BLOGS

BigQuery Data Canvas ลองใช้ Gemini หา Insight ไขความลับข้างในข้อมูลของเรา

Thakorn.T • 21/05/2024
Google Cloud Solutions Specialist

ทุกท่านเคยเหนื่อยกับการค้นหาข้อมูลที่กระจัดกระจายไหมครับ บางครั้งอาจต้องเขียนโค้ดซ้ำ ๆ สำหรับคำถามแต่ละข้อ พวกเราที่เป็นนักวิเคราะห์ข้อมูลมักจะพบกับความท้าทายเหล่านี้ เราต้องใช้เวลาอันมีค่าไปกับการศึกษาเครื่องมือมากมาย โค้ดที่ซับซ้อน และการนำผลลัพธ์ไปให้ทีมอื่น ๆ เช่น Business Team หรือ ประสานงานกับทีมต่าง ๆ ในองค์กร การทำงานแยกส่วนแบบนี้ไม่เพียงแต่ทำให้ช้าลง แต่ยังให้การนำ Insight หรือสาระสำคัญที่จะไปตัดสินใจต่อในธุรกิจยากขึ้นอีกด้วย

BigQuery Data Canvas คืออะไร ?

ใน Google Cloud Next ’24 ได้เปิดตัว BigQuery Data Canvas ซึ่งเป็นเทคโนโลยีใหม่ที่เปลี่ยนวิธีการทำงานกับข้อมูลโดย Data Canvas จะเปรียบเหมือน Workflow ที่คุณสร้างมาวิเคราะห์เรื่องใดเรื่องหนึ่งที่เราอาจจะตั้งโจทย์ไว้แล้วใช้ AI ช่วยค้นหา, เตรียมข้อมูล, วิเคราะห์ และนำมาแสดงผลเพื่อให้เข้าใจได้อย่างรวดเร็วและง่ายในการแชร์ต่อ ซึ่งสามารถดูวิดีโอแนะนำต่อไปนี้เพื่อให้เห็นภาพได้มากขึ้น

อยากได้ข้อมูลอะไรก็ให้ AI ช่วยเขียน Query

ลืมการเขียนโค้ดไปได้เลย! Data Canvas ทำให้การวิเคราะห์ข้อมูลรวดเร็วและง่ายขึ้นด้วยประสบการณ์ให้ AI ช่วยค้นหาข้อมูลทั้งหมดของเรา พร้อมสามารถคุยกับข้อมูลของเราได้อย่างฉับไว ถามคำถาม และปล่อยให้ AI ช่วยนำทางเราผ่านงานวิเคราะห์ต่าง ๆ

สัมผัสประสบการณ์การทำงานในสาย Data แบบใหม่ที่ไม่เคยมีมาก่อน

  • คุยกับข้อมูล : เพียงบอก AI ก็สามารถสร้าง SQL Statement ที่ถูกต้อง และดึงข้อมูลที่คุณต้องการ หากไม่ใช่ก็ Prompt บอก AI ใหม่ จนได้ Data ที่ถูกใจไปใช้ต่อ
  • นำเสนอข้อมูลแบบใหม่ : Data Canvas ใช้แนวคิดของ Notebook ที่นักทำข้อมูล Explore Data แล้ว Visualized ออกมา ซึ่ง Data Canvas ก็เชื่อมโยงผลลัพธ์เหล่านั้นเข้าด้วยกัน คล้าย DAG (Directed Acyclic Graph) เพื่อให้เราแชร์กับเพื่อนร่วมทีมได้อย่างง่ายดายอีกด้วย

ตัวอย่างการใช้ BigQuery Data Canvas ง่าย ๆ ภาษาไทยก็ใช้ได้

Find Your Data : ลองค้นหา Dataset ข้อมูลโรงพยาบาลที่เก็บใน Project ตัวเอง

Create SQL : บอก Gemini ว่าอยากได้อะไร ไม่อยากได้อะไร และสร้าง SQL ได้อย่างง่ายดาย

Generate Chart : อยากได้ Chart แบบไหนลองบอกดู

Automated Insights : รู้ใจช่วย Summaries เบื้องต้น ให้ไปเล่าต่อได้

และนี่คือ Flow ภาพรวมที่แสดงในรูปแบบของ DAG

Share to Collaborate : เมนูครบครัน จะ Download เป็น Python Notebook (.ipynb) หรือจะ Export ไปเป็น Colab ที่รันบน BigQuery Studio ก็สามารถทำได้ง่าย ๆ ให้เราได้บิดข้อมูลต่อตามถนัด ก็จบใน BigQuery ที่เดียว

ใช้ BigQuery Data Canvas ใน Use-cases ไหนดี ?

BigQuery Data Canvas ช่วยงานวิเคราะห์ได้หลากหลายงาน แต่เป็นประโยชน์และเหมาะที่จะใช้มาก ๆ กับงานต่อไปนี้

  • Ad-hoc Analysis : โดยพื้นฐานของทีมข้อมูลมักจะได้ Requirements ใหม่ ๆ หรือตอบคำถามผู้บริหารให้ทันท่วงที เพื่อเอาคำตอบไปใช้ แต่อาจจะไม่ได้เป็นลักษณะ Report ซึ่งเราเรียกว่า Ad- hoc Analysis ซึ่งตรงนี้ BigQuery Data Canvas จะมีประโยชน์มาก ๆ เพราะทำให้ตอบคำถามได้อย่างรวดเร็ว
  • Exploratory Data Analysis (EDA) : ในการใช้ประโยชน์จากข้อมูล ไม่ว่าจะเป็นการทำ Report หรือทำ Machine Learing Model ขั้นตอนแรกคือการทำ EDA ซึ่ง Data Canvas จะช่วยให้การวิเคราะห์ข้อมูลเร็ว และสรุปลักษณะหรือสาระสำคัญของชุดข้อมูลง่าย โดยอาจแสดงเป็นรูปแบบ Chart และ Flow ที่มาของข้อมูลแต่ละก้อนบน Data Canvas
  • Collaboration : ง่ายต่อการแชร์เหมือนที่สาธิตในตัวอย่าง เราสามารถแชร์เป็น Data Canvas ก็ได้ หรือจะเป็นลักษณะ Python Notebook ให้ทีม Data Engineering ต่อก็ได้

เก่งขนาดนี้แล้วค่าใช้จ่ายเป็นอย่างไร ?

ปัจจุบันด้วยความเป็น BigQuery ก็ต้องบอกว่า Tools ที่ Google มีให้ใน BigQuery ส่วนใหญ่จะฟรีหมด! ใช่แล้วครับ BigQuery Data Canvas ตัวนี้ใช้ฟรี จะมีแค่ค่าใช้จ่ายพื้นฐานที่เป็น Pay-per-use ที่เราเสียอยู่แล้วคือค่า Compute (Query) กับค่า Storage ธรรมดา โดยสามารถศึกษาส่วนราคาเพิ่มได้ที่นี่

Conclusion

BigQuery Data Canvas ไม่เพียงแต่ช่วยให้ทีมทำข้อมูลเข้าใจข้อมูลได้ลึกซึ้งยิ่งขึ้น แต่ยังช่วยให้พวกเราสามารถแชร์ Insight นำไปใช้ในธุรกิจต่อได้รวดเร็วและมีประสิทธิภาพมากขึ้น ด้วยพลังของ AI ที่พร้อมให้ทุกท่านใช้ Gemini และ BigQuery Data Canvas เปิดประตูสู่โลกแห่งข้อมูลที่ชาญฉลาดและง่ายต่อการเข้าถึง!

ถ้าอยากรู้จัก BigQuery ให้มากกว่านี้ อย่ารอช้าที่จะติดต่อผู้เชี่ยวชาญจากแทนเจอรีน
ไม่ว่าจะด้าน Data Analytics, Machine Learning & AI หรือแม้แต่ DevOps
ได้ที่อีเมล marketing@tangerine.co.th หรือโทร 094-999-4263 ได้ทันที

Get a Free Consultation
Contact Form_EN Sources (#25)