bigquery-ai-ml

BigQuery AI & ML — официальный skill из репозитория Google, посвящённый машинному обучению и генеративным возможностям BigQuery, которые вызываются непосредственно из SQL. Его задача — помочь составить запрос, когда аналитика должна включать прогнозирование временных рядов, предсказание значений, поиск выбросов и аномалий, поиск ключевых факторов, семантический или векторный поиск, классификацию текста, расчёт сходства, суммирование, перевод, оценку моделей, фильтрацию по семантическим условиям или другие GenAI-операции в BigQuery. Это предметная карточка для AI/ML-вычислений над данными, а не общий справочник по администрированию BigQuery. В основе workflow лежит сочетание SQL-запроса и встроенных функций. В SKILL.md отдельно названы AI.FORECAST для временного прогнозирования, AI.KEY_DRIVERS для поиска факторов, AI.DETECT_ANOMALIES для обнаружения аномалий и AI.GENERATE для генерации текста с использованием LLM. Поэтому навык подходит для последовательного разбора задачи: сначала определить, какой результат нужен — прогноз, классификация, семантический поиск, генерация или оценка, — затем выбрать соответствующую функцию и свериться с профильным reference-файлом. В описании источника перечислены отдельные материалы для AI.AGG, AI.CLASSIFY, AI.DETECT_ANOMALIES, AI.EVALUATE, AI.FORECAST, AI.GENERATE, AI.GENERATE_EMBEDDING, AI.GENERATE_TABLE, AI.IF, AI.KEY_DRIVERS, AI.SCORE, AI.SEARCH и AI.SIMILARITY. AI.AGG предназначена для многострочной семантической агрегации и суммирования. AI.CLASSIFY используется для классификации текста. AI.DETECT_ANOMALIES относится к обнаружению аномалий, а AI.EVALUATE — к оценке моделей. AI.FORECAST описывает прогнозирование временных рядов. AI.GENERATE связан с генерацией текста через LLM, а AI.GENERATE_EMBEDDING — с созданием эмбеддингов. AI.GENERATE_TABLE возвращает табличный результат генерации. AI.IF позволяет проверять семантические условия. AI.KEY_DRIVERS отмечен как табличная функция для определения ключевых факторов. AI.SCORE предназначена для оценки данных, AI.SEARCH — для семантического поиска, а AI.SIMILARITY — для вычисления семантического сходства. Такой перечень помогает выбрать узкий раздел вместо попытки решать любую задачу одним универсальным SQL-шаблоном. Отдельные reference-материалы посвящены remote models, то есть работе с удалёнными моделями Vertex AI, а также CONTRIBUTION_ANALYSIS и VECTOR_SEARCH. В источнике указано, что contribution analysis находит факторы, связанные с изменением, и требует создания сущности MODEL. Материал VECTOR_SEARCH посвящён практикам векторного поиска. Наличие этих разделов делает skill полезным не только для одиночной функции, но и для навигации по нескольким связанным способам анализа: от получения представления данных до поиска, сравнения и объяснения результата. Практический сценарий применения начинается с ограничения области. Если нужно написать SQL для прогноза, предсказать значение, найти выбросы, классифицировать текст, получить embedding, выполнить семантический или векторный поиск, обобщить несколько строк, перевести текст, оценить модель или применить GenAI-возможность BigQuery, этот skill указывает нужное направление и reference-файл. Если запрос касается обычного управления датасетами, таблицами или jobs, источник прямо говорит не использовать данный skill: для такой работы нужна базовая документация BigQuery, а не AI/ML-карточка. В репозитории также указана связанная BigQuery Basics Skill для основных концепций, управления ресурсами, CLI и клиентских библиотек. Ограничения следуют из самого состава источника. Skill не обещает универсальную автоматизацию и не заменяет reference-документы: названия функций лишь направляют к отдельным материалам, где нужно уточнять синтаксис и подходящий тип результата. Он не предназначен для общих операций с датасетами, таблицами и jobs. Для задач, в которых требуется remote model, contribution analysis или vector search, нужно отдельно открыть соответствующий reference и учитывать его требования; для contribution analysis источник явно выделяет необходимость сущности MODEL. Поэтому карточка лучше всего подходит как проверяемая точка входа в BigQuery AI/ML через SQL, а конкретный запрос следует строить по выбранному разделу, а не по общему описанию.