Kasus penggunaan AI agentic: Mengotomatiskan alur kerja data science

Last reviewed 2026-10-14 UTC

Dokumen ini menjelaskan arsitektur tingkat tinggi untuk aplikasi yang menjalankan alur kerja data science guna mengotomatiskan tugas analisis data dan machine learning yang kompleks.

Arsitektur ini menggunakan set data yang dihosting di BigQuery atau AlloyDB untuk PostgreSQL. Arsitektur ini adalah sistem multi-agen yang memungkinkan pengguna menjalankan tindakan dalam perintah bahasa alami dan menghilangkan kebutuhan untuk menulis kode SQL atau Python yang kompleks.

Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator yang membangun dan mengelola aplikasi AI agentic. Arsitektur ini memungkinkan tim bisnis dan data menganalisis metrik di berbagai industri, seperti retail, keuangan, dan manufaktur. Dokumen ini mengasumsikan pemahaman dasar tentang sistem AI agentic. Untuk mengetahui informasi tentang perbedaan agen dengan sistem non-agentic, lihat Apa perbedaan antara agen AI, asisten AI, dan bot?

Arsitektur

Diagram berikut menunjukkan arsitektur untuk agen alur kerja data science.

Arsitektur untuk agen alur kerja data science.

Arsitektur ini mencakup komponen berikut:

Frontend
Pengguna berinteraksi dengan sistem multi-agen melalui frontend, seperti antarmuka chat, yang berjalan sebagai layanan Cloud Run serverless.
Model AI dan runtime model
Untuk inferensi, agen dalam contoh arsitektur ini menggunakan model Gemini terbaru di Gemini Enterprise Agent Platform.
Agen

Arsitektur ini menggunakan agen berikut:

  • Agen root: Agen koordinator yang menerima permintaan dari layanan frontend. Root agent menafsirkan permintaan pengguna dan mencoba menyelesaikan permintaan itu sendiri. Jika tugas memerlukan alat khusus, agen root akan mendelegasikan permintaan ke agen khusus yang sesuai.
  • Agen khusus: Agen root memanggil agen khusus berikut menggunakan fitur agen sebagai alat:
    • Agen analisis: Agen khusus untuk analisis dan visualisasi data. Agen analisis menggunakan model AI untuk membuat dan menjalankan kode Python guna memproses set data, membuat diagram, dan melakukan analisis statistik.
    • Agen AlloyDB untuk PostgreSQL: Agen khusus untuk berinteraksi dengan data di AlloyDB untuk PostgreSQL. Agen menggunakan model AI untuk menafsirkan permintaan pengguna dan membuat SQL dalam dialek PostgreSQL. Agen akan terhubung ke database dengan aman menggunakan MCP Toolbox for Databases, lalu menjalankan kueri untuk mengambil data yang diminta.
    • Agen BigQuery: Agen khusus untuk berinteraksi dengan data di BigQuery. Agen menggunakan model AI untuk menafsirkan permintaan pengguna dan membuat kueri GoogleSQL. Agen terhubung ke BigQuery menggunakan alat BigQuery bawaan Agent Development Kit (ADK), lalu menjalankan kueri untuk mengambil data yang diminta.
  • Agen BigQuery ML: Sub-agen dari agen root yang dikhususkan untuk alur kerja machine learning. Agen berinteraksi dengan BigQuery ML untuk mengelola siklus proses ML menyeluruh. Agen dapat membuat dan melatih model, menjalankan evaluasi, dan membuat prediksi berdasarkan permintaan pengguna.
Agent Runtime
Agen AI dalam arsitektur ini di-deploy sebagai layanan Cloud Run serverless .
ADK
ADK menyediakan alat dan framework untuk mengembangkan, menguji, dan men-deploy agen. ADK mengabstraksi kompleksitas pembuatan agen dan memungkinkan developer AI berfokus pada logika dan kemampuan agen.

Produk yang digunakan

Contoh arsitektur ini menggunakan produk dan alat Google Cloud serta open source berikut:

  • Cloud Run: Platform komputasi serverless yang memungkinkan Anda menjalankan container langsung di atas infrastruktur Google yang skalabel.
  • Agent Development Kit (ADK): Seperangkat alat dan library untuk mengembangkan, menguji, dan men-deploy agen AI.
  • Gemini Enterprise Agent Platform: Platform komprehensif yang memungkinkan Anda membangun, menskalakan, mengatur, dan mengoptimalkan agen AI tingkat perusahaan.
  • Gemini: Rangkaian model AI multimodal yang dikembangkan oleh Google.
  • BigQuery: Data warehouse perusahaan yang membantu Anda mengelola dan menganalisis data dengan fitur bawaan seperti machine learning, analisis geospasial, dan business intelligence.
  • AlloyDB untuk PostgreSQL: Layanan database yang kompatibel dengan PostgreSQL dan terkelola sepenuhnya, yang didesain untuk workload dengan tuntutan tinggi, termasuk pemrosesan transaksional dan analisis hybrid.
  • MCP Toolbox for Databases: Server Model Context Protocol (MCP) open source yang memungkinkan agen AI terhubung secara aman ke database dengan mengelola kompleksitas database seperti penggabungan koneksi, autentikasi, dan kemampuan observasi.

Pertimbangan keamanan

Untuk membantu mengatasi risiko keamanan unik agen AI, Google merekomendasikan pendekatan yang menggabungkan kontrol keamanan deterministik dengan pertahanan dinamis berbasis penalaran:

  • Pengawasan manusia: Gabungkan alur human-in-the-loop dalam sistem penting bisnis sehingga pengawas manusia dapat meninjau output dan menyetujui, mengganti, atau menjeda tindakan agen.
  • Agent Identity: Tetapkan identitas yang terikat workload untuk setiap agen guna menerapkan kontrol akses dengan hak istimewa terendah dan mengelola kredensial untuk alat eksternal secara terpusat.
  • Agent Gateway: Terapkan tata kelola traffic ingress dan egress, kebijakan akses default-deny, serta pemeriksaan perintah dan alat inline dengan Model Armor.
  • Agent Registry: Memastikan bahwa agen hanya terhubung ke sub-agen dan alat MCP yang disetujui.

Panduan di bagian ini tidak lengkap. Untuk mengetahui informasi selengkapnya tentang faktor desain dan praktik terbaik, serta rekomendasi tentang cara membangun dan men-deploy sistem AI multi-agen, lihat Sistem AI multi-agen di Google Cloud.

Langkah berikutnya

Kontributor

Penulis: Samantha He | Technical Writer

Kontributor lainnya: