Introdução ao Notebooks

Com os notebooks do Colab Enterprise no BigQuery, é possível realizar fluxos de trabalho de ciência de dados e machine learning de ponta a ponta em uma única interface integrada. Ao contrário dos editores de SQL padrão, os notebooks permitem combinar consultas SQL com código Python, rich text e visualizações para contar uma história abrangente com seus dados. Os notebooks são ideais para os seguintes casos de uso:

  • Fluxos de trabalho de ML de ponta a ponta: crie, avalie e implante um modelo do BigQuery ML em uma única interface de notebook.
  • Análise de dados: limpe e analise grandes conjuntos de dados usando o BigQuery DataFrames.
  • Pesquisa colaborativa: compartilhe notebooks com colegas usando o IAM e acompanhe o histórico de versões.

Os notebooks são recursos de código no BigQuery Studio, assim como as consultas salvas, e são desenvolvidos pelo Dataform. Esses recursos estão disponíveis apenas no console do Google Cloud .

Vantagens

Os notebooks no BigQuery oferecem os seguintes benefícios:

  • Integração perfeita com Python: use a API BigQuery DataFrames sem nenhuma configuração adicional.
  • Desenvolvimento com tecnologia de IA: use a IA generativa do Gemini para desenvolvimento de código assistido.
  • Recursos familiares do editor: use o preenchimento automático de SQL, semelhante ao editor de SQL do BigQuery.
  • Visualizações integradas: use visualizações interativas de DataFrame ou bibliotecas como matplotlib e seaborn para visualizar dados diretamente no seu fluxo de trabalho.
  • Interoperabilidade SQL-Python: execute SQL em células que referenciam variáveis Python.

A galeria de notebooks é um hub central para descobrir e usar modelos de notebook pré-criados. Com eles, é possível realizar tarefas comuns, como preparação, análise de dados e visualização. Os modelos de notebook também ajudam a explorar os recursos do BigQuery Studio, gerenciar fluxos de trabalho e promover práticas recomendadas.

Você pode usar modelos da galeria de notebooks para simplificar todo o fluxo de trabalho de intenção para insights em cada etapa do ciclo de vida dos dados, desde a ingestão e a exploração até a análise avançada e o BigQuery ML.

A galeria de notebooks oferece modelos para todos os níveis de habilidade. A galeria inclui modelos fundamentais para SQL, Python, Apache Spark e DataFrames. Você também pode explorar temas como IA generativa e análise de dados multimodais no BigQuery.

Para começar a usar a galeria de notebooks, siga estas etapas:

  1. Acessar a página do BigQuery.

    Acessar o BigQuery

  2. Clique em Notebooks no menu Explorer.

  3. Clique no menu suspenso Novo notebook e selecione Todos os modelos.

Para mais informações sobre como usar modelos da galeria de notebooks, consulte Criar um notebook usando a galeria de notebooks.

Gerenciamento do ambiente de execução

O BigQuery usa os ambientes de execução do Colab Enterprise para executar notebooks.

Um ambiente de execução do notebook é uma máquina virtual do Compute Engine alocada a um usuário específico para ativar a execução de código em um notebook. Vários notebooks podem compartilhar o mesmo ambiente de execução. No entanto, cada ambiente de execução pertence a apenas um usuário e não pode ser usado por outros. Os ambientes de execução do notebook são criados com base em modelos, que normalmente são definidos por usuários com privilégios de administrador. É possível mudar para um ambiente de execução que use um tipo de modelo diferente a qualquer momento.

Segurança do notebook

Você controla o acesso aos notebooks usando papéis do Identity and Access Management (IAM). Para mais informações, consulte Conceder acesso a notebooks.

Para detectar vulnerabilidades nos pacotes Python usados nos notebooks, instale e use o Notebook Security Scanner (prévia).

Regiões compatíveis

O BigQuery Studio permite salvar, compartilhar e gerenciar versões de notebooks. A tabela a seguir lista as regiões em que o BigQuery Studio está disponível:

Descrição da região Nome da região Detalhes
África
Johannesburgo africa-south1
América
Columbus us-east5
Dallas us-south1 Ícone de folha Baixo CO2
Iowa us-central1 Ícone de folha Baixo CO2
Los Angeles us-west2
Las Vegas us-west4
Montreal northamerica-northeast1 Ícone de folha Baixo CO2
N. Virgínia us-east4
Oregon us-west1 Ícone de folha Baixo CO2
São Paulo southamerica-east1 Ícone de folha CO2 baixo
Carolina do Sul us-east1
Ásia-Pacífico
Hong Kong asia-east2
Jacarta asia-southeast2
Mumbai asia-south1
Seul asia-northeast3
Singapura asia-southeast1
Sydney australia-southeast1
Taiwan asia-east1
Tóquio asia-northeast1
Europa
Bélgica europe-west1 Ícone de folha CO2 baixo
Frankfurt europe-west3
Londres europe-west2 ícone de folha Baixo CO2
Madri europe-southwest1 Ícone de folha Baixo CO2
Países Baixos europe-west4 Ícone de folha Baixo CO2
Turim europe-west12
Zurique europe-west6 Ícone de folha Baixo CO2
Oriente Médio
Doha me-central1
Damã me-central2

Preços

Para informações sobre preços dos notebooks do BigQuery Studio, consulte Preços de execução de notebooks.

Monitorar o uso de slots

Para monitorar o uso de slots do notebook do BigQuery Studio, consulte o relatório do Cloud Billing no console do Google Cloud . No relatório do Cloud Billing, aplique um filtro com o rótulo goog-bq-feature-type e o valor BQ_STUDIO_NOTEBOOK para conferir o uso de slots e os custos dos notebooks do BigQuery Studio.

Relatório de uso de slots do notebook do BigQuery Studio.

Solução de problemas

Confira mais informações em Resolver problemas no Colab Enterprise.

A seguir