Questo documento descrive un'architettura di alto livello per un'applicazione che esegue un flusso di lavoro di data science per automatizzare attività complesse di analisi dei dati e 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 con 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 differiscono dai sistemi non agentici, consulta Qual è la differenza tra agenti AI, assistenti AI e bot?
La sezione relativa al 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:
- Frontend
- Gli utenti interagiscono con il sistema multi-agente tramite un frontend, ad esempio un'interfaccia di chat, che viene eseguito come servizio serverless Cloud Run.
- Agenti
-
Questa architettura utilizza i seguenti agenti:
- Agente root: un agente coordinatore che riceve le richieste dal servizio frontend. L'agente root interpreta la richiesta dell'utente e tenta di risolverla autonomamente. Se l'attività richiede strumenti specializzati, l'agente root delega la richiesta all'agente specializzato appropriato.
- Agente specializzato: l'agente root richiama i seguenti
agenti specializzati utilizzando la
funzionalità dell'agente
come strumento:
- Agente di analisi: un agente specializzato per l'analisi e la visualizzazione dei dati. L'agente di analisi utilizza il modello di AI per generare ed eseguire codice Python per elaborare set di dati, creare grafici ed eseguire analisi statistiche.
- Agente AlloyDB per PostgreSQL: un agente specializzato per l'interazione con i dati in AlloyDB per PostgreSQL. L'agente utilizza il modello di AI per interpretare la richiesta dell'utente e generare SQL nel dialetto PostgreSQL. L'agente si connette in modo sicuro al database utilizzando MCP Toolbox for Databases, quindi esegue la query per recuperare i dati richiesti.
- Agente BigQuery: un agente specializzato per l'interazione con i dati in BigQuery. L'agente utilizza il modello di AI per interpretare la richiesta dell'utente e generare GoogleSQL query. L'agente si connette al database utilizzando lo strumento BigQuery integrato di Agent Development Kit (ADK) quindi esegue la query per recuperare i dati richiesti.
- Agente BigQuery ML: un sottoagente dell'agente root che è dedicato ai flussi di lavoro di machine learning. L'agente interagisce con BigQuery ML per gestire il ciclo di vita ML end-to-end. L'agente può creare e addestrare modelli, eseguire valutazioni e generare previsioni in base alle richieste degli utenti.
- Runtime degli agenti
- Gli agenti AI in questa architettura vengono sottoposti a deployment come servizi serverless Cloud Run .
- ADK
- ADK fornisce strumenti e un framework per sviluppare, testare ed eseguire il deployment degli agenti. ADK astrae la complessità della creazione degli agenti e consente agli sviluppatori di AI di concentrarsi sulla logica e sulle funzionalità dell'agente.
- Modello di AI e runtime dei modelli
- Per il serving di inferenza, gli agenti in questa architettura di esempio utilizzano l'ultimo modello Gemini su Gemini Enterprise Agent Platform.
Prodotti utilizzati
Questa architettura di esempio utilizza i seguenti Google Cloud prodotti e strumenti 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 ed eseguire il deployment di agenti AI.
- Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare gli 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 tuoi 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 (HTAP).
- 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 dei database come il pool di 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 Agent Factory sugli agenti AI per data engineering e data science.
- (Notebook) Utilizza l'agente di data science in Colab Enterprise.
- Scopri come ospitare agenti AI su Cloud Run.
- Per una panoramica dei principi e delle raccomandazioni dell'architettura specifici per i carichi di lavoro di AI e ML in Google Cloud, consulta la prospettiva AI e ML nel Well-Architected Framework.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora il 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 | Developer Relations Engineering Manager