Este documento descreve uma arquitetura de alto nível para um aplicativo que executa um fluxo de trabalho de ciência de dados para automatizar tarefas complexas de análise de dados e machine learning.
Essa arquitetura usa conjuntos de dados hospedados no BigQuery ou no AlloyDB para PostgreSQL. A arquitetura é um sistema multiagente que permite aos usuários executar ações em comandos de linguagem natural e elimina a necessidade de escrever códigos SQL ou Python complexos.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores que criam e gerenciam aplicativos de IA agêntica. Essa arquitetura permite que equipes de negócios e de dados analisem métricas em uma ampla variedade de setores, como varejo, finanças e manufatura. O documento pressupõe uma compreensão básica dos sistemas de IA agêntica. Para informações sobre como os agentes diferem dos sistemas sem agentes, consulte Qual é a diferença entre agentes de IA, assistentes de IA e bots?
A seção de implantação deste documento fornece links para exemplos de código para ajudar você a experimentar a implantação de um aplicativo de IA agêntica que executa um fluxo de trabalho de ciência de dados.
Arquitetura
O diagrama a seguir mostra a arquitetura de um agente de fluxo de trabalho de ciência de dados.
Essa arquitetura inclui os seguintes componentes:
- Front-end
- Os usuários interagem com o sistema multiagente por um front-end, como uma interface de chat, que é executado como um serviço sem servidor Cloud Run.
- Agentes
-
Essa arquitetura usa os seguintes agentes:
- Agente raiz: um agente coordenador que recebe solicitações do serviço de front-end. O agente raiz interpreta a solicitação do usuário e tenta resolver uma solicitação por si só. Se a tarefa exigir ferramentas especializadas, o agente raiz delega a solicitação ao agente especializado apropriado.
- Agente especializado: o agente raiz invoca os seguintes
agentes especializados usando o
recurso de agente
como ferramenta:
- Agente de análise: um agente especializado para análise de dados e visualização. O agente de análise usa o modelo de IA para gerar e executar código Python para processar conjuntos de dados, criar gráficos e realizar 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 a solicitação do usuário e gerar SQL no dialeto PostgreSQL. O agente se conecta com segurança ao banco de dados usando a MCP Toolbox for Databases e executa a consulta para recuperar os dados solicitados.
- Agente do BigQuery: um agente especializado para interagir com dados no BigQuery. O agente usa o modelo de IA para interpretar a solicitação do usuário e gerar GoogleSQL consultas. O agente se conecta ao banco de dados usando a ferramenta integrada do BigQuery do Kit de Desenvolvimento de Agente (ADK) e executa a consulta para recuperar os dados solicitados.
- Agente do BigQuery ML: um subagente do agente raiz dedicado a fluxos de trabalho de machine learning. O agente interage com BigQuery ML para gerenciar o ciclo de vida de ML de ponta a ponta. O agente pode criar e treinar modelos, executar avaliações e gerar previsões com base nas solicitações do usuário.
- Ambiente de execução de agentes
- Os agentes de IA nessa arquitetura são implantados como serviços sem servidor do Cloud Run .
- ADK
- ADK O ADK fornece ferramentas e um framework para desenvolver, testar e implantar agentes. O ADK abstrai a complexidade da criação de agentes e permite que os desenvolvedores de IA se concentrem na lógica e nos recursos do agente.
- Modelo de IA e ambientes de execução de modelos
- Para a veiculação de inferências, os agentes nessa arquitetura de exemplo usam o modelo mais recente do Gemini na Gemini Enterprise Agent Platform.
Produtos usados
Esta arquitetura de exemplo usa os seguintes Google Cloud produtos e ferramentas de código aberto:
- Cloud Run: uma plataforma de computação sem servidor que permite executar contêineres diretamente na infraestrutura escalonável do Google.
- Kit de Desenvolvimento de Agente (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implantar agentes de IA.
- Gemini Enterprise Agent Platform: uma plataforma abrangente que permite criar, escalonar, governar e otimizar agentes de IA de nível empresarial.
- Gemini: uma família de modelos de IA multimodais desenvolvidos pelo Google.
- BigQuery: um data warehouse corporativo que ajuda a gerenciar e analisar seus dados com recursos integrados, como machine learning, análise geoespacial e Business Intelligence.
- AlloyDB para PostgreSQL: um serviço de banco de dados totalmente gerenciado e compatível com PostgreSQL projetado para as cargas de trabalho mais exigentes, incluindo processamento analítico e transacional híbrido.
- MCP Toolbox for Databases: um servidor de Protocolo de Contexto de Modelo (MCP) de código aberto que permite que agentes de IA se conectem com segurança a bancos de dados gerenciando complexidades de banco de dados, como pool de conexões, autenticação e observabilidade.
Implantação
Para implantar uma implementação de exemplo dessa arquitetura, use 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 e-commerce para análise de negócios.
A seguir
- (Vídeo) Assista o podcast Agent Factory sobre agentes de IA para engenharia e ciência de dados.
- (Notebook) Use o agente de ciência de dados no Colab Enterprise.
- Saiba como hospedar agentes de IA no Cloud Run.
- Para uma visão geral dos princípios e recomendações arquitetônicas específicos para cargas de trabalho de IA e ML em Google Cloud, consulte a perspectiva de IA e ML no Well-Architected Framework.
- Para mais arquiteturas de referência, diagramas e práticas recomendadas, confira a Central de arquitetura do Cloud.
Colaboradores
Autor: Samantha He | Redatora técnica
Outros colaboradores:
- Amina Mansour | Líder da equipe de avaliações do Cloud Platform
- Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
- Megan O'Keefe | Mediadora de desenvolvedores
- Rachael Deacon-Smith | Mediadora de desenvolvedores
- Shir Meir Lador | Gerente de engenharia de relações com desenvolvedores