Exemplo de utilização da IA com agentes: automatize fluxos de trabalho de ciência de dados

Last reviewed 2025-12-08 UTC

Este documento descreve uma arquitetura de alto nível para uma aplicação que executa um fluxo de trabalho de ciência de dados para automatizar tarefas complexas de análise de dados e aprendizagem automática.

Esta arquitetura usa conjuntos de dados alojados no BigQuery ou no AlloyDB para PostgreSQL. A arquitetura é um sistema multiagente que permite aos utilizadores executar ações em comandos de linguagem natural e elimina a necessidade de escrever código SQL ou Python complexo.

O público-alvo deste documento inclui arquitetos, programadores e administradores que criam e gerem aplicações de IA autónoma. Esta arquitetura permite que as equipas empresariais e de dados analisem métricas numa vasta gama de setores, como o retalho, as finanças e a indústria. O documento pressupõe uma compreensão fundamental dos sistemas de IA agênticos. Para informações sobre a diferença entre os agentes e os sistemas não baseados em agentes, consulte o artigo Qual é a diferença entre agentes de IA, assistentes de IA e bots?

A secção Implementação deste documento fornece links para exemplos de código para ajudar a experimentar a implementação de uma aplicação de IA autónoma que executa um fluxo de trabalho de ciência de dados.

Arquitetura

O diagrama seguinte mostra a arquitetura de um agente de fluxo de trabalho de ciência dos dados.

Arquitetura para um agente de fluxo de trabalho de ciência dos dados.

Esta arquitetura inclui os seguintes componentes:

Componente Descrição
Front-End Os utilizadores interagem com o sistema multiagente através de uma interface, como uma interface de chat, que é executada como um serviço Cloud Run sem servidor.
Agentes Esta arquitetura usa os seguintes agentes:
  • Agente raiz: um agente coordenador que recebe pedidos do serviço de frontend. O agente raiz interpreta o pedido do utilizador e tenta resolver o pedido por si próprio. Se a tarefa exigir ferramentas especializadas, o agente raiz delega o pedido ao agente especializado adequado.
  • Agente especializado: o agente principal invoca os seguintes agentes especializados através da funcionalidade agente como ferramenta.
    • Agente de estatísticas: um agente especializado para análise e visualização de dados. O agente de estatísticas usa o modelo de IA para gerar e executar código Python para processar conjuntos de dados, criar gráficos e fazer análises estatísticas.
    • Agente do AlloyDB para PostgreSQL: um agente especializado para interagir com dados no AlloyDB para PostgreSQL. O agente usa o modelo de IA para interpretar o pedido do utilizador e gerar SQL no dialeto PostgreSQL. O agente liga-se em segurança à base de dados através da caixa de ferramentas do MCP para bases de dados e, em seguida, executa a consulta para obter os dados pedidos.
    • Agente do BigQuery: um agente especializado para interagir com dados no BigQuery. O agente usa o modelo de IA para interpretar o pedido do utilizador e gerar consultas GoogleSQL. O agente liga-se à base de dados através da ferramenta BigQuery incorporada no Agent Development Kit (ADK) e, em seguida, executa a consulta para obter os dados pedidos.
  • Agente do BigQuery ML: um subagente do agente raiz dedicado a fluxos de trabalho de aprendizagem automática. O agente interage com o BigQuery ML para gerir o ciclo de vida de ML completo. O agente pode criar e formar modelos, executar avaliações e gerar previsões com base em pedidos dos utilizadores.
Tempo de execução dos agentes Os agentes de IA nesta arquitetura são implementados como serviços do Cloud Run sem servidor.
ADK O ADK oferece ferramentas e uma estrutura para desenvolver, testar e implementar agentes. O ADK abstrai a complexidade da criação de agentes e permite que os programadores de IA se concentrem na lógica e nas capacidades do agente.
Modelo de IA e tempos de execução do modelo Para o serviço de inferência, os agentes nesta arquitetura de exemplo usam o modelo Gemini mais recente na Vertex AI.

Produtos usados

Esta arquitetura de exemplo usa os seguintes produtos Google Cloud e de código aberto e ferramentas:

  • Cloud Run: uma plataforma de computação sem servidor que lhe permite executar contentores diretamente na infraestrutura escalável da Google.
  • Agent Development Kit (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implementar agentes de IA.
  • Vertex AI: uma plataforma de ML que lhe permite preparar e implementar modelos de ML e aplicações de IA, bem como personalizar MDIs/CE para utilização em aplicações com tecnologia de IA.
  • Gemini: uma família de modelos de IA multimodal desenvolvidos pela Google.
  • BigQuery: um armazém de dados empresariais que ajuda a gerir e analisar os seus dados com funcionalidades integradas, como aprendizagem automática, análise geoespacial e Business Intelligence.
  • AlloyDB para PostgreSQL: um serviço de base de dados totalmente gerido e compatível com PostgreSQL concebido para as suas cargas de trabalho mais exigentes, incluindo o processamento transacional e analítico híbrido.
  • Caixa de ferramentas do MCP para bases de dados: um servidor de protocolo Model Context Protocol (MCP) de código aberto que permite que os agentes de IA se liguem em segurança a bases de dados através da gestão de complexidades de bases de dados, como o agrupamento de ligações, a autenticação e a observabilidade.

Implementação

Para implementar uma implementação de exemplo desta arquitetura, use a Ciência de dados com vários agentes. O repositório fornece dois conjuntos de dados de exemplo para demonstrar a flexibilidade do sistema, incluindo um conjunto de dados de voos para análise operacional e um conjunto de dados de vendas de comércio eletrónico para estatísticas empresariais.

O que se segue?

Colaboradores

Autor: Samantha He | Redator técnico

Outros colaboradores: