BigQuery Data Engineering Agent สร้าง SQLX ที่ใช้ฟังก์ชัน AI และ ML ได้

Google Cloud ระบุใน release notes วันที่ 2 พฤศจิกายน 2026 ว่า BigQuery Data Engineering Agent สร้าง Dataform SQLX pipeline และไฟล์คำสั่งของ agent ที่ใช้ฟังก์ชัน BigQuery AI, ML และ object ได้แล้ว ความสามารถนี้เปิดให้ผู้ใช้ขอสร้างงาน enrichment, semantic search หรือ machine learning ด้วยภาษาธรรมชาติ แล้วให้ agent จัดโค้ดไว้ใน Dataform workspace ข่าวนี้เกี่ยวกับขอบเขตโค้ดที่ agent สร้างได้ ไม่ใช่การให้ agent เรียกใช้ฐานข้อมูลหรือ deploy pipeline โดยอัตโนมัติ คู่มือ Google ระบุชัดว่า agent ยังไม่รัน pipeline; คนต้องตรวจแล้วค่อยรันหรือตั้งตารางเอง

จากคำสั่งภาษาคนไปสู่ SQLX ที่ตรวจทานได้

Data Engineering Agent ทำงานกับ Dataform repository และ workspace จึงเห็น pipeline ที่มีอยู่และสร้างไฟล์ในโครงสร้างเดียวกัน ทีมข้อมูลสามารถขอให้เพิ่ม node ที่สรุปข้อความ จัดประเภทรีวิว สร้าง embedding หรือคำนวณผลพยากรณ์ แล้วตรวจ SQLX ที่ได้ก่อนนำเข้าระบบจริง ตัวอย่างในคู่มือมี AI.GENERATE สำหรับสรุปข้อความ, AI.CLASSIFY สำหรับจัดหมวดหมู่, AI.GENERATE_EMBEDDING สำหรับสร้างเวกเตอร์ และ AI.FORECAST สำหรับพยากรณ์เวลา การรองรับหลายตระกูลฟังก์ชันทำให้สร้าง pipeline ที่ผสมการแปลงข้อมูลเดิมกับ AI ได้ในที่เดียว แต่ค่าใช้จ่ายและความถูกต้องของผลลัพธ์ยังต้องประเมินเป็นรายขั้น

งานกับ object function มีตัวอย่างการสร้าง external object table จากไฟล์ใน Cloud Storage แล้วใช้ OBJ.GET_ACCESS_URL เพื่อให้ pipeline นำรูปภาพไปสร้างคำอธิบายและ entity จากข้อมูลที่ไม่ใช่ตารางปกติ งานแบบนี้ต้องตรวจสิทธิ์เข้าถึง bucket, อายุของ access URL และชนิดข้อมูลที่ส่งให้โมเดลก่อนรันจริง ส่วนงาน ML ในคู่มือมีตัวอย่าง CREATE MODEL, ML.EVALUATE, ML.PREDICT และการตรวจ data drift การที่ agent สร้างคำสั่งเหล่านี้ได้ไม่ได้ยืนยันว่า train/test split, metric หรือ feature เหมาะกับปัญหาขององค์กร ผู้เชี่ยวชาญข้อมูลยังต้องตรวจการรั่วของข้อมูลจากอนาคตและผลกระทบต่อกลุ่มผู้ใช้ต่าง ๆ

ข้อจำกัดที่มีผลต่อ workflow

คู่มือระบุว่า Data Engineering Agent ไม่รองรับคำสั่งภาษาธรรมชาติสำหรับ notebook และไฟล์ data preparation, ไม่ค้นเว็บจาก URL ที่ใส่ใน prompt และไม่รัน pipeline เอง นอกจากนี้การทำ data preview รองรับเฉพาะตาราง declaration หรือ query ที่ตั้ง hasOutput เป็น true ในบางกรณีของ Iceberg external table ก็มีข้อจำกัดของ Lakehouse runtime catalog โดย agent สร้าง write mutation หรือ DDL บนตารางเหล่านั้นไม่ได้ ทีมจึงควรระบุข้อมูลต้นทาง ตารางปลายทาง รูปแบบ output และเงื่อนไขคุณภาพให้ชัดใน prompt แทนการคาดว่า agent จะอนุมานจากลิงก์เอกสารภายนอก

ก่อนทดลองต้องเปิด Gemini ใน BigQuery และ API ที่เกี่ยวข้อง ได้แก่ Gemini Data Analytics, Gemini for Google Cloud และ BigQuery ตามคู่มือ บทบาทที่ใช้กับงานนี้มี Dataform Code Editor, BigQuery Job User และ Gemini Data Analytics Stateless Chat User แต่การให้สิทธิ์ผู้ใช้ควรจำกัดตามโปรเจกต์และ workspace ที่อนุญาต โดยเฉพาะเมื่อ SQLX อาจสร้างตาราง ใช้โมเดล หรืออ่าน object จากแหล่งข้อมูลที่มีค่าใช้จ่ายและข้อมูลอ่อนไหว

ขั้นตอนทดลองที่ดีคือเลือก pipeline ขนาดเล็กที่มีผลลัพธ์อ้างอิง สั่งให้ agent เพิ่มเพียงหนึ่ง AI หรือ ML function แล้วตรวจ diff ของ SQLX, schema ผลลัพธ์, assertion และประมาณการต้นทุนก่อนรัน จากนั้นเปรียบเทียบผลกับชุดข้อมูลทดสอบที่ตรวจด้วยคน เมื่อผ่านแล้วค่อยตั้ง schedule และ monitoring สำหรับงานประจำ การรองรับใหม่ช่วยลดงานเขียน SQLX ซ้ำ ๆ แต่จุดอนุมัติการรันและการตรวจผลยังเป็นส่วนสำคัญของระบบข้อมูลที่เชื่อถือได้

แหล่งข่าว: Google Cloud release notes วันที่ 2 พฤศจิกายน 2026 และ คู่มือ Data Engineering Agent ใน BigQuery