Cas d'utilisation de l'IA agentive : automatiser les workflows de data science

Last reviewed 2025-12-08 UTC

Ce document décrit une architecture de haut niveau pour une application qui exécute un workflow de data science afin d'automatiser des tâches complexes d'analyse de données et de machine learning.

Cette architecture utilise des ensembles de données hébergés dans BigQuery ou AlloyDB pour PostgreSQL. Il s'agit d'un système multi-agents qui permet aux utilisateurs d'exécuter des actions à l'aide de commandes en langage naturel et qui élimine le besoin d'écrire du code SQL ou Python complexe.

Ce document s'adresse aux architectes, aux développeurs et aux administrateurs qui créent et gèrent des applications d'IA agentique. Cette architecture permet aux équipes commerciales et de données d'analyser des métriques dans un large éventail de secteurs, tels que le commerce de détail, la finance et la fabrication. Ce document suppose une compréhension de base des systèmes d'IA agentique. Pour en savoir plus sur la différence entre les agents et les systèmes non agentiques, consultez Quelle est la différence entre les agents IA, les assistants IA et les bots ?

La section Déploiement de ce document fournit des liens vers des exemples de code pour vous aider à tester le déploiement d'une application d'IA agentique qui exécute un workflow de data science.

Architecture

Le schéma suivant présente l'architecture d'un agent de workflow de data science.

Architecture d'un agent de workflow de data science.

Cette architecture comprend les composants suivants :

Interface
Les utilisateurs interagissent avec le système multi-agents via une interface, telle qu'une interface de chat, qui s'exécute en tant que service Cloud Run sans serveur.
Agents

Cette architecture utilise les agents suivants :

  • Agent racine : agent coordinateur qui reçoit les requêtes du service frontend. L'agent racine interprète la requête de l'utilisateur et tente de la résoudre lui-même. Si la tâche nécessite des outils spécialisés, l'agent racine délègue la requête à l'agent spécialisé approprié.
  • Agent spécialisé : l'agent racine appelle les agents spécialisés suivants à l'aide de la fonctionnalité agent en tant qu'outil :
    • Agent d'analyse : agent spécialisé dans l'analyse et la visualisation des données. L'agent d'analyse utilise le modèle d'IA pour générer et exécuter du code Python afin de traiter des ensembles de données, de créer des graphiques et d'effectuer des analyses statistiques.
    • Agent AlloyDB pour PostgreSQL : agent spécialisé pour interagir avec les données dans AlloyDB pour PostgreSQL. L'agent utilise le modèle d'IA pour interpréter la requête de l'utilisateur et générer du code SQL dans le dialecte PostgreSQL. L'agent se connecte de manière sécurisée à la base de données à l'aide de MCP Toolbox for Databases, puis exécute la requête pour récupérer les données demandées.
    • Agent BigQuery : agent spécialisé pour interagir avec les données dans BigQuery. L'agent utilise le modèle d'IA pour interpréter la requête de l'utilisateur et générer GoogleSQL requêtes. L'agent se connecte à la base de données à l'aide de l'outil BigQuery intégré à Agent Development Kit (ADK) , puis exécute la requête pour récupérer les données demandées.
  • Agent BigQuery ML : sous-agent de l'agent racine dédié aux workflows de machine learning. L'agent interagit avec BigQuery ML pour gérer le cycle de vie de bout en bout du ML. L'agent peut créer et entraîner modèles, exécuter des évaluations et générer des prédictions en fonction des requêtes des utilisateurs.
Environnement d'exécution des agents
Les agents IA de cette architecture sont déployés en tant que services Cloud Run sans serveur .
ADK
ADK fournit des outils et un framework pour développer, tester et déployer des agents. ADK élimine la complexité de la création d'agents et permet aux développeurs de se concentrer sur la logique et les capacités de l'agent.
Modèle d'IA et environnements d'exécution de modèles
Pour le service d'inférence, les agents de cette architecture d'exemple utilisent le dernier modèleGemini on Gemini Enterprise Agent Platform.

Produits utilisés

Cette architecture d'exemple utilise les produits et outils suivants, qui sont Google Cloud et Open Source :

  • Cloud Run : plate-forme de calcul gérée qui vous permet d'exécuter des conteneurs directement sur l'infrastructure évolutive de Google.
  • Agent Development Kit (ADK) : ensemble d'outils et de bibliothèques permettant de développer, de tester et de déployer des agents IA.
  • Gemini Enterprise Agent Platform : plate-forme complète qui vous permet de créer, de faire évoluer, de gérer et d'optimiser des agents IA professionnels.
  • Gemini: famille de modèles d'IA multimodaux développés par Google.
  • BigQuery : entrepôt de données d'entreprise qui vous aide à gérer et analyser vos données grâce à des fonctionnalités intégrées telles que le machine learning, l'analyse géospatiale et l'informatique décisionnelle.
  • AlloyDB pour PostgreSQL : service de base de données entièrement géré compatible avec PostgreSQL conçu pour vos charges de travail les plus exigeantes, y compris le traitement hybride transactionnel et analytique.
  • MCP Toolbox for Databases : serveur Model Context Protocol (MCP) Open Source qui permet aux agents IA de se connecter de manière sécurisée aux bases de données en gérant les complexités de la base de données, telles que le regroupement de connexions, l'authentification et l'observabilité.

Déploiement

Pour déployer un exemple de mise en œuvre de cette architecture, utilisez Data Science with Multiple Agents. Le dépôt fournit deux exemples d'ensembles de données pour illustrer la flexibilité du système, y compris un ensemble de données sur les vols pour l'analyse opérationnelle et un ensemble de données sur les ventes de commerce électronique pour l'analyse commerciale.

Étape suivante

Contributeurs

Auteur : Samantha He | Rédactrice technique

Autres contributeurs :