Mitglied seit 2026
Gemini-Modelle in BigQuery nutzen
Earned Mai 1, 2026 EDT
Mit Gemini in BigQuery produktiver arbeiten
Earned Apr 28, 2026 EDT
Einbettungen, Vektorsuche und RAG mit BigQuery erstellen
Earned Apr 27, 2026 EDT
In diesem Kurs wird gezeigt, wie Sie KI-/ML-Modelle für Aufgaben basierend auf generativer KI in BigQuery verwenden. Anhand eines praktischen Anwendungsfalls zum Customer-Relationship-Management lernen Sie den Workflow zur Lösung eines Geschäftsproblems mit Gemini-Modellen kennen. Zur besseren Nachvollziehbarkeit bietet der Kurs auch eine Schritt-für-Schritt-Anleitung für das Programmieren von Lösungen mithilfe von SQL-Abfragen und Python-Notebooks.
Dieser Kurs behandelt Gemini in BigQuery, eine Suite KI-gesteuerter Funktionen zur Aufbereitung von Daten für die Verwendung in künstlicher Intelligenz. Zu diesen Funktionen gehören explorative Datenanalyse und ‑aufbereitung, Codegenerierung und Fehlerbehebung sowie Workflow-Erkennung und ‑Visualisierung. Durch konzeptionelle Erläuterungen, einen praxisnahen Anwendungsfall und praktische Übungen können Datenexperten mit diesem Kurs ihre Produktivität steigern und die Entwicklungspipeline beschleunigen.
In diesem Kurs wird eine Lösung für Retrieval-Augmented Generation (RAG) in BigQuery vorgestellt, die KI-Halluzinationen minimiert. Sie lernen einen RAG-Workflow kennen, der die Erstellung von Einbettungen, die Suche in einem Vektorraum und die Generierung verbesserter Antworten umfasst. Darüber hinaus werden die konzeptionellen Gründe für diese Schritte und ihre praktische Umsetzung mit BigQuery erklärt. Am Ende des Kurses werden Sie in der Lage sein, eine RAG-Pipeline mithilfe von BigQuery und generativen KI-Modellen wie Gemini zu erstellen und Modelle einzubetten, um KI-Halluzinationen zu verhindern.