– Los equipos de datos dedican tiempo a tareas repetitivas, como la ingesta y la manipulación de datos, y desean centrarse en análisis de mayor valor.
– Gemini en BigQuery proporciona experiencias impulsadas por IA para la preparación y el análisis de datos, lo que mejora la productividad del usuario y optimiza los costos.
– Las características de Gemini en BigQuery incluyen preparación de datos aumentada por IA, canales de datos visuales y asistencia de IA para mantener canales de datos.
El proceso de convertir datos en conocimientos puede llevar mucho tiempo y ser complejo para los equipos de datos, que a menudo dedican mucho tiempo a tareas repetitivas como la ingesta de datos, la discusión y la optimización de procesos. En Next ’23 y Next ’24, Google presentó Duet AI en BigQuery, que ahora ha evolucionado a Gemini en BigQuery. Gemini ofrece experiencias impulsadas por IA para la preparación, el análisis y la ingeniería de datos, así como recomendaciones inteligentes para aumentar la productividad y reducir los costos.
Con las nuevas funciones impulsadas por IA en Gemini en BigQuery, los equipos pueden extraer información valiosa de los datos de manera más eficiente. Las experiencias basadas en lenguaje natural, las herramientas de preparación de datos con poco código y la generación automática de código agilizan los flujos de trabajo de análisis, lo que permite a los profesionales de datos centrarse en proyectos de alto impacto. Esto también permite a los usuarios con distintos niveles de habilidades, incluidos los usuarios empresariales, acceder a información valiosa sobre los datos más fácilmente, fomentando una cultura basada en datos dentro de las organizaciones.
Gemini en BigQuery acelera la preparación de datos con IA, lo que ayuda a los usuarios a limpiar y analizar datos de diversas fuentes con formatos y errores inconsistentes. Los usuarios pueden crear canalizaciones de datos visuales con poco código o reconstruir canalizaciones heredadas en BigQuery, con la IA ayudando a identificar y resolver problemas como el esquema o la deriva de datos. Esto reduce la carga de mantenimiento asociada con las canalizaciones de datos y, al mismo tiempo, proporciona administración integrada de metadatos, linaje de datos y administración de capacidad dentro de BigQuery.
