Il est possible qu'une partie ou l'ensemble des informations de cette page ne s'appliquent pas au Cloud de confiance S3NS.

Cette page a été traduite par l'API Cloud Translation.

Analyser avec le canevas de données BigQuery

Ce document explique comment utiliser le canevas de données pour analyser les données. Vous pouvez également gérer les métadonnées du canevas de données à l'aide de Dataplex Universal Catalog.

Le canevas de données BigQuery Studio, une fonctionnalité de Gemini dans BigQuery, vous permet de rechercher, de transformer, d'interroger et de visualiser des données à l'aide de requêtes en langage naturel et d'une interface graphique pour workflows d'analyse.

Pour les workflows d'analyse, le canevas de données BigQuery utilise un graphe orienté acyclique (DAG), qui fournit une vue graphique de votre workflow. Dans le canevas de données BigQuery, vous pouvez effectuer une itération sur les résultats de requête et travailler avec plusieurs branches d'interrogation au même endroit.

Le canevas de données BigQuery est conçu pour accélérer les tâches d'analyse et aider les professionnels des données tels que les analystes de données, les ingénieurs en données et d'autres professionnels dans leur parcours d'obtention d'insights à partir de données. Vous n'avez pas besoin de connaissances techniques sur des outils spécifiques, mais seulement de savoir lire et écrire du SQL. Le canevas de données BigQuery fonctionne avec les métadonnées Dataplex Universal Catalog pour identifier les tables appropriées en fonction du langage naturel.

Le canevas de données BigQuery n'est pas destiné à être utilisé directement par les utilisateurs professionnels.

Les canevas de données BigQuery utilisent Gemini dans BigQuery pour rechercher vos données, créer du code SQL, générer des graphiques et créer des résumés de données.

Découvrez comment et quand Gemini pour Trusted Cloud utilise vos données.

Capacités

Le canevas de données BigQuery vous permet d'effectuer les opérations suivantes :

Utilisez des requêtes en langage naturel ou la syntaxe de recherche de mots clés avec les métadonnées Dataplex Universal Catalog pour rechercher des éléments tels que des tables, des vues ou des vues matérialisées.
Utiliser le langage naturel pour les requêtes SQL de base. Par exemple :
- Requêtes contenant des clauses FROM, fonctions mathématiques, tableaux et structures.
- Opérations JOIN pour deux tables.
Créer des visualisations personnalisées en utilisant le langage naturel pour décrire ce que vous souhaitez.
Automatiser les insights sur les données.

Limites

Les commandes en langage naturel peuvent ne pas fonctionner correctement avec les éléments suivants :
- BigQuery ML
- Apache Spark
- Tables d'objets
- BigLake
- INFORMATION_SCHEMA vues
- JSON
- Champs imbriqués et répétés
- Fonctions et types de données complexes, tels que DATETIME et TIMEZONE
Les visualisations de données ne fonctionnent pas avec les graphiques de cartes géographiques.

Bonnes pratiques concernant les requêtes

Avec les bonnes techniques de requêtage, vous pouvez générer des requêtes SQL complexes. Les suggestions suivantes aident le canevas de données BigQuery à affiner vos requêtes en langage naturel pour améliorer la précision de vos requêtes :

Écrivez de manière claire. Énoncez votre demande clairement et évitez d'être vague.
Posez des questions directes. Pour obtenir la réponse la plus précise, posez une question à la fois et rédigez des requêtes concises. Si vous avez initialement fourni une requête comportant plusieurs questions, détaillez chaque partie distincte de la question pour que Gemini comprenne bien.
Donnez des instructions ciblées et explicites. Mettez en avant les termes clés dans vos requêtes.
Spécifiez l'ordre des opérations. Fournissez des instructions claires et ordonnées. Divisez les tâches en petites étapes ciblées.
Affinez et itérez. Essayez différentes expressions et approches pour voir ce qui donne les meilleurs résultats.

Pour en savoir plus, consultez les bonnes pratiques de requêtage pour le canevas de données BigQuery.

Avant de commencer

Assurez-vous que Gemini dans BigQuery est activé pour votre projet Trusted Cloud . Cette étape est généralement effectuée par un administrateur.
Vérifiez que vous disposez des autorisations IAM (Identity and Access Management) nécessaires pour utiliser le canevas de données BigQuery.
Pour gérer les métadonnées du canevas de données dans Dataplex Universal Catalog, assurez-vous que l'API Dataplex est activée dans votre projet Trusted Cloud .

Rôles requis

Pour obtenir les autorisations nécessaires pour utiliser le canevas de données BigQuery, demandez à votre administrateur de vous accorder les rôles IAM suivants sur le projet :

Utilisateur BigQuery Studio (roles/bigquery.studioUser)
Utilisateur de Gemini pour Google Cloud (roles/cloudaicompanion.user)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises via des rôles personnalisés ou d'autres rôles prédéfinis.

Pour plus d'informations sur les rôles et les autorisations IAM dans BigQuery, consultez la page Présentation d'IAM.

Pour gérer les métadonnées du canevas de données dans Dataplex Universal Catalog, assurez-vous de disposer des rôles Dataplex Universal Catalog requis et de l'autorisation dataform.repositories.get.

Types de nœuds

Un canevas est une collection d'un ou plusieurs nœuds. Les nœuds peuvent être connectés dans n'importe quel ordre. Le canevas de données BigQuery comporte les types de nœuds suivants :

Texte
Rechercher
Table
SQL
Visualisation
Insights

Nœud de texte

Dans le canevas de données BigQuery, un nœud de texte vous permet d'ajouter du contenu au format Rich Text à votre canevas. Il est utile pour ajouter des explications, des notes ou des instructions à votre canevas, ce qui vous permet, à vous et aux autres, de mieux comprendre le contexte et l'objectif de votre analyse. Vous pouvez saisir le contenu textuel de votre choix dans l'éditeur de nœuds de texte, y compris du code Markdown pour la mise en forme. Cette fonctionnalité vous permet de créer des blocs de texte visuellement attrayants et informatifs.

À partir du nœud de texte, vous pouvez effectuer les opérations suivantes :

Supprimez le nœud.
Déboguez le nœud.
Dupliquez le nœud.

Nœud de recherche

Dans le canevas de données BigQuery, un nœud de recherche vous permet de trouver et d'intégrer des composants de données dans votre canevas. Il sert de pont entre vos requêtes en langage naturel ou vos recherches par mots clés et les données réelles avec lesquelles vous souhaitez travailler.

Vous fournissez une requête de recherche, soit en langage naturel, soit à l'aide de mots clés. Le nœud de recherche effectue des recherches dans vos composants de données. Il exploite les métadonnées Dataplex Universal Catalog pour une meilleure compréhension du contexte. Le canevas de données BigQuery suggère également les tables, les requêtes et les requêtes enregistrées récemment utilisées.

Le nœud de recherche renvoie une liste d'assets de données pertinents correspondant à votre requête. Il tient compte des noms de colonnes et des descriptions de tables. Vous pouvez ensuite sélectionner les composants que vous souhaitez ajouter à votre canevas de données en tant que nœuds de tableau, où vous pourrez analyser et visualiser les données plus en détail.

Depuis le nœud de recherche, vous pouvez effectuer les opérations suivantes :

Supprimez le nœud.
Déboguez le nœud.
Dupliquez le nœud.

Nœud de table

Dans le canevas de données BigQuery, un nœud de table représente une table spécifique que vous avez intégrée à votre workflow d'analyse. Il représente les données avec lesquelles vous travaillez et vous permet d'interagir directement avec elles.

Un nœud de table affiche des informations sur la table, comme son nom, son schéma et un aperçu des données. Vous pouvez interagir avec le tableau en affichant des détails tels que le schéma, les informations et un aperçu du tableau.

À partir du nœud de tableau, vous pouvez effectuer les opérations suivantes :

Supprimez le nœud.
Déboguez le nœud.
Dupliquez le nœud.
Exécutez le nœud.
Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

Interrogez les résultats dans un nouveau nœud SQL.
Joignez les résultats à une autre table.

Nœud SQL

Dans le canevas de données BigQuery, un nœud SQL vous permet d'exécuter des requêtes SQL personnalisées directement dans votre canevas. Vous pouvez écrire du code SQL directement dans l'éditeur de nœuds SQL ou utiliser une requête en langage naturel pour générer le code SQL.

Le nœud SQL exécute la requête SQL fournie sur les sources de données spécifiées. Le nœud SQL produit un tableau de résultats, qui peut ensuite être connecté à d'autres nœuds du canevas pour une analyse ou une visualisation plus approfondies.

Une fois la requête exécutée, vous pouvez l'exporter en tant que requête programmée, exporter les résultats de la requête ou partager le canevas, comme pour l'exécution d'une requête interactive.

Depuis le nœud SQL, vous pouvez effectuer les opérations suivantes :

Exportez l'instruction SQL en tant que requête programmée.
Supprimez le nœud.
Déboguez le nœud.
Dupliquez le nœud.
Exécutez le nœud.
Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

Interrogez les résultats dans un nouveau nœud SQL.
Visualisez les résultats dans un nœud de visualisation.
Générez des insights sur les résultats dans un nœud d'insights.
Joignez les résultats à une autre table.

Nœud de visualisation

Dans le canevas de données BigQuery, un nœud de visualisation vous permet d'afficher les données de manière visuelle, ce qui facilite la compréhension des tendances, des modèles et des insights. Il propose différents types de graphiques parmi lesquels vous pouvez choisir, ce qui vous permet de sélectionner et de personnaliser la visualisation la mieux adaptée à vos données.

Un nœud de visualisation prend une table en entrée, qui peut être le résultat d'une requête SQL ou d'un nœud de table. En fonction du type de graphique sélectionné et des données du tableau d'entrée, le nœud de visualisation génère un graphique. Vous pouvez sélectionner Graphique automatique pour laisser BigQuery choisir le type de graphique le mieux adapté à vos données. Le nœud de visualisation affiche ensuite le graphique généré.

Le nœud de visualisation vous permet de personnaliser votre graphique, y compris en modifiant les couleurs, les libellés et les sources de données. Vous pouvez également exporter le graphique au format PNG.

Visualiser les données à l'aide des types de graphiques suivants :

Graphique à barres
Carte de densité
Graphique linéaire
Graphique à secteurs
Graphique à nuage de points

À partir du nœud de visualisation, vous pouvez effectuer les opérations suivantes :

Exportez le graphique au format PNG.
Déboguez le nœud.
Dupliquez le nœud.
Exécutez le nœud.
Exécutez le nœud et le nœud suivant.

Dans le canevas de données, vous pouvez effectuer les opérations suivantes :

Générez des insights sur les résultats dans un nœud d'insights.
Modifiez la visualisation.

Nœud "Insights"

Dans le canevas de données BigQuery, un nœud d'insights vous permet de générer des insights et des résumés à partir des données de votre canevas de données. Cela vous aide à identifier des modèles, à évaluer la qualité des données et à effectuer des analyses statistiques sur votre canevas. Il identifie les tendances, les modèles, les anomalies et les corrélations dans vos données, et génère des résumés clairs et concis des résultats de l'analyse des données.

Pour en savoir plus sur les insights sur les données, consultez Générer des insights sur les données dans BigQuery.

À partir du nœud "Insights", vous pouvez effectuer les opérations suivantes :

Supprimez le nœud.
Dupliquez le nœud.
Exécutez le nœud.

Utiliser le canevas de données BigQuery

Vous pouvez utiliser le canevas de données BigQuery dans la console Trusted Cloud , une requête ou une table.

Accédez à la page BigQuery.

Accéder à BigQuery
Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, puis sur Tableau de données.
Dans le champ de requête Langage naturel, saisissez une requête en langage naturel.

Par exemple, si vous saisissez Find me tables related to trees, le canevas de données BigQuery renvoie une liste de tables possibles, y compris des ensembles de données publics tels que bigquery-public-data.usfs_fia.plot_tree ou bigquery-public-data.new_york_trees.tree_species.
Sélectionnez une table.

Un nœud de table est ajouté pour la table sélectionnée au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.
Facultatif : Une fois le canevas de données enregistré, utilisez la barre d'outils suivante pour afficher les détails du canevas de données ou l'historique des versions, ajouter des commentaires, répondre à un commentaire existant ou obtenir un lien vers celui-ci :

Les fonctionnalités de la barre d'outils Détails, Historique des versions et Commentaires sont en version Preview. Pour envoyer des commentaires ou demander de l'aide concernant ces fonctionnalités, envoyez un e-mail à l'adresse bqui-workspace-pod@google.com.

Les exemples suivants illustrent différentes façons d'utiliser le canevas de données BigQuery dans les workflows d'analyse.

Exemple de workflow : Rechercher, interroger et visualiser des données

Dans cet exemple, vous allez utiliser des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher des données, générer une requête et la modifier. Vous devez ensuite créer un graphique.

Requête 1 : Trouver des données

Dans la console Trusted Cloud , accédez à la page BigQuery.

Accéder à BigQuery
Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, puis sur Tableau de données.
Cliquez sur Rechercher des données.
Cliquez sur filter_list Modifier les filtres de recherche, puis, dans le volet Filtrer la recherche, cliquez sur le bouton d'activation Ensembles de données publics BigQuery pour l'activer.
Dans le champ de requête Langage naturel, saisissez la requête en langage naturel suivante :
```
Chicago taxi trips
```
Le canevas de données BigQuery génère une liste de tables potentielles basées sur les métadonnées Dataplex Universal Catalog. Vous pouvez sélectionner plusieurs tables.
Sélectionnez la table bigquery-public-data.chicago_taxi_trips.taxi_trips, puis cliquez sur Ajouter au canevas.

Un nœud de table est ajouté pour taxi_trips au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.

Requête 2 : Générer une requête SQL dans la table sélectionnée

Pour générer une requête SQL pour la table bigquery-public-data.chicago_taxi_trips.taxi_trips, procédez comme suit :

Dans le canevas de données, cliquez sur Requête.

Dans le champ de requête Langage naturel, saisissez les informations suivantes :

Get me the 100 longest trips

Le canevas de données BigQuery génère une requête SQL semblable à la suivante :

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;

Requête 3 : Modifier la requête

Pour modifier la requête que vous avez générée, vous pouvez modifier manuellement la requête, ou modifier la requête en langage naturel et générer à nouveau la requête. Dans cet exemple, vous utilisez une requête en langage naturel pour modifier la requête afin de ne sélectionner que les trajets pour lesquels le client a payé en espèces.

Dans le champ de requête Langage naturel, saisissez les informations suivantes :

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

Le canevas de données BigQuery génère une requête SQL semblable à la suivante :

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;

Dans l'exemple précédent, PROJECT_ID correspond à l'ID de votre projet Trusted Cloud .

Pour afficher les résultats de la requête, cliquez sur Exécuter.

Créer un graphique

Dans le canevas de données, cliquez sur Visualiser.
Cliquez sur Créer un graphique à barres.

Le canevas de données BigQuery crée un graphique à barres affichant le nombre maximal de kilomètres par ID de trajet. Outre la fourniture d'un graphique, le canevas de données BigQuery résume certains des détails clés des données à la base de la visualisation.
Facultatif : Effectuez l'une ou plusieurs des opérations suivantes :
- Pour modifier le graphique, cliquez sur Modifier, puis modifiez le graphique dans le volet Modifier la visualisation.
- Pour partager le canevas de données, cliquez sur Partager, puis sur Partager le lien pour copier le lien du canevas de données BigQuery.
- Pour nettoyer le canevas de données, sélectionnez Autres actions, puis Effacer le canevas. Cette étape permet d'obtenir un canevas vide.

Exemple de workflow : Joindre des tables

Dans cet exemple, vous utilisez des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher des données et joindre des tables. Vous allez ensuite exporter une requête sous forme de notebook.

Requête 1 : Trouver des données

Dans le champ de requête Langage naturel, saisissez la requête suivante :
```
Information about trees
```
Le canevas de données BigQuery suggère plusieurs tables contenant des informations sur les arbres.
Pour cet exemple, sélectionnez la table bigquery-public-data.new_york_trees.tree_census_1995, puis cliquez sur Ajouter au canevas.

La table s'affiche sur le canevas.

Requête 2 : Joindre les tables sur leur adresse

Sur le canevas de données, cliquez sur Joindre.

Le canevas de données BigQuery suggère des tables à joindre.
Pour ouvrir un nouveau champ de requête Langage naturel, cliquez sur Rechercher des tables.
Dans le champ de requête Langage naturel, saisissez la requête suivante :
```
Information about trees
```
Sélectionnez la table bigquery-public-data.new_york_trees.tree_census_2005, puis cliquez sur Ajouter au canevas.

La table s'affiche sur le canevas.
Sur le canevas de données, cliquez sur Joindre.
Dans la section Sur ce canevas, cochez la case Cellule de table, puis cliquez sur OK.

Dans le champ de requête Langage naturel, saisissez la requête suivante :

Join on address

Le canevas de données BigQuery suggère la requête SQL pour joindre ces deux tables sur leur adresse :

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;

Pour exécuter la requête et afficher les résultats, cliquez sur Exécuter.

Exporter la requête sous forme de notebook

Le canevas de données BigQuery vous permet d'exporter vos requêtes sous forme de notebook.

Dans le canevas de données, cliquez sur Exporter sous forme de notebook.
Dans le volet Enregistrer le notebook, saisissez le nom du notebook et la région dans laquelle vous souhaitez l'enregistrer.
Cliquez sur Enregistrer. Le notebook a bien été créé.
Facultatif : Pour afficher le notebook créé, cliquez sur Ouvrir.

Exemple de workflow : Modifier un graphique à l'aide d'une requête

Dans cet exemple, vous utilisez des requêtes en langage naturel dans le canevas de données BigQuery pour rechercher, interroger et filtrer des données, puis modifier les détails de la visualisation.

Requête 1 : Trouver des données

Pour rechercher des données concernant des noms américains, saisissez la requête suivante :
```
Find data about USA names
```
Le canevas de données BigQuery génère une liste de tables.
Pour cet exemple, sélectionnez la table bigquery-public-data.usa_names.usa_1910_current, puis cliquez sur Ajouter au canevas.

Requête 2 : Interroger les données

Pour interroger les données, cliquez sur Requête dans le canevas de données, puis saisissez la requête suivante :
```
Summarize this data
```
Le canevas de données BigQuery génère une requête semblable à la suivante :
```
SELECT
  state,
  gender,
  year,
  name,
  number
FROM
  `bigquery-public-data.usa_names.usa_1910_current`
```
Cliquez sur Exécuter. Les résultats de la requête s'affichent.

Requête 3 : Filtrer les données

Dans le canevas de données, cliquez sur Interroger ces résultats.
Pour filtrer les données, saisissez la requête suivante dans le champ de requête SQL :
```
Get me the top 10 most popular names in 1980
```
Le canevas de données BigQuery génère une requête semblable à la suivante :
```
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;
```
Lorsque vous exécutez la requête, vous obtenez une table contenant les 10 prénoms d'enfants nés en 1980 les plus populaires.

Créer et modifier un graphique

Dans le canevas de données, cliquez sur Visualiser.

Le canevas de données BigQuery suggère plusieurs options de visualisation, comme un graphique à barres, un graphique à secteurs, un graphique en courbes et une visualisation personnalisée.
Pour cet exemple, cliquez sur Créer un graphique à barres.

Le canevas de données BigQuery crée un graphique à barres semblable à celui-ci :

Outre la fourniture d'un graphique, le canevas de données BigQuery résume certains des détails clés des données à la base de la visualisation. Vous pouvez modifier le graphique en cliquant sur Détails de la visualisation et en modifiant votre graphique dans le panneau latéral.

Requête 4 : Modifier les détails de la visualisation

Dans le champ de requête Visualisation, saisissez les éléments suivants :
```
Create a bar chart sorted high to low, with a gradient
```
Le canevas de données BigQuery crée un graphique à barres semblable à celui-ci :
Facultatif : Pour apporter des modifications supplémentaires, cliquez sur Modifier.

Le volet Modifier la visualisation s'affiche. Vous pouvez modifier des détails tels que le titre du graphique, le nom de l'axe des abscisses et le nom de l'axe des ordonnées. De plus, si vous cliquez sur l'onglet Éditeur JSON, vous pouvez modifier directement le graphique en fonction des valeurs JSON.

Travailler avec un assistant Gemini

Vous pouvez utiliser une expérience de chat optimisée par Gemini pour travailler avec le canevas de données BigQuery. L'assistant de chat peut créer des nœuds en fonction de vos demandes, exécuter des requêtes et créer des visualisations. Vous pouvez choisir les tables avec lesquelles l'assistant doit travailler et ajouter des instructions pour orienter son comportement. L'assistant fonctionne avec les canevas de données nouveaux ou existants.

Pour travailler avec l'assistant Gemini, procédez comme suit :

Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
Dans le champ Poser une question sur les données, saisissez une requête en langage naturel, par exemple l'une des suivantes :
- 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.
La réponse inclut un ou plusieurs nœuds en fonction de la requête. Par exemple, si vous demandez à l'assistant de créer un graphique de vos données, il crée un nœud de visualisation sur le canevas de données.

Lorsque vous cliquez sur le champ Poser une question sur les données, vous pouvez également effectuer les actions suivantes :
- Pour ajouter des données, cliquez sur Paramètres.
- Pour ajouter des instructions, cliquez sur Paramètres.
Pour continuer à travailler avec l'assistant, ajoutez d'autres requêtes en langage naturel.

Vous pouvez continuer à créer des requêtes en langage naturel lorsque vous travaillez avec le canevas de données.

Ajouter des données

Lorsque vous utilisez l'interface de chat Gemini, vous pouvez ajouter des données pour que l'assistant sache à quel ensemble de données se référer. L'assistant vous demande de sélectionner un tableau avant d'exécuter des requêtes. Lorsque vous recherchez des données dans l'assistant, vous pouvez limiter le champ d'application des données pouvant être recherchées à tous les projets, aux projets favoris ou à votre projet actuel. Vous pouvez également choisir d'inclure ou non les ensembles de données publics dans votre recherche.

Pour ajouter des données à l'assistant Gemini :

Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
Cliquez sur Paramètres, puis sur Ajouter des données.
Facultatif : Pour étendre les résultats de recherche aux ensembles de données publics, cliquez sur le bouton Ensembles de données publics pour l'activer.
Facultatif : Pour modifier le champ d'application des résultats de recherche et l'étendre à d'autres projets, sélectionnez l'option de projet appropriée dans le menu Champ d'application.
Cochez la case correspondant à chacune des tables que vous souhaitez ajouter à l'assistant.
1. Pour rechercher des tables qui ne sont pas suggérées par l'assistant, cliquez sur Rechercher des tables.
2. Dans le champ de requête Langage naturel, saisissez une requête décrivant le tableau que vous recherchez, puis appuyez sur Entrée.
3. Cochez la case correspondant à chacune des tables que vous souhaitez ajouter à l'assistant, puis cliquez sur OK.
Fermez le volet Paramètres de l'Assistant Canvas.

L'assistant base son analyse sur les données que vous choisissez.

Ajouter des instructions

Lorsque vous travaillez avec l'interface de chat Gemini, vous pouvez ajouter des instructions pour que l'assistant sache comment se comporter. Ces instructions s'appliquent à toutes les requêtes du canevas de données. Voici quelques exemples d'instructions potentielles :

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

Pour ajouter des instructions à l'assistant :

Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
Cliquez sur Paramètres.
Dans le champ Instructions, ajoutez une liste d'instructions pour l'assistant, puis fermez le volet Paramètres de l'assistant Canvas.

L'assistant mémorise les instructions et les applique aux futures requêtes.

Bonnes pratiques concernant l'assistant Gemini

Pour obtenir les meilleurs résultats lorsque vous utilisez l'assistant du canevas de données BigQuery, suivez ces bonnes pratiques :

Soyez précis et univoque. Indiquez clairement ce que vous souhaitez calculer, analyser ou visualiser. Par exemple, au lieu de Analyze trip data, dites Calculate the average trip duration for trips starting in council district eight.
Assurez-vous que le contexte des données est précis. L'assistant ne peut travailler qu'avec les données que vous lui fournissez. Assurez-vous que toutes les tables et colonnes pertinentes ont été ajoutées au canevas.
Commencez simplement, puis itérez. Commencez par une question simple pour vous assurer que l'assistant comprend la structure et les données de base. Par exemple, dites d'abord Show total trips by subscriber_type, puis Show total trips by subscriber_type and break down the result by council_district.
Décomposez les questions complexes. Pour les processus en plusieurs étapes, pensez à formuler clairement votre requête en la divisant en plusieurs parties distinctes ou en utilisant des requêtes distinctes pour chaque étape principale. Par exemple, dites 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.
Indiquez clairement les calculs. Spécifiez le calcul choisi, par exemple SUM, MAX ou AVERAGE. Par exemple, dites Find the MAX trip duration per bike_id.
Utilisez les instructions système pour conserver le contexte et les préférences. Utilisez les instructions système pour indiquer les règles d'information et les préférences qui s'appliquent à toutes les requêtes.
Examinez le canevas. Vérifiez toujours les nœuds générés pour vous assurer que la logique correspond à votre demande et que les résultats sont exacts.
Test Essayez différentes formulations, différents niveaux de détail et différentes structures de requêtes pour comprendre comment l'assistant répond à vos besoins spécifiques en termes de données et d'analyse.
Noms des colonnes de référence. Dans la mesure du possible, utilisez les noms de colonnes réels des données sélectionnées. Par exemple, au lieu de Show trips by subscriber type, dites Show the count of trips grouped by subscriber_type and start_station_name.

Exemple de workflow : travailler avec un assistant Gemini

Dans cet exemple, vous utilisez des requêtes en langage naturel avec l'assistant Gemini pour rechercher, interroger et visualiser des données.

Dans la console Trusted Cloud , accédez à la page BigQuery.

Accéder à BigQuery
Dans l'éditeur de requête, à côté de Requête SQL, cliquez sur Créer, puis sur Tableau de données.
Cliquez sur Rechercher des données.
Cliquez sur filter_list Modifier les filtres de recherche, puis, dans le volet Filtrer la recherche, cliquez sur le bouton d'activation Ensembles de données publics BigQuery pour l'activer.
Dans le champ de requête Langage naturel, saisissez la requête en langage naturel suivante :
```
bikeshare
```
Le canevas de données BigQuery génère une liste de tables potentielles basées sur les métadonnées Dataplex Universal Catalog. Vous pouvez sélectionner plusieurs tables.
Sélectionnez les tables bigquery-public-data.austin_bikeshare.bikeshare_stations et bigquery-public-data.austin_bikeshare.bikeshare_trips, puis cliquez sur Ajouter au canevas.

Un nœud de table est ajouté pour chacune des tables sélectionnées au canevas de données BigQuery. Pour afficher les informations du schéma, les détails de la table ou prévisualiser les données, sélectionnez les différents onglets du nœud de table.
Pour ouvrir l'assistant, cliquez sur spark Ouvrir l'assistant Data Canvas dans le canevas de données.
Cliquez sur Paramètres.

Dans le champ Instructions, ajoutez les instructions suivantes pour l'assistant :

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

Fermez le volet Paramètres de l'Assistant Canvas.
Dans le champ Poser une question sur les données, saisissez la requête en langage naturel suivante :
```
Show the number of trips by council district and subscriber type
```
Vous pouvez continuer à saisir des requêtes dans le champ Poser une question sur les données. Saisissez la requête en langage naturel suivante :
```
What are most popular stations among the top 5 subscriber types
```
Saisissez la requête finale :
```
What station is least used to start and end a trip
```
Une fois que vous avez posé toutes les questions pertinentes, votre canevas est rempli avec les nœuds de requête et de visualisation appropriés en fonction des requêtes et des instructions que vous avez données à l'assistant. Continuez à saisir des requêtes ou à modifier celles existantes pour obtenir les résultats souhaités.

Afficher tous les canevas de données

Pour afficher la liste de tous les canevas de données de votre projet, procédez comme suit :

Dans la console Trusted Cloud , accédez à la page BigQuery.

Accéder à BigQuery
Dans le volet Explorateur, cliquez sur Afficher les actions à côté de Canevas de données, puis effectuez l'une des opérations suivantes :

Pour ouvrir la liste dans l'onglet actuel, cliquez sur Tout afficher.
Pour ouvrir la liste dans un nouvel onglet, cliquez sur Tout afficher dans > Nouvel onglet.
Pour ouvrir la liste dans un onglet divisé, cliquez sur Tout afficher dans > Diviser l'onglet.

Afficher les métadonnées du canevas de données

Pour afficher les métadonnées du canevas de données, procédez comme suit :

Dans la console Trusted Cloud , accédez à la page BigQuery.

Accéder à BigQuery
Dans le volet Explorateur, développez votre projet et le dossier Canevas de données, puis, si nécessaire, le dossier Canevas de données partagés. Cliquez sur le nom du canevas de données dont vous souhaitez afficher les métadonnées.
Consultez le volet Résumé pour afficher des informations sur le canevas de données, telles que la région qu'elle utilise et la date de sa dernière modification.

Utiliser les versions du canevas de données

Vous pouvez choisir de créer un canevas de données à l'intérieur ou à l'extérieur d'un dépôt. La gestion des versions du canevas de données varie selon son emplacement.

Gestion des versions des canevas de données dans les dépôts

Les dépôts sont des dépôts Git qui résident dans BigQuery ou chez un fournisseur tiers. Vous pouvez utiliser des espaces de travail dans les dépôts pour effectuer le contrôle des versions sur les canevas de données. Pour en savoir plus, consultez Utiliser le contrôle des versions avec un fichier.

Gestion des versions des canevas de données en dehors des dépôts

Vous pouvez afficher, comparer et restaurer les versions d'un canevas de données.

Afficher et comparer les versions du canevas de données

Pour afficher différentes versions d'un canevas de données et les comparer à la version actuelle, procédez comme suit :

Dans la console Trusted Cloud , accédez à la page BigQuery.

Accéder à BigQuery
Dans le volet Explorateur, développez votre projet et le dossier Canevas de données, puis, si nécessaire, le dossier Canevas de données partagés. Cliquez sur le nom du canevas de données dont vous souhaitez afficher l'activité.
Cliquez sur Historique des versions pour afficher la liste des versions du canevas de données par ordre décroissant de date.
Cliquez sur Afficher les actions à côté d'une version de canevas de données, puis sur Comparer. Le volet de comparaison s'ouvre. Il compare la version du canevas de données que vous avez sélectionnée avec la version actuelle du canevas de données.
(Facultatif) Pour comparer les versions de manière intégrée plutôt que dans des volets distincts, cliquez sur Comparer, puis sur Intégré.

Restaurer une version d'un canevas de données

La restauration à partir du volet de comparaison vous permet de comparer la version précédente du canevas de données à la version actuelle avant de la restaurer.

Dans le volet Explorateur, développez votre projet et le dossier Canevas de données, puis, si nécessaire, le dossier Canevas de données partagés. Cliquez sur le nom du canevas de données dont vous souhaitez restaurer une version précédente.
Cliquez sur Historique des versions.
Cliquez sur Afficher les actions à côté de la version du canevas de données que vous souhaitez restaurer, puis sur Comparer.

Le volet de comparaison s'ouvre. Il compare la version du canevas de données que vous avez sélectionnée avec la dernière version du canevas de données.
Pour restaurer la version précédente du canevas de données après la comparaison, cliquez sur Restaurer.
Cliquez sur Confirmer.

Gérer les métadonnées dans Dataplex Universal Catalog

Dataplex Universal Catalog vous permet d'afficher et de gérer les métadonnées des canevas de données. Les canevas de données sont disponibles dans Dataplex Universal Catalog par défaut, sans configuration supplémentaire.

Vous pouvez utiliser Dataplex Universal Catalog pour gérer les canevas de données dans tous les emplacements BigQuery. La gestion des canevas de données dans Dataplex Universal Catalog est soumise aux quotas et limites de Dataplex Universal Catalog et aux tarifs de Dataplex Universal Catalog.

Dataplex Universal Catalog récupère automatiquement les métadonnées suivantes à partir des canevas de données :

Nom de l'élément de données
Parent de l'élément de données
Emplacement de l'élément de données
Type d'élément de données
Projet Trusted Cloud correspondant

Dataplex Universal Catalog enregistre les canevas de données en tant qu'entrées avec les valeurs d'entrée suivantes :

Groupe d'entrées système: Le groupe d'entrées système pour les canevas de données est @dataform. Pour afficher les détails des entrées du canevas de données dans Dataplex Universal Catalog, vous devez afficher le groupe d'entrées système dataform. Pour savoir comment afficher la liste de toutes les entrées d'un groupe d'entrées, consultez Afficher les détails d'un groupe d'entrées dans la documentation Dataplex Universal Catalog.
Type d'entrée système: Le type d'entrée système pour les canevas de données est dataform-code-asset. Pour afficher les détails des canevas de données, vous devez afficher le type d'entrée système dataform-code-asset, filtrer les résultats avec un filtre basé sur les aspects et définir le champ type dans l'aspect dataform-code-asset sur DATA_CANVAS. Sélectionnez ensuite une entrée du canevas de données sélectionné. Pour savoir comment afficher les détails d'un type d'entrée sélectionné, consultez Afficher les détails d'un type d'entrée dans la documentation Dataplex Universal Catalog. Pour savoir comment afficher les détails d'une entrée sélectionnée, consultez Afficher les détails d'une entrée dans la documentation Dataplex Universal Catalog.
Type d'aspect du système: Le type d'aspect système des canevas de données est dataform-code-asset. Pour fournir un contexte supplémentaire aux canevas de données dans Dataplex Universal Catalog en annotant les entrées de canevas de données avec des aspects, affichez le type d'aspect dataform-code-asset, filtrez les résultats avec un filtre basé sur les aspects et définissez le champ type dans l'aspect dataform-code-asset sur DATA_CANVAS. Pour savoir comment annoter des entrées avec des aspects, consultez Gérer les aspects et enrichir les métadonnées dans la documentation Dataplex Universal Catalog.
Type: Le type de canevas de données est DATA_CANVAS. Ce type vous permet de filtrer les canevas de données dans le type d'entrée système dataform-code-asset et le type d'aspect dataform-code-asset à l'aide de la requête aspect:dataplex-types.global.dataform-code-asset.type=DATA_CANVAS dans un filtre basé sur les aspects.

Pour savoir comment rechercher des composants dans Dataplex Universal Catalog, consultez Rechercher des éléments de données dans Dataplex Universal Catalog dans la documentation Dataplex Universal Catalog.

Tarifs

Pour en savoir plus sur les tarifs de cette fonctionnalité, consultez la section Présentation des tarifs de Gemini dans BigQuery.

Quotas et limites

Pour en savoir plus sur les quotas et les limites de cette fonctionnalité, consultez la page Quotas pour Gemini dans BigQuery.

Emplacements

Vous pouvez utiliser le canevas de données BigQuery dans tous les emplacements BigQuery. Gemini dans BigQuery fonctionne à l'échelle mondiale. Vous ne pouvez donc pas limiter le traitement des données à une région spécifique. Pour en savoir plus sur les emplacements où Gemini dans BigQuery traite les données, consultez Emplacements de diffusion de Gemini.

Fournir des commentaires

Vous pouvez nous aider à améliorer les suggestions du canevas de données BigQuery en envoyant vos commentaires à Google. Pour envoyer des commentaires, procédez comme suit :

Dans la barre d'outils de la console Trusted Cloud , cliquez sur Envoyer des commentaires.
Facultatif : Pour copier les informations JSON du DAG afin de fournir davantage de contexte à vos commentaires, cliquez sur Copier.
Pour remplir le formulaire et nous faire part de vos commentaires, cliquez sur Formulaire.

Les paramètres de partage des données s'appliquent à l'ensemble du projet et ne peuvent être définis que par un administrateur du projet disposant des autorisations IAM serviceusage.services.enable et serviceusage.services.list. Pour en savoir plus sur l'utilisation des données dans le programme Testeur de confiance, consultez Programme Testeur de confiance de Gemini pour Trusted Cloud by S3NS .

Pour nous faire directement part de vos commentaires sur cette fonctionnalité, vous pouvez également nous contacter à l'adresse datacanvas-feedback@google.com.

Étapes suivantes

Découvrez comment écrire des requêtes avec l'assistance Gemini.
Apprenez à créer des notebooks.
Découvrez comment générer des requêtes en langage naturel sur vos données grâce aux insights sur les données.