במסמך הזה מתוארת ארכיטקטורה ברמה גבוהה של אפליקציה שמריצה תהליך עבודה של מדעי הנתונים, כדי להפוך משימות מורכבות של ניתוח נתונים ולמידת מכונה לאוטומטיות.
בארכיטקטורה הזו משתמשים במערכי נתונים שמתארחים ב-BigQuery או ב-AlloyDB ל-PostgreSQL. הארכיטקטורה היא מערכת מרובת סוכנים (MAS) שמאפשרת למשתמשים להריץ פעולות באמצעות פקודות בשפה טבעית, בלי צורך לכתוב קוד SQL או Python מורכב.
המסמך הזה מיועד לאדריכלים, למפתחים ולאדמינים שיוצרים ומנהלים אפליקציות של AI אקטיבי. הארכיטקטורה הזו מאפשרת לצוותי העסק והנתונים לנתח מדדים במגוון רחב של תעשיות, כמו קמעונאות, פיננסים וייצור. ההנחה היא שיש לכם הבנה בסיסית במערכות AI אקטיבי. מה ההבדל בין סוכני AI, עוזרים אישיים מבוססי-AI ובוטים?
ארכיטקטורה
התרשים הבא מציג את הארכיטקטורה של סוכן לתהליך עבודה במדעי הנתונים.
הארכיטקטורה הזו כוללת את הרכיבים הבאים:
- קצה קדמי
- המשתמשים יוצרים אינטראקציה עם המערכת מרובת הסוכנים דרך ממשק קצה (frontend), כמו ממשק צ'אט, שפועל כשירות Cloud Run ללא שרת (serverless).
- מודל ה-AI וזמני הריצה של המודל
- כדי להציג את ההסקה, הסוכנים בארכיטקטורה לדוגמה משתמשים בגרסה העדכנית של מודל Gemini ב-Gemini Enterprise Agent Platform.
- סוכנים
-
הארכיטקטורה הזו משתמשת בנציגים הבאים:
- סוכן בסיס: סוכן מתאם שמקבל בקשות משירות החזית. סוכן הבסיס מפרש את בקשת המשתמש ומנסה לפתור אותה בעצמו. אם המשימה דורשת כלים מיוחדים, הסוכן ברמה הבסיסית (root) מעביר את הבקשה לסוכן המתאים.
- סוכן מומחה: הסוכן ברמה הבסיסית (root) מפעיל את הסוכנים המומחים הבאים באמצעות התכונה סוכן ככלי:
- סוכן ניתוח נתונים: סוכן ייעודי לניתוח נתונים ולהצגה חזותית שלהם. סוכן הניתוח משתמש במודל ה-AI כדי ליצור ולהריץ קוד Python, לעבד מערכי נתונים, ליצור תרשימים ולבצע ניתוח סטטיסטי.
- AlloyDB for PostgreSQL agent: סוכן ייעודי לאינטראקציה עם נתונים ב-AlloyDB ל-PostgreSQL. הנציג משתמש במודל ה-AI כדי לפרש את הבקשה של המשתמש וליצור SQL בניב של PostgreSQL. הסוכן מתחבר באופן מאובטח למסד הנתונים באמצעות MCP Toolbox for Databases, ואז מריץ את השאילתה כדי לאחזר את הנתונים המבוקשים.
- סוכן BigQuery: סוכן ייעודי לאינטראקציה עם נתונים ב-BigQuery. הנציג משתמש במודל ה-AI כדי לפרש את הבקשה של המשתמש וליצור שאילתות GoogleSQL. הנציג מתחבר ל-BigQuery באמצעות הכלי המובנה של BigQuery בערכת הפיתוח לנציגים (ADK), ואז מריץ את השאילתה כדי לאחזר את הנתונים המבוקשים.
- BigQuery ML agent: סוכן משני של סוכן הבסיס, שמיועד לתהליכי עבודה של למידת מכונה. הנציג יוצר אינטראקציה עם BigQuery ML כדי לנהל את מחזור החיים של למידת המכונה מקצה לקצה. הסוכן יכול ליצור ולאמן מודלים, להריץ הערכות וליצור חיזויים על סמך בקשות של משתמשים.
- Agent Runtime
- סוכני ה-AI בארכיטקטורה הזו נפרסים בתור שירותי Cloud Run ללא שרת (serverless) .
- ADK
- ADK מספקת כלים ומסגרת לפיתוח, לבדיקה ולפריסה של סוכנים. ה-ADK מפשט את המורכבות של יצירת סוכנים ומאפשר למפתחי AI להתמקד בלוגיקה וביכולות של הסוכן.
המוצרים שהשתמשו בהם
בארכיטקטורה לדוגמה הזו נעשה שימוש במוצרים ובכלים הבאים של Google Cloud ושל קוד פתוח:
- Cloud Run: פלטפורמת מחשוב בלי שרת (serverless computing) שמאפשרת להריץ קונטיינרים ישירות בתשתית של Google, שניתנת להתאמה לעומס.
- Agent Development Kit (ADK): ערכה של כלים וספריות לפיתוח, לבדיקה ולפריסה של סוכני AI.
- Gemini Enterprise Agent Platform: פלטפורמה מקיפה שמאפשרת ליצור, לנהל, לבצע אופטימיזציה ולהתאים לעומס (scale) סוכני AI ברמה שמתאימה לארגונים.
- Gemini: קבוצה של מודלי AI מולטי-מודאליים שפותחו על ידי Google.
- BigQuery: מחסן נתונים (data warehouse) ארגוני שעוזר לנהל ולנתח את הנתונים באמצעות תכונות מובנות כמו למידת מכונה, ניתוח נתונים גיאו-מרחביים ובינה עסקית (BI).
- AlloyDB ל-PostgreSQL: שירות מנוהל של מסד נתונים שתואם ל-PostgreSQL, ומיועד לעומסי העבודה הכבדים ביותר, כולל עיבוד היברידי של טרנזקציות וניתוח נתונים.
- MCP Toolbox for Databases: שרת Model Context Protocol (MCP) בקוד פתוח שמאפשר לסוכני AI להתחבר בצורה מאובטחת למסדי נתונים, על ידי ניהול המורכבות של מסדי הנתונים כמו מאגר חיבורים, אימות וניראות.
שיקולי אבטחה
כדי להתמודד עם סיכוני האבטחה הייחודיים של סוכני AI, Google ממליצה על גישה שמשלבת אמצעי אבטחה דטרמיניסטיים עם הגנות דינמיות שמבוססות על הסקת מסקנות:
- פיקוח אנושי: שלבו תהליך של האדם שבתהליך במערכות קריטיות לעסק, כדי שמפקחים אנושיים יוכלו לבדוק את הפלט ולאשר, לשנות או להשהות את הפעולות של הסוכן.
- Agent Identity: מקצים לכל סוכן זהות שקשורה לעומס העבודה כדי לאכוף בקרת גישה לפי הרשאות מינימליות ולנהל באופן מרוכז את פרטי הכניסה לכלים חיצוניים.
- Agent Gateway: אכיפת הפיקוח על תנועת הנתונים הנכנסת והיוצאת, כללי מדיניות של דחיית גישה כברירת מחדל ובדיקה של הנחיות וכלים מוטמעים באמצעות Model Armor.
- Agent Registry: מוודאים שהסוכנים מתחברים רק לסוכני משנה ולכלי MCP שאושרו.
ההנחיות בקטע הזה הן חלקיות. מידע נוסף על גורמי תכנון ושיטות מומלצות, והמלצות לבנייה ולפריסה של מערכת AI אקטיבי עם כמה סוכנים, זמינים במאמר מערכת AI אקטיבי עם כמה סוכנים ב- Google Cloud.
המאמרים הבאים
- (סרטון) פרק בפודקאסט Agent Factory על סוכני AI להנדסת נתונים ולמדע נתונים.
- (Notebook) שימוש בסוכן מדע הנתונים ב-Colab Enterprise.
- איך מארחים סוכני AI ב-Cloud Run
- במאמר נקודת המבט של AI ו-ML ב-Well-Architected Framework מופיעה סקירה כללית של עקרונות והמלצות לארכיטקטורה שספציפיים לעומסי עבודה של AI ו-ML ב- Google Cloud.
- לדוגמאות נוספות של ארכיטקטורות, תרשימים ושיטות מומלצות, עיינו במאמר Cloud Architecture Center.
שותפים ביצירת התוכן
מחברת: סמנתה הי | כותבת טכנית
תורמים אחרים:
- אמינה מנסור | ראש צוות טכני, קשרי מפתחים גלובליים ותוכן אסטרטגי
- קומאר דהנגופאל | מפתח פתרונות חוצי-מוצרים
- מייגן אוקיף | אחראית קשרי מפתחים (Developers Advocate)
- רייצ'ל דיקון-סמית' | אחראית קשרי מפתחים (Developer Advocate)
- שיר מאיר לדור | מנהלת הנדסה בקשרי מפתחים