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.
Esta arquitectura usa 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 previsto para este documento incluye arquitectos, desarrolladores y administradores que crean y administran aplicaciones de IA con agentes. Esta arquitectura permite que los equipos de datos y empresariales 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 de los sistemas de IA de agentes. Para obtener información sobre las diferencias entre los agentes y los sistemas sin agentes, consulta ¿Cuál es la diferencia entre agentes de IA, asistentes de IA y bots?
En la sección de implementación de este documento, se proporcionan vínculos a ejemplos de código para ayudarte a experimentar con la implementación de una aplicación de IA con agentes que ejecuta un flujo de trabajo de ciencia de datos.
Arquitectura
En el siguiente diagrama, se muestra la arquitectura de 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 Cloud Run sin servidores.
- 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 trata de 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 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 Analytics usa el modelo de IA para generar y ejecutar código de Python para 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 GoogleSQL consultas. El agente se conecta a la base de datos 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 está dedicado 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 y, luego, implementar agentes. 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.
- Modelo de IA y Agent Runtime
- Para la entrega de inferencias, los agentes de esta arquitectura de ejemplo usan el modelo de Gemini más reciente en Gemini Enterprise Agent Platform.
Productos usados
Esta arquitectura de ejemplo usa los siguientes Google Cloud productos y herramientas de código abierto:
- Cloud Run: Una plataforma de procesamiento administrada 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 y, luego, 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: Es 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: Es 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 de modelo (MCP) de código abierto que permite que los agentes de IA se conecten de forma segura a las bases de datos mediante la administración de complejidades de la base de datos, como el agrupamiento de conexiones, la autenticación y la observabilidad.
Deployment
Para implementar una implementación de muestra de esta arquitectura, usa Ciencia de datos con varios agentes. El repositorio proporciona dos conjuntos de datos de muestra para demostrar la flexibilidad del sistema, incluido un conjunto de datos de vuelos para el análisis operativo y un conjunto de datos de ventas de comercio electrónico para el análisis empresarial.
¿Qué sigue?
- (Video) Mira el podcast de Agent Factory sobre agentes de IA para la ingeniería de datos y la ciencia de datos.
- (Notebook) Usa el agente de ciencia de datos en Colab Enterprise.
- Obtén información para alojar agentes de IA en Cloud Run.
- Para obtener una descripción general de los principios y las recomendaciones de arquitectura que son específicos de las cargas de trabajo de IA y AA en Google Cloud, consulta la perspectiva de IA y AA en Well-Architected Framework.
- Para obtener más información sobre las arquitecturas de referencia, los diagramas y las prácticas recomendadas, explora el Cloud Architecture Center.
Colaboradores
Autor: Samantha He | Escritora técnica
Otros colaboradores:
- Amina Mansour | Jefa del equipo de evaluaciones de Cloud Platform
- Kumar Dhanagopal | Desarrollador de soluciones entre productos
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Developer Advocate
- Shir Meir Lador | Administrador de ingeniería de relaciones con desarrolladores