יצירת תובנות לגבי טבלה

במאמר הזה מוסבר איך ליצור תובנות לגבי טבלאות ב-BigQuery, טבלאות BigLake וטבלאות חיצוניות. תובנות לגבי טבלאות עוזרות לכם להבין את הנתונים בטבלה מסוימת באמצעות יצירת שאלות בשפה טבעית ושאילתות SQL על סמך מטא-נתונים של הטבלה.

תובנות לגבי טבלאות יכולות לעזור לכם לנתח נתונים במהירות. בעזרתן תוכלו להבין את המבנה והתוכן של טבלה חדשה או לא מוכרת בלי לכתוב שאילתות מורכבות. אפשר גם ליצור שאילתות SQL על סמך שאלות בשפה טבעית, וכך לחסוך זמן ומאמץ בכתיבת שאילתות באופן ידני. תובנות לגבי טבלאות יכולות לעזור גם למשתמשים שלא מבינים ב-SQL להבין ולנתח נתונים באמצעות שאילתות בשפה טבעית.

סקירה כללית על תובנות לגבי טבלאות ומערכי נתונים

מצבים ליצירת תובנות לגבי נתוני טבלה

כשמפיקים תובנות לגבי טבלה, BigQuery מספק שני מצבים:

מצב תיאור Usage
יצירה ופרסום (תצוגה מקדימה)

שומר את התובנות שנוצרו לגבי הטבלה ב-Knowledge Catalog כהיבטים של מטא-נתונים. צריכות להיות לכם ההרשאות הנדרשות לפרסום. כשמשתמשים באפשרות יצירה ופרסום, מתבצעות הפעולות הבאות:

  • מאחסן תיאורים של טבלאות ועמודות ב-Knowledge Catalog.
  • התכונה הזו מאפשרת לשמור הצעות לשאילתות ולשאלות כהיבטים שאפשר לעשות בהם שימוש חוזר.
  • התובנות שפורסמו יהיו נגישות לכל המשתמשים שיש להם גישה מתאימה ל-Knowledge Catalog, וכך הידע הארגוני יהיה משותף.
  • אפשר לערוך ולשמור תיאורים ישירות ב-Knowledge Catalog.

משתמשים במצב הזה לתיעוד נתונים בכל הארגון שנשמר וניתן לשימוש חוזר, או כשיוצרים תהליכי עבודה של ניהול שמבוססים על קטלוג.
יצירה ללא פרסום

יצירת תובנות לגבי טבלאות, כמו תיאורים, שאלות בשפה טבעית ושאילתות SQL על פי דרישה. האפשרות יצירה ללא פרסום לא מפרסמת תובנות ב-Knowledge Catalog.

משתמשים במצב הזה כדי לבצע במהירות מחקר אד-הוק, וכך להימנע מעומס בנתוני הקטלוג.

לפני שמתחילים

התובנות מנתונים נוצרות באמצעות Gemini ב-BigQuery. כדי להתחיל ליצור תובנות, קודם צריך להגדיר את Gemini ב-BigQuery.

הפעלת ממשקי ה-API

כדי להשתמש בתובנות לגבי נתונים, צריך להפעיל את ממשקי ה-API הבאים בפרויקט: Dataplex API,‏ BigQuery API ו-Gemini for Google Cloud API.

תפקידים שנדרשים להפעלת ממשקי API

כדי להפעיל ממשקי API, צריך את תפקיד ה-IAM 'אדמין של Service Usage' (roles/serviceusage.serviceUsageAdmin), שכולל את ההרשאה serviceusage.services.enable. איך מקצים תפקידים

הפעלת ממשקי ה-API

מידע נוסף על הפעלת Gemini for Google Cloud API זמין במאמר בנושא הפעלת Gemini for Google Cloud API בפרויקט. Cloud de Confiance

תפקידים והרשאות

כדי ליצור תובנות לגבי נתונים, לנהל אותן ולאחזר אותן, צריך לבקש מהאדמין להקצות לכם את התפקידים הבאים בניהול זהויות והרשאות גישה (IAM):

כדי לקבל גישת קריאה בלבד לתובנות שנוצרו, צריך לבקש מהאדמין להקצות לכם את תפקיד ה-IAM הבא:

  • Dataplex DataScan DataViewer (roles/dataplex.dataScanDataViewer) בפרויקט שמכיל את הטבלאות ב-BigQuery שרוצים לראות לגביהן תובנות.

כדי לפרסם תובנות לגבי נתונים ב-Knowledge Catalog, צריך לבקש מהאדמין להקצות לכם את תפקידי ה-IAM הבאים במשאב:

כדי להפעיל ממשקי API, צריך לבקש מהאדמין להקצות לכם את תפקיד ה-IAM הבא:

כדי לקרוא הסבר על מתן תפקידים, קראו איך מנהלים את הגישה ברמת הפרויקט, התיקייה והארגון.

יכול להיות שתוכלו לקבל את ההרשאות הנדרשות גם באמצעות תפקידים בהתאמה אישית או תפקידים מוגדרים מראש אחרים. כדי לראות בדיוק אילו הרשאות נדרשות ליצירת תובנות, אפשר להרחיב את הקטע ההרשאות הנדרשות:

ההרשאות הנדרשות

  • bigquery.jobs.create
  • bigquery.tables.get
  • bigquery.tables.getData
  • dataplex.datascans.create
  • dataplex.datascans.get
  • dataplex.datascans.getData
  • dataplex.datascans.run

יצירת תובנות לגבי טבלה ב-BigQuery

כדי ליצור תובנות לגבי טבלאות ב-BigQuery, אפשר להשתמש במסוףCloud de Confiance או בסוג הסריקה DATA_DOCUMENTATION שנתמך על ידי DataScans API של Knowledge Catalog. הסריקות האלה יוצרות מטא-נתונים, שאילתות SQL לחיפוש נתונים, תיאורי סכימות וסיכומים ברמת הטבלה.

המסוף

כדי ליצור תובנות לגבי טבלה ב-BigQuery, צריך לגשת לרשומה של הטבלה ב-BigQuery באמצעות BigQuery Studio.

  1. במסוף Cloud de Confiance , עוברים אל BigQuery Studio.

    כניסה ל-BigQuery Studio

  2. בחלונית Explorer, בוחרים את הפרויקט, מערך הנתונים והטבלה שרוצים ליצור לגביהם תובנות.

  3. לוחצים על הכרטיסייה תובנות. אם הכרטיסייה ריקה, המשמעות היא שהתובנות לגבי הטבלה הזו עדיין לא נוצרו.

  4. כדי ליצור תובנות ולפרסם אותן ב-Knowledge Catalog, לוחצים על יצירה ופרסום (תצוגה מקדימה).

    כדי ליצור תובנות בלי לפרסם אותן ב-Knowledge Catalog, לוחצים על יצירה ללא פרסום.

    מידע נוסף על ההבדלים בין המצבים יצירה ופרסום ויצירה ללא פרסום זמין במאמר מצבים ליצירת תובנות.

  5. בוחרים אזור כדי ליצור תובנות ולוחצים על יצירה.

    יחלפו כמה דקות עד שהתובנות יופיעו.

    אם יש תוצאות של פרופיל נתונים שפורסמו לגבי הטבלה, המערכת משתמשת בהן כדי ליצור תובנות. אחרת, התובנות נוצרות על סמך שמות העמודות והתיאורים שלהן. מידע נוסף זמין במאמר בנושא שיטות מומלצות לשיפור התובנות שנוצרות.

  6. בכרטיסייה תובנות, מעיינים בשאלות שנוצרו בשפה טבעית.

  7. כדי לראות את שאילתת ה-SQL שעונה על שאלה, לוחצים על השאלה.

  8. כדי לפתוח שאילתה ב-BigQuery, לוחצים על Copy to Query (העתקה לשאילתה).

  9. כדי לשאול שאלות המשך:

    1. לוחצים על שליחת שאלת המשך. השאילתה תיפתח בקנבס נתונים חדש.

    2. לוחצים על Run ואז על Query these results.

    3. כדי לשאול שאילתת המשך, מזינים הנחיה בשדה ההנחיה שפה טבעית או עורכים את ה-SQL בעורך השאילתות.

  10. כדי ליצור קבוצה חדשה של שאילתות, לוחצים על יצירת תובנות ומפעילים מחדש את צינור הנתונים.

אחרי שיוצרים תובנות לגבי טבלה, כל מי שיש לו הרשאה dataplex.datascans.getData וגישה לטבלה יכול לראות את התובנות האלה.

REST

כדי ליצור תובנות באופן פרוגרמטי, משתמשים ב-DataScans API של Knowledge Catalog. כדי לעשות זאת, פועלים לפי השלבים הבאים:

  1. אופציונלי: יצירת סריקה של פרופיל הנתונים של הטבלה
  2. יצירת סריקת נתונים של תיעוד נתונים לטבלה ב-BigQuery
  3. בדיקת הסטטוס של סריקת תיעוד הנתונים
  4. פרסום התוצאות של סריקת תיעוד הנתונים בטבלה ב-BigQuery

אופציונלי: יצירת סריקה של פרופיל נתונים לטבלה

הסריקות של פרופיל הנתונים מצמצמות את ההזיות וההערכות של Gemini, כי הן מבססות את הפלט על ערכים אמיתיים שקיימים בנתונים.

כדי ליצור ולהפעיל סריקה של פרופיל נתונים:

  1. יוצרים סריקה של פרופיל נתונים באמצעות השיטה dataScans.create.

  2. מריצים את סריקת פרופיל הנתונים באמצעות השיטה dataScans.run. מחכים שההרצה תסתיים.

  3. כדי לפרסם את תוצאות הסריקה בטבלה ב-BigQuery, צריך לצרף לטבלה את התוויות הבאות של פרופיל הנתונים:

    • dataplex-dp-published-scan:DATASCAN_ID
    • dataplex-dp-published-project:PROJECT_ID
    • dataplex-dp-published-location:LOCATION

    מידע נוסף זמין במאמר הוספת תוויות לטבלאות ולתצוגות.

יצירת סריקת נתונים של תיעוד נתונים לטבלה ב-BigQuery

אתם יכולים לבחור להריץ סריקה מנוהלת רגילה או סריקה חד-פעמית יעילה.

אפשרות א': סריקה מנוהלת רגילה (יצירה והפעלה)

כדאי להשתמש בשיטה הזו אם רוצים לנהל את משאב הסריקה לאורך זמן.

  1. יוצרים סריקה של נתוני תיעוד נתונים באמצעות השיטה dataScans.create.

אפשר להתאים אישית את היקף היצירה כך שיכלול סכימה, תיאורים, שאילתות או שילוב של אלה באמצעות הפרמטר generation_scopes. אופציונלי: אפשר לפרסם את התובנות האלה ב-Knowledge Catalog על ידי הגדרת הפרמטר catalogPublishingEnabled לערך true.

  • כדי ליצור סכימה, תיאורי טבלאות ושאילתות SQL, משאירים את data_documentation_spec ריק או מגדירים את generation_scopes ל-ALL. לדוגמה:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "ALL"
      "catalogPublishingEnabled": true
    }
  }'

    מחליפים את מה שכתוב בשדות הבאים:

    • ‫PROJECT_ID: מזהה הפרויקט שבו נמצא מערך הנתונים Cloud de Confiance by S3NS
    • ‫LOCATION: האזור שבו מתבצעת סריקת הנתונים
    • ‫DATASCAN_ID: שם ייחודי שאתם מספקים לסריקה הזו
    • ‫DATASET_ID: המזהה של מערך הנתונים ב-BigQuery שנסרק
    • ‫TABLE_ID: המזהה של הטבלה ב-BigQuery שנסרקת

  • כדי ליצור את הסכימה, תיאורי הטבלאות ותיאורי העמודות, בלי שאילתות SQL, מגדירים את generation_scopes ל-TABLE_AND_COLUMN_DESCRIPTIONS. לדוגמה:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "TABLE_AND_COLUMN_DESCRIPTIONS"
      "catalogPublishingEnabled": true
    }
  }'

  • כדי ליצור שאילתות SQL בלי תיאורים, מגדירים את generation_scopes לערך SQL_QUERIES. לדוגמה:

      gcurl -X POST \
  https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
  dataScans?dataScanId=DATASCAN_ID \
  -d '{
    "data": {
      "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/\
  datasets/DATASET_ID/tables/TABLE_ID"
    },
    "executionSpec": {
      "trigger": { "onDemand": {} }
    },
    "type": "DATA_DOCUMENTATION",
    "dataDocumentationSpec": {
      "generationScopes": "SQL_QUERIES"
      "catalogPublishingEnabled": true
    }
  }'

  1. מתחילים את משימת הסריקה של תיעוד הנתונים באמצעות השיטה dataScans.run.

    לדוגמה:

    gcurl -X POST \
https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/\
dataScans/DATASCAN_ID:run

    הבקשה הזו מחזירה מזהה עבודה ייחודי יחד עם המצב הראשוני.

אפשרות ב': סריקה חד-פעמית (פשוטה)

משתמשים בשיטה הזו כדי להתחיל סריקה ולהשלים אותה בקריאה אחת ל-API. השיטה הזו מבטלת את הצורך להפעיל את השיטה run בנפרד, ומאפשרת מחיקה אוטומטית של משאב הסריקה באמצעות פונקציונליות של זמן חיים (TTL).

יוצרים את הסריקה ומפעילים אותה באמצעות ה-method‏ dataScans.create. לדוגמה:

gcurl -X POST \
"https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans?\
dataScanId=DATASCAN_ID" \
-d '{
  "data": {
    "resource": "//bigquery.googleapis.com/projects/PROJECT_ID/datasets/DATASET_ID/\
    tables/TABLE_ID"
  },
  "type": "DATA_DOCUMENTATION",
  "dataDocumentationSpec": {
    "generationScopes": "ALL",
    "catalogPublishingEnabled": true
  }
  "executionSpec": {
    "trigger": {
      "one_time": {
        "ttl_after_scan_completion": { "seconds": TTL_TIME }
      }
    }
  }
}'

מחליפים את מה שכתוב בשדות הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט שבו נמצא מערך הנתונים Cloud de Confiance by S3NS
  • ‫LOCATION: האזור שבו מתבצעת סריקת הנתונים
  • ‫DATASCAN_ID: שם ייחודי שאתם מספקים לסריקה הזו
  • ‫DATASET_ID: המזהה של מערך הנתונים ב-BigQuery שנסרק
  • ‫TABLE_ID: המזהה של טבלת BigQuery שנסרקת
  • ‫TTL_TIME: משך הזמן בשניות שלאחריו משאב הסריקה יימחק אוטומטית (לדוגמה, 3600 לשעה אחת)

בדיקת סטטוס הסריקה של תיעוד הנתונים

בודקים שהרצת עבודת הסריקה הסתיימה באמצעות השיטה dataScans.get.

משתמשים במזהה המשימה כדי לאחזר את הסטטוס שלה. לדוגמה:

gcurl -X GET https://dataplex.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/dataScans/DATASCAN_ID/jobs/JOB_ID

הפעולה מסתיימת כשהסטטוס הוא SUCCEEDED או FAILURE.

פרסום התוצאות של סריקת תיעוד הנתונים בטבלה ב-BigQuery

כדי לפרסם את תוצאות הסריקה בטבלה ב-BigQuery, צריך לצרף לטבלה את התוויות הבאות של תיעוד הנתונים:

  • dataplex-data-documentation-published-scan:DATASCAN_ID
  • dataplex-data-documentation-published-project:PROJECT_ID
  • dataplex-data-documentation-published-location:LOCATION

יצירת תובנות לגבי טבלה חיצונית ב-BigQuery

התובנות מנתונים ב-BigQuery תומכות ביצירת תובנות לגבי טבלאות חיצוניות ב-BigQuery עם נתונים ב-Cloud Storage. לכם ולחשבון השירות של Knowledge Catalog בפרויקט הנוכחי צריכה להיות ההרשאה של התפקיד Storage Object Viewer (roles/storage.objectViewer) בקטגוריה של Cloud Storage שמכילה את הנתונים. מידע נוסף זמין במאמר הוספת חשבון משתמש למדיניות ברמת הקטגוריה.

כדי ליצור תובנות לגבי טבלה חיצונית ב-BigQuery, פועלים לפי ההוראות שבקטע יצירת תובנות לגבי טבלה ב-BigQuery במאמר הזה.

יצירת תובנות לגבי טבלה ב-BigLake

כדי ליצור תובנות לגבי טבלת BigLake, פועלים לפי השלבים הבאים:

  1. מפעילים את BigQuery Connection API בפרויקט.

    הפעלת BigQuery Connection API

  2. יוצרים חיבור ל-BigQuery. מידע נוסף מופיע במאמר בנושא ניהול קישורים.

  3. מקצים לחשבון השירות שמתאים לחיבור BigQuery שיצרתם את התפקיד 'צפייה באובייקט אחסון' (roles/storage.objectViewer) ב-IAM.

    אפשר לאחזר את מזהה חשבון השירות מפרטי החיבור.

  4. כדי ליצור תובנות, פועלים לפי ההוראות שבקטע יצירת תובנות לגבי טבלה ב-BigQuery במאמר הזה.

יצירת תיאורים של טבלאות ועמודות

כשמפיקים תובנות מנתונים, Gemini ב-BigQuery יוצר באופן אוטומטי תיאורים של טבלאות ועמודות. אפשר לערוך את התיאורים האלה לפי הצורך, ואז לשמור אותם במטא-נתונים של הטבלה. התיאורים השמורים משמשים ליצירת תובנות עתידיות.

שליטה בשפת היצירה

אתם יכולים להנחות את Gemini ליצור תיאורים של טבלאות ועמודות בשפה ספציפית. כדי לעשות את זה, מוסיפים הנחיה קצרה (לדוגמה, 'יצירת תיאורים לטבלה ולעמודות באמצעות השפה הצרפתית') לתיאור הקיים של הטבלה לפני שיוצרים את התובנות לגבי הנתונים.

כשמפיקים תובנות, Gemini מפרש את ההנחיה הזו ומפיק את המטא-נתונים בשפה המבוקשת. המנגנון הזה פועל כי Gemini משתמש בתיאורים קיימים של טבלאות בתור הקשר כשהוא יוצר תיאורים חדשים.

כאן אפשר לעיין ברשימת השפות הנתמכות ב-Gemini.

יצירת תיאורים

כדי ליצור תיאורים של טבלאות ועמודות:

  1. כדי ליצור תובנות, פועלים לפי ההוראות שמתוארות בקטע הרלוונטי במסמך הזה:

  2. לוחצים על הכרטיסייה סכימה.

  3. לוחצים על הצגת תיאורים של עמודות.

    מוצגים תיאור הטבלה ותיאורי העמודות שנוצרו.

  4. כדי לערוך ולשמור את תיאור הטבלה שנוצר:

    1. בקטע תיאור הטבלה, לוחצים על שמירה בפרטים.

    2. כדי להחליף את התיאור הנוכחי בתיאור שנוצר, לוחצים על העתקת התיאור המוצע.

    3. עורכים את תיאור הטבלה לפי הצורך ולוחצים על שמירה בפרטים.

      תיאור הטבלה מתעדכן באופן מיידי.

  5. כדי לערוך ולשמור את תיאורי העמודות שנוצרו:

    1. בקטע תיאורי עמודות, לוחצים על שמירה בסכימה.

      תיאורי העמודות שנוצרו מאוכלסים בשדה תיאור חדש של כל עמודה.

    2. עורכים את תיאורי העמודות לפי הצורך ולוחצים על שמירה.

      תיאורי העמודות מתעדכנים באופן מיידי.

  6. כדי לסגור את חלונית התצוגה המקדימה, לוחצים על סגירה.

שיטות מומלצות ליצירת תובנות לגבי נתונים

כדי לשפר את הדיוק של התובנות שנוצרו על ידי AI, כדאי לפעול לפי ההמלצות הבאות:

  • חשוב לספק תיאורים מקיפים. חשוב לוודא שלטבלאות ולעמודות במערך הנתונים יש תיאורים ברורים ומפורטים.

  • תובנות לגבי הקרקע באמצעות פרופילים. אם אין תיאורים, צריך לוודא שסריקת פרופיל מקושרת לכל טבלה במערך הנתונים כדי לעזור בהארקה של התובנות שנוצרו.

  • הגדרת כללים באופן מפורש. צריך לכלול את כל הקשרים או הלוגיקה העסקית שמשמשים את מודול התובנות כדי להשפיע על יצירת הקשרים בתיאור של הטבלה הרלוונטית.

התובנות מבוססות על תוצאות של יצירת פרופילים של נתונים

ב-AI גנרטיבי, ביסוס הוא היכולת לקשר בין פלט של מודל לבין מקורות מידע שאפשר לאמת. אפשר להשתמש בתוצאות של פרופיל הנתונים כדי להסביר את התובנות שנוצרו לגבי הטבלה. יצירת פרופיל נתונים מנתחת את העמודות בטבלאות שלכם ב-BigQuery ומזהה מאפיינים סטטיסטיים נפוצים, כמו ערכי נתונים אופייניים ופיזור נתונים.

כשיוצרים סריקה של פרופיל נתונים לטבלה, אפשר לבחור לפרסם את תוצאות הסריקה בדפים BigQuery ו-Knowledge Catalog במסוף Cloud de Confiance . התובנות מתבססות על תוצאות של פרופיל נתונים כדי ליצור שאילתות מדויקות ורלוונטיות יותר. לשם כך, המערכת מבצעת את הפעולות הבאות:

  1. מנתח את התוצאות של פרופיל הנתונים כדי לזהות דפוסים מעניינים, מגמות או חריגים בנתונים.

  2. יוצר שאילתות שמתמקדות בדפוסים, במגמות או בערכים החריגים האלה כדי לחשוף תובנות.

  3. מאמת את השאילתות שנוצרו מול תוצאות פרופיל הנתונים כדי לוודא שהן מחזירות תוצאות משמעותיות.

אם לא מריצים סריקות של פרופיל הנתונים, יקרו הדברים הבאים:

  • יש סיכוי גבוה יותר שהשאילתות שנוצרות יכללו סעיפים לא מדויקים או יניבו תוצאות חסרות משמעות.

  • תיאורי העמודות שנוצרו מבוססים רק על שם העמודה.

מוודאים שסריקת פרופיל הנתונים של הטבלה עדכנית ושהתוצאות מתפרסמות ב-BigQuery.

אתם יכולים לשנות את ההגדרות של פרופיל הנתונים כדי להגדיל את גודל הדגימה ולסנן שורות ועמודות. אחרי שמריצים סריקה חדשה של פרופיל הנתונים, צריך ליצור מחדש את התובנות.

גם איכות התובנות לגבי מערך הנתונים משתפרת באופן משמעותי אם בטבלאות במערך הנתונים יש תוצאות של פרופיל נתונים.

הוספת תיאור לטבלה

תיאורים מפורטים של הטבלאות שבהן אתם רוצים לנתח את הנתונים יכולים לעזור ל-Gemini ב-BigQuery להפיק תובנות רלוונטיות יותר לגבי הטבלה ומערך הנתונים. אחרי שמוסיפים תיאור לטבלה, צריך ליצור מחדש את התובנות.

לדוגמה, אפשר להוסיף את התיאור הבא לטבלת telco_churn כמו זו שמופיעה בדוגמה לתובנות לגבי נתוני טבלה:

This table tracks customer churn data, including subscription details, tenure,
and service usage, to predict customer churn behavior.

אם שומרים את תיאור הטבלה שנוצר על ידי Gemini, התיאור הזה ישמש ליצירת תובנות עתידיות.

הוספת תיאור לעמודה

תיאורים של עמודות שמסבירים מהי כל עמודה או איך עמודה אחת קשורה לעמודה אחרת יכולים לשפר את איכות התובנות שלכם לגבי הטבלה וגם לגבי מערך הנתונים. אחרי שמעדכנים את תיאורי העמודות בטבלה, צריך ליצור מחדש את התובנות.

לדוגמה, אפשר להוסיף את התיאורים הבאים לעמודות ספציפיות בטבלת telco_churn כמו זו שמופיעה בדוגמה לתובנות לגבי נתוני טבלה:

בעמודה tenure:

The number of months the customer has been with the service.

בעמודה churn:

Whether the customer has stopped using the service. TRUE indicates the customer
no longer uses the service, FALSE indicates the customer is active.

אם שומרים את תיאורי העמודות ש-Gemini יוצר, התיאורים האלה ישמשו ליצירת תובנות עתידיות.

ניהול תובנות שנוצרו

אחרי שיוצרים תובנות לגבי טבלה, אפשר לנהל, לעדכן או למחוק אותן ב-Knowledge Catalog. מידע נוסף מופיע במאמר בנושא ניהול תובנות לגבי טבלאות.

המאמרים הבאים