abzufragen und zu visualisieren.

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

BigQuery aufrufen
Klicken Sie im Abfrageeditor neben SQL-Abfrage auf Neu erstellen, wählen Sie KI und Wissen aus und klicken Sie dann auf Data Canvas.
Klicken Sie auf Daten suchen.
Klicken Sie auf filter_list Suchfilter bearbeiten und aktivieren Sie dann im Bereich Suche filtern die Option Öffentliche BigQuery-Datasets.
Geben Sie im Prompt-Feld Natürliche Sprache den folgenden Natural Language Prompt ein:
```
bikeshare
```
Der BigQuery-Daten-Canvas generiert eine Liste potenzieller Tabellen anhand von Knowledge Catalog-Metadaten. Sie können mehrere Tabellen auswählen.
Wählen Sie die Tabelle bigquery-public-data.austin_bikeshare.bikeshare_stations und bigquery-public-data.austin_bikeshare.bikeshare_trips aus und klicken Sie dann auf Auf Arbeitsbereich einfügen.

Für jede der ausgewählten Tabellen wird dem BigQuery-Daten-Canvas ein Tabellenknoten hinzugefügt. Wenn Sie sich Schemainformationen, Tabellendetails oder eine Datenvorschau ansehen möchten, wählen Sie die verschiedenen Tabs im Tabellenknoten aus.
Klicken Sie auf dem Daten-Canvas auf spark Data Canvas-Assistenten öffnen, um den Assistenten zu öffnen.
Klicken Sie auf Einstellungen.

Fügen Sie im Feld Anleitung die folgende Anleitung für den Assistenten hinzu:

Tasks:
  - Visualize findings with charts
  - Show many charts per question
  - Make sure to cover each part via a separate line of reasoning

Schließen Sie den Bereich Einstellungen für Canvas-Assistenten.
Geben Sie im Feld Frage zu Daten stellen den folgenden Prompt in natürlicher Sprache ein:
```
Show the number of trips by council district and subscriber type
```
Sie können weiterhin Prompts in das Feld Datenfrage stellen eingeben. Geben Sie den folgenden Prompt in natürlicher Sprache ein:
```
What are most popular stations among the top 5 subscriber types
```
Geben Sie den letzten Prompt ein:
```
What station is least used to start and end a trip
```
Nachdem Sie alle relevanten Prompts eingegeben haben, wird der Canvas mit den entsprechenden Abfrage- und Visualisierungsknoten gefüllt, die den Prompts und Anweisungen entsprechen, die Sie dem Assistenten gegeben haben. Geben Sie weiterhin Prompts ein oder ändern Sie vorhandene Prompts, um die gewünschten Ergebnisse zu erhalten.

Alle Data Canvases ansehen

So rufen Sie eine Liste aller Daten-Canvases in Ihrem Projekt auf:

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

BigQuery aufrufen
Klicken Sie im linken Bereich auf Explorer:

Wenn der linke Bereich nicht angezeigt wird, klicken Sie auf Linken Bereich maximieren, um ihn zu öffnen.
Klicken Sie im Bereich Explorer neben Daten-Canvas auf Aktionen anzeigen und führen Sie einen der folgenden Schritte aus:

Wenn Sie die Liste im aktuellen Tab öffnen möchten, klicken Sie auf Alle anzeigen.
Wenn Sie die Liste in einem neuen Tab öffnen möchten, klicken Sie auf Alle anzeigen in > Neuer Tab.
Wenn Sie die Liste in einem geteilten Tab öffnen möchten, klicken Sie auf Alle anzeigen in> Tab aufteilen.

Data Canvas-Metadaten ansehen

So rufen Sie die Metadaten des Data Canvas auf:

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

BigQuery aufrufen
Klicken Sie im linken Bereich auf Explorer:
Maximieren Sie im Bereich Explorer Ihr Projekt und klicken Sie auf Daten-Canvas.
Klicken Sie auf den Namen des Daten-Canvas, für den Sie Metadaten aufrufen möchten.
Klicken Sie auf Details, um Informationen zum Data Canvas aufzurufen, z. B. die verwendete Region und das Datum der letzten Änderung.

Mit Data Canvas-Versionen arbeiten

Sie können einen Data Canvas entweder innerhalb oder außerhalb eines Repositorys erstellen. Die Versionsverwaltung von Data Canvas wird je nach Speicherort des Data Canvas unterschiedlich gehandhabt.

Data Canvas-Versionsverwaltung in Repositories

Repositories sind Git-Repositories, die sich entweder in BigQuery oder bei einem Drittanbieter befinden. Sie können Arbeitsbereiche in Repositories verwenden, um die Versionsverwaltung von Daten-Canvas durchzuführen. Weitere Informationen finden Sie unter Versionsverwaltung für eine Datei verwenden.

Data Canvas-Versionierung außerhalb von Repositories

Sie können Versionen eines Data Canvas ansehen, vergleichen und wiederherstellen.

Daten-Canvas-Versionen ansehen und vergleichen

So rufen Sie verschiedene Versionen eines Daten-Canvas auf und vergleichen sie mit der aktuellen Version:

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

BigQuery aufrufen
Klicken Sie im linken Bereich auf Explorer:
Maximieren Sie im Bereich Explorer Ihr Projekt und klicken Sie auf Daten-Canvases.
Klicken Sie auf den Namen des Daten-Canvas, für den Sie den Versionsverlauf aufrufen möchten.
Klicken Sie auf Versionsverlauf, um eine Liste der Daten-Canvas-Versionen in absteigender Reihenfolge nach Datum aufzurufen.
Klicken Sie neben einer Data Canvas-Version auf Aktionen ansehen und dann auf Vergleichen. Der Vergleichsbereich wird geöffnet und die ausgewählte Daten-Canvas-Version wird mit der aktuellen Daten-Canvas-Version verglichen.
Optional: Wenn Sie die Versionen inline und nicht in separaten Bereichen vergleichen möchten, klicken Sie auf Vergleichen und dann auf Inline.

Data Canvas-Version wiederherstellen

Wenn Sie über den Vergleichsbereich wiederherstellen, können Sie die vorherige Version des Daten-Canvas mit der aktuellen Version vergleichen, bevor Sie entscheiden, ob Sie sie wiederherstellen möchten.

Klicken Sie im linken Bereich auf Explorer:
Maximieren Sie im Bereich Explorer Ihr Projekt und klicken Sie auf Daten-Canvases.
Klicken Sie auf den Namen des Daten-Canvas, von dem Sie eine vorherige Version wiederherstellen möchten.
Klicken Sie auf Versionsverlauf.
Klicken Sie neben der Version des Daten-Canvas, die Sie wiederherstellen möchten, auf Aktionen ansehen und dann auf Vergleichen.

Der Vergleichsbereich wird geöffnet und die ausgewählte Data Canvas-Version wird mit der neuesten Data Canvas-Version verglichen.
Wenn Sie nach dem Vergleich die vorherige Data Canvas-Version wiederherstellen möchten, klicken Sie auf Wiederherstellen.
Klicken Sie auf Bestätigen.

Metadaten in Knowledge Catalog verwalten

Mit Knowledge Catalog können Sie Metadaten für Daten-Canvases aufrufen und verwalten. Daten-Canvases sind im Knowledge Catalog standardmäßig ohne zusätzliche Konfiguration verfügbar.

Mit Knowledge Catalog können Sie Daten-Canvas in allen BigQuery-Standorten verwalten. Die Verwaltung von Daten-Canvases in Knowledge Catalog unterliegt den Knowledge Catalog-Kontingenten und -Limits und den Knowledge Catalog-Preisen.

Knowledge Catalog ruft automatisch die folgenden Metadaten aus Daten-Canvases ab:

Name des Daten-Assets
Übergeordnetes Data Asset
Speicherort des Daten-Assets
Datentyp-Asset
Entsprechendes Google Cloud Projekt

In Knowledge Catalog werden Daten-Canvas als Einträge mit den folgenden Eintragswerten protokolliert:

Systemeintragsgruppe: Die Systemeintragsgruppe für Daten-Canvases ist @dataform. Wenn Sie Details zu Data Canvas-Einträgen in Knowledge Catalog aufrufen möchten, müssen Sie die Systemeintragsgruppe dataform aufrufen. Eine Anleitung zum Aufrufen einer Liste aller Einträge in einer Eintragsgruppe finden Sie in der Knowledge Catalog-Dokumentation unter Details einer Eintragsgruppe ansehen.
Systemeintragstyp: Der Systemeintragstyp für Daten-Canvases ist dataform-code-asset. Wenn Sie Details zu Daten-Canvas aufrufen möchten, müssen Sie den System-Eintragstyp dataform-code-asset aufrufen, die Ergebnisse mit einem aspektbasierten Filter filtern und das Feld type im Aspekt dataform-code-asset auf DATA_CANVAS festlegen. Wählen Sie dann einen Eintrag im ausgewählten Daten-Canvas aus. Eine Anleitung zum Aufrufen von Details eines ausgewählten Eintragstyps finden Sie in der Knowledge Catalog-Dokumentation unter Details eines Eintragstyps aufrufen. Eine Anleitung zum Aufrufen der Details eines ausgewählten Eintrags finden Sie in der Knowledge Catalog-Dokumentation unter Details eines Eintrags aufrufen.
Systemaspekttyp: Der Systemaspekttyp für Daten-Canvas ist dataform-code-asset. Wenn Sie Daten-Canvas in Knowledge Catalog durch Anmerkungen mit Aspekten zusätzlichen Kontext hinzufügen möchten, rufen Sie den Aspekttyp dataform-code-asset auf, filtern Sie die Ergebnisse mit einem aspektbasierten Filter und legen Sie das Feld type im Aspekt dataform-code-asset auf DATA_CANVAS fest. Eine Anleitung zum Annotieren von Einträgen mit Aspekten finden Sie in der Knowledge Catalog-Dokumentation unter Aspekte verwalten und Metadaten anreichern.
Typ: Der Typ für Daten-Canvas ist DATA_CANVAS. Mit diesem Typ können Sie Daten-Canvases im Systemeintragstyp dataform-code-asset und im Aspekttyp dataform-code-asset filtern, indem Sie die Abfrage aspect:dataplex-types.global.dataform-code-asset.type=DATA_CANVAS in einem aspektbasierten Filter verwenden.

Eine Anleitung zum Suchen nach Assets in Knowledge Catalog finden Sie in der Knowledge Catalog-Dokumentation unter Nach Daten-Assets in Knowledge Catalog suchen.

Preise

Weitere Informationen zu den Preisen für diese Funktion finden Sie unter Preisübersicht für Gemini in BigQuery.

Standorte

Sie können den BigQuery-Daten-Canvas an allen BigQuery-Standorten verwenden. Informationen dazu, wo Gemini in BigQuery Ihre Daten verarbeitet, finden Sie unter Wo Gemini in BigQuery Ihre Daten verarbeitet.

Feedback geben

Um dazu beitragen, die Vorschläge im BigQuery-Data Canvas zu verbessern, senden Sie Ihr Feedback an Google. So geben Sie Feedback:

Klicken Sie in der Symbolleiste des BigQuery-Daten-Canvas auf Weitere Aktionen und dann auf Feedback geben.
Klicken Sie auf die Kategorie, auf die sich Ihr Feedback bezieht.
Geben Sie im Feld Feedback beschreiben (erforderlich) Ihr Feedback ein.
Optional: Wenn Sie BigQuery einen Screenshot Ihres Data Canvas zur Verfügung stellen möchten, klicken Sie auf screenshot_monitor Screenshot erstellen.
Optional: Wenn Sie Ihren Verlauf der Generierung angeben möchten, wählen Sie Google darf den Verlauf der Generierung erfassen und mit meinem Feedback senden. aus.
Klicken Sie auf Senden.

Datenfreigabeeinstellungen gelten für das gesamte Projekt und können nur von einem Projektadministrator mit den IAM-Berechtigungen serviceusage.services.enable und serviceusage.services.list festgelegt werden.

Wenn Sie direktes Feedback zu dieser Funktion geben möchten, können Sie sich auch an datacanvas-feedback@google.com wenden.

Nächste Schritte

Informationen zum Schreiben von Abfragen mit Gemini-Unterstützung
Notebooks erstellen
Erfahren Sie, wie Sie Abfragen in natürlicher Sprache zu Ihren Daten mit Dateneinblicken generieren.