Questo documento descrive un'architettura di alto livello per un'applicazione che esegue un flusso di lavoro di data science per automatizzare analisi dei dati complesse e attività di machine learning.
Questa architettura utilizza set di dati ospitati in BigQuery o AlloyDB per PostgreSQL. L'architettura è un sistema multi-agente che consente agli utenti di eseguire azioni in comandi in linguaggio naturale ed elimina la necessità di scrivere codice SQL o Python complesso.
Il pubblico di destinazione di questo documento include architetti, sviluppatori e amministratori che creano e gestiscono applicazioni di AI agentica. Questa architettura consente ai team aziendali e di dati di analizzare le metriche in un'ampia gamma di settori, come vendita al dettaglio, finanza e produzione. Il documento presuppone una conoscenza di base dei sistemi di AI agentica. Per informazioni su come gli agenti si differenziano dai sistemi non agentici, consulta Qual è la differenza tra agenti AI, assistenti AI e bot?
La sezione Deployment di questo documento fornisce link a esempi di codice per aiutarti a sperimentare il deployment di un'applicazione di AI agentica che esegue un flusso di lavoro di data science.
Architettura
Il seguente diagramma mostra l'architettura di un agente del flusso di lavoro di data science.
Questa architettura include i seguenti componenti:
| Componente | Descrizione |
|---|---|
| Frontend | Gli utenti interagiscono con il sistema multi-agente tramite un frontend, ad esempio un'interfaccia di chat, che viene eseguita come servizio Cloud Run serverless. |
| Agenti | Questa architettura utilizza i seguenti agenti:
|
| Runtime degli agenti | Gli agenti AI in questa architettura vengono implementati come servizi Cloud Run serverless. |
| ADK | ADK fornisce strumenti e un framework per sviluppare, testare ed eseguire il deployment di agenti. ADK astrae la complessità della creazione di agenti e consente agli sviluppatori di AI di concentrarsi sulla logica e sulle funzionalità dell'agente. |
| Modello AI e runtime del modello | Per la gestione dell'inferenza, gli agenti in questo esempio di architettura utilizzano l'ultimo modello Gemini su Gemini Enterprise Agent Platform. |
Prodotti utilizzati
Questa architettura di esempio utilizza i seguenti prodotti e strumenti Google Cloud e open source:
- Cloud Run: una piattaforma di computing serverless che ti consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
- Agent Development Kit (ADK): un insieme di strumenti e librerie per sviluppare, testare e implementare agenti AI.
- Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare agenti AI di livello enterprise.
- Gemini: una famiglia di modelli di AI multimodale sviluppati da Google.
- BigQuery: un data warehouse aziendale che ti aiuta a gestire e analizzare i dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence.
- AlloyDB per PostgreSQL: un servizio di database completamente gestito e compatibile con PostgreSQL progettato per i carichi di lavoro più impegnativi, tra cui l'elaborazione analitica e transazionale ibrida.
- MCP Toolbox for Databases: un server Model Context Protocol (MCP) open source che consente agli agenti AI di connettersi in modo sicuro ai database gestendo le complessità del database come il pooling delle connessioni, l'autenticazione e l'osservabilità.
Deployment
Per eseguire il deployment di un'implementazione di esempio di questa architettura, utilizza Data Science con più agenti. Il repository fornisce due set di dati di esempio per dimostrare la flessibilità del sistema, tra cui un set di dati sui voli per l'analisi operativa e un set di dati sulle vendite di e-commerce per l'analisi aziendale.
Passaggi successivi
- (Video) Guarda il podcast The Agent Factory sugli agenti AI per l'ingegneria dei dati e la data science.
- (Notebook) Utilizza Data Science Agent in Colab Enterprise.
- Scopri come ospitare agenti AI su Cloud Run.
- Per una panoramica dei principi e dei consigli architetturali specifici per i workload di AI e ML in Google Cloud, consulta la prospettiva AI e ML nel framework Well-Architected.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora Cloud Architecture Center.
Collaboratori
Autore: Samantha He | Technical Writer
Altri collaboratori:
- Amina Mansour | Head of Cloud Platform Evaluations Team
- Kumar Dhanagopal | Cross-Product Solution Developer
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Developer Advocate
- Shir Meir Lador | Engineering Manager, Developer Relations