Caso de uso de la IA basada en agentes: Automatiza los flujos de trabajo de la ciencia de datos

Last reviewed 2026-10-14 UTC

En este documento, se describe una arquitectura de alto nivel para una aplicación que ejecuta un flujo de trabajo de ciencia de datos para automatizar tareas complejas de análisis de datos y aprendizaje automático.

En esta arquitectura, se usan conjuntos de datos alojados en BigQuery o AlloyDB para PostgreSQL. La arquitectura es un sistema multiagente que permite a los usuarios ejecutar acciones en comandos de lenguaje natural y elimina la necesidad de escribir código complejo de SQL o Python.

El público objetivo de este documento incluye arquitectos, desarrolladores y administradores que compilan y administran aplicaciones de IA de agentes. Esta arquitectura permite que los equipos de negocios y datos analicen métricas en una amplia variedad de industrias, como el comercio minorista, las finanzas y la fabricación. En el documento, se supone que tienes conocimientos básicos sobre los sistemas de IA de agentes. Para obtener información sobre cómo se diferencian los agentes de los sistemas sin agentes, consulta ¿Cuál es la diferencia entre agentes de IA, asistentes de IA y bots?

Arquitectura

En el siguiente diagrama, se muestra la arquitectura de un agente de flujo de trabajo de ciencia de datos.

Arquitectura para un agente de flujo de trabajo de ciencia de datos.

Esta arquitectura incluye los siguientes componentes:

Frontend
Los usuarios interactúan con el sistema multiagente a través de un frontend, como una interfaz de chat, que se ejecuta como un servicio sin servidores de Cloud Run.
Modelo de IA y entornos de ejecución de modelos
Para la entrega de inferencias, los agentes de esta arquitectura de ejemplo usan el modelo de Gemini más reciente en Gemini Enterprise Agent Platform.
Agentes

Esta arquitectura usa los siguientes agentes:

  • Agente raíz: Es un agente coordinador que recibe solicitudes del servicio de frontend. El agente raíz interpreta la solicitud del usuario y, luego, intenta resolverla por sí mismo. Si la tarea requiere herramientas especializadas, el agente raíz delega la solicitud al agente especializado adecuado.
  • Agente especializado: El agente raíz invoca a los siguientes agentes especializados con la función de agente como herramienta:
    • Agente de Analytics: Es un agente especializado para el análisis y la visualización de datos. El agente de estadísticas usa el modelo de IA para generar y ejecutar código de Python con el objetivo de procesar conjuntos de datos, crear gráficos y realizar análisis estadísticos.
    • Agente de AlloyDB para PostgreSQL: Es un agente especializado para interactuar con datos en AlloyDB para PostgreSQL. El agente usa el modelo de IA para interpretar la solicitud del usuario y generar SQL en el dialecto de PostgreSQL. El agente se conecta de forma segura a la base de datos con MCP Toolbox para bases de datos y, luego, ejecuta la consulta para recuperar los datos solicitados.
    • Agente de BigQuery: Es un agente especializado para interactuar con datos en BigQuery. El agente usa el modelo de IA para interpretar la solicitud del usuario y generar consultas en GoogleSQL. El agente se conecta a BigQuery con la herramienta integrada de BigQuery del Kit de desarrollo de agentes (ADK) y, luego, ejecuta la consulta para recuperar los datos solicitados.
  • Agente de BigQuery ML: Es un subagente del agente raíz que se dedica a los flujos de trabajo de aprendizaje automático. El agente interactúa con BigQuery ML para administrar el ciclo de vida de AA de extremo a extremo. El agente puede crear y entrenar modelos, ejecutar evaluaciones y generar predicciones basadas en las solicitudes de los usuarios.
Agent Runtime
Los agentes de IA de esta arquitectura se implementan como servicios de Cloud Run sin servidores .
ADK
ADK proporciona herramientas y un framework para desarrollar, probar e implementar agentes. El ADK abstrae la complejidad de la creación de agentes y permite que los desarrolladores de IA se enfoquen en la lógica y las capacidades del agente.

Productos usados

En esta arquitectura de ejemplo, se usan los siguientes productos y herramientas de código abierto y de Google Cloud :

  • Cloud Run: Es una plataforma de computación sin servidores que te permite ejecutar contenedores directamente sobre la infraestructura escalable de Google.
  • Kit de desarrollo de agentes (ADK): Es un conjunto de herramientas y bibliotecas para desarrollar, probar e implementar agentes de IA.
  • Gemini Enterprise Agent Platform: Es una plataforma integral que te permite crear, escalar, administrar y optimizar agentes de IA de nivel empresarial.
  • Gemini: Es una familia de modelos de IA multimodales desarrollados por Google.
  • BigQuery: Un almacén de datos empresarial que te ayuda a administrar y analizar tus datos con funciones integradas, como el aprendizaje automático, el análisis geoespacial y la inteligencia empresarial.
  • AlloyDB para PostgreSQL: Un servicio de base de datos completamente administrado, compatible con PostgreSQL, que está diseñado para cargas de trabajo exigentes, incluido el procesamiento híbrido transaccional y analítico.
  • MCP Toolbox para bases de datos: Es un servidor de Protocolo de contexto del modelo (MCP) de código abierto que permite que los agentes de IA se conecten de forma segura a las bases de datos administrando las complejidades de las bases de datos, como la agrupación de conexiones, la autenticación y la observabilidad.

Consideraciones de seguridad

Para ayudar a abordar los riesgos de seguridad únicos de los agentes de IA, Google recomienda un enfoque que combina controles de seguridad determinísticos con defensas dinámicas basadas en el razonamiento:

  • Supervisión humana: Incorpora un flujo con intervención humana en los sistemas críticos para la empresa, de modo que los supervisores humanos puedan revisar los resultados y aprobar, anular o pausar las acciones de los agentes.
  • Identidad del agente: Asigna a cada agente una identidad vinculada a la carga de trabajo para aplicar el control de acceso con privilegios mínimos y administrar de forma centralizada las credenciales de las herramientas externas.
  • Agent Gateway: Aplica la administración del tráfico de entrada y salida, las políticas de acceso de denegación predeterminada y la inspección de instrucciones y herramientas intercaladas con Model Armor.
  • Agent Registry: Verifica que los agentes solo se conecten a subagentes y herramientas de MCP aprobados.

La guía de esta sección no está completa. Para obtener más información sobre los factores de diseño y las prácticas recomendadas, y para obtener recomendaciones sobre cómo compilar e implementar un sistema de IA de agentes múltiples, consulta Sistema de IA de agentes múltiples en Google Cloud.

¿Qué sigue?

Colaboradores

Autora: Samantha He | Escritora técnica

Otros colaboradores: