במסמך הזה מתוארת ארכיטקטורה ברמה גבוהה של אפליקציה שמריצה תהליך עבודה של מדעי הנתונים כדי לבצע אוטומציה של ניתוח נתונים מורכב ומשימות של למידת מכונה.
בארכיטקטורה הזו נעשה שימוש במערכי נתונים שמארחים ב-BigQuery או ב-AlloyDB ל-PostgreSQL. הארכיטקטורה היא מערכת מרובת סוכנים שמאפשרת למשתמשים להריץ פעולות באמצעות פקודות בשפה טבעית, ומבטלת את הצורך בכתיבת קוד SQL או Python מורכב.
המסמך הזה מיועד לארכיטקטים, למפתחים ולאדמינים שיוצרים ומנהלים אפליקציות AI אקטיבי. הארכיטקטורה הזו מאפשרת לצוותים עסקיים ולצוותי נתונים לנתח מדדים במגוון רחב של ענפים, כמו קמעונאות, פיננסים וייצור. ההנחה במסמך הזה היא שיש לכם הבנה בסיסית של מערכות AI אקטיבי. למידע על ההבדלים בין סוכנים לבין מערכות לא סוכניות, אפשר לעיין במאמר מה ההבדל בין סוכני AI, עוזרי AI ובוטים?
בקטע פריסה במסמך הזה יש קישורים לדוגמאות קוד שיעזרו לכם להתנסות בפריסה של אפליקציית AI אקטיבי שמריצה תהליך עבודה של מדעי הנתונים.
ארכיטקטורה
התרשים הבא מציג את הארכיטקטורה של סוכן בתהליך עבודה של מדעי הנתונים.
הארכיטקטורה הזו כוללת את הרכיבים הבאים:
| רכיב | תיאור |
|---|---|
| קצה קדמי | המשתמשים יוצרים אינטראקציה עם המערכת מרובת הסוכנים דרך קצה קדמי, כמו ממשק צ'אט, שפועל כשירות Cloud Run בלי שרת. |
| סוכנים | הארכיטקטורה הזו כוללת את הסוכנים הבאים:
|
| זמן ריצה של סוכנים | סוכני ה-AI בארכיטקטורה הזו נפרסים כשירותים ללא שרת (serverless) ב-Cloud Run. |
| ADK | ערכת ה-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. |
| מודל AI וזמני ריצה של מודלים | לצורך הסקת מסקנות, הסוכנים החכמים בארכיטקטורה לדוגמה הזו משתמשים במודל Gemini העדכני ביותר ב-Gemini Enterprise Agent Platform. |
המוצרים שהשתמשו בהם
בדוגמה הזו של ארכיטקטורה נעשה שימוש במוצרים ובכלים הבאים Google Cloud ובקוד פתוח:
- Cloud Run: פלטפורמת מחשוב ללא שרת שמאפשרת להריץ קונטיינרים ישירות על גבי התשתית הניתנת להרחבה של Google.
- Agent Development Kit (ADK): ערכה של כלים וספריות לפיתוח, לבדיקה ולפריסה של סוכני AI.
- Gemini Enterprise Agent Platform: פלטפורמה מקיפה שמאפשרת לכם ליצור סוכני AI ברמה ארגונית, להרחיב את השימוש בהם, לנהל אותם ולבצע אופטימיזציה שלהם.
- Gemini: משפחה של מודלים מולטי-מודאליים של AI שפותחו על ידי Google.
- BigQuery: מחסן נתונים ארגוני שעוזר לכם לנהל ולנתח את הנתונים באמצעות תכונות מובנות כמו למידת מכונה, ניתוח גיאוספציאלי ובינה עסקית.
- AlloyDB ל-PostgreSQL: שירות מנוהל של מסד נתונים שתואם ל-PostgreSQL, שמיועד לעומסי העבודה הכבדים ביותר, כולל עיבוד היברידי של טרנזקציות וניתוחים.
- MCP Toolbox for Databases: שרת Model Context Protocol (MCP) בקוד פתוח שמאפשר לסוכני AI להתחבר למסדי נתונים בצורה מאובטחת. השרת מנהל את המורכבויות של מסדי הנתונים, כמו איגום חיבורים, אימות ויכולת צפייה.
פריסה
כדי לפרוס הטמעה לדוגמה של הארכיטקטורה הזו, אפשר להשתמש במדעי הנתונים עם כמה סוכנים. מאגר המידע כולל שני מערכי נתונים לדוגמה שממחישים את הגמישות של המערכת, כולל מערך נתונים של טיסות לניתוח תפעולי ומערך נתונים של מכירות במסחר אלקטרוני לניתוח עסקי.
המאמרים הבאים
- (סרטון) צפייה בפודקאסט Agent Factory על סוכני AI להנדסת נתונים ומדע נתונים.
- (Notebook) שימוש בסוכן מדע הנתונים ב-Colab Enterprise.
- איך מארחים סוכני AI ב-Cloud Run
- סקירה כללית של עקרונות והמלצות בנושא ארכיטקטורה שספציפיים לעומסי עבודה של AI ו-ML ב- Google Cloudמופיעה בפרספקטיבה של AI ו-ML ב-Well-Architected Framework.
- לדוגמאות נוספות של ארכיטקטורות, תרשימים ושיטות מומלצות, עיינו במאמר Cloud Architecture Center.
שותפים ביצירת התוכן
מחבר: סמנתה הי | כותבת טכנית
תורמי תוכן אחרים:
- אמינה מנסור | ראש צוות הערכות של Cloud Platform
- קומאר דהנגופאל | מפתח פתרונות חוצי-מוצרים
- מייגן או'קיף | אחראית קשרי מפתחים
- רייצ'ל דיקון-סמית' | אחראית קשרי מפתחים
- שיר מאיר לדור | מנהלת הנדסה של קשרי מפתחים