이 문서에서는 복잡한 데이터 분석 및 머신러닝 작업을 자동화하는 데이터 과학 워크플로를 실행하는 애플리케이션의 대략적인 아키텍처를 설명합니다.
이 아키텍처는 BigQuery 또는 PostgreSQL용 AlloyDB에서 호스팅되는 데이터 세트를 사용합니다. 이 아키텍처는 사용자가 자연어 명령어로 작업을 실행할 수 있는 멀티 에이전트 시스템이며 복잡한 SQL 또는 Python 코드를 작성할 필요가 없습니다.
이 문서의 주요 대상에는 에이전트 AI 애플리케이션을 빌드하고 관리하는 설계자, 개발자, 관리자가 포함됩니다. 이 아키텍처를 사용하면 비즈니스 및 데이터팀이 소매, 금융, 제조와 같은 광범위한 업종에서 측정항목을 분석할 수 있습니다. 이 문서는 에이전트 AI 시스템에 대한 기본적인 이해를 전제로 합니다. 에이전트가 비에이전트 시스템과 어떻게 다른지 알아보려면 다음 항목을 참고하세요. AI 에이전트, AI 어시스턴트, 봇의 차이점
아키텍처
다음 다이어그램은 데이터 과학 워크플로 에이전트의 아키텍처를 보여줍니다.
이 아키텍처에는 다음 구성요소가 포함됩니다.
- 프런트엔드
- 사용자는 서버리스 Cloud Run 서비스로 실행되는 채팅 인터페이스와 같은 프런트엔드를 통해 멀티 에이전트 시스템과 상호작용합니다.
- AI 모델 및 모델 런타임
- 추론 제공을 위해 이 예시 아키텍처의 에이전트는 최신 Gemini 모델을(를) Gemini Enterprise Agent Platform에서 사용합니다.
- 에이전트
-
이 아키텍처는 다음 에이전트를 사용합니다.
- 루트 에이전트: 프런트엔드 서비스에서 요청을 수신하는 코디네이터 에이전트입니다. 루트 에이전트는 사용자의 요청을 해석하고 요청 자체를 해결하려고 시도합니다. 작업에 전문 도구가 필요한 경우 루트 에이전트는 요청을 적절한 전문 에이전트에 위임합니다.
- 전문 에이전트: 루트 에이전트는 에이전트를 도구로 사용 기능을 사용하여 다음
전문 에이전트를 호출합니다.
에이전트
도구 기능:
- 분석 에이전트: 데이터 분석 및 시각화를 위한 전문 에이전트입니다. 분석 에이전트는 AI 모델을 사용하여 Python 코드를 생성하고 실행하여 데이터 세트를 처리하고, 차트를 만들고, 통계 분석을 수행합니다.
- PostgreSQL용 AlloyDB 에이전트: PostgreSQL용 AlloyDB의 데이터와 상호작용하기 위한 전문 에이전트입니다. 에이전트는 AI 모델을 사용하여 사용자의 요청을 해석하고 PostgreSQL 언어로 SQL을 생성합니다. 에이전트는 데이터베이스용 MCP 도구 상자를 사용하여 데이터베이스에 안전하게 연결한 후 쿼리를 실행하여 요청된 데이터를 검색합니다.
- BigQuery 에이전트: BigQuery의 데이터와 상호작용하기 위한 전문 에이전트입니다. 에이전트는 AI 모델을 사용하여 사용자의 요청을 해석하고 GoogleSQL 쿼리를 생성합니다. 에이전트는 에이전트 개발 키트 (ADK)의 기본 제공 BigQuery 도구 를 사용하여 BigQuery에 연결한 후 쿼리를 실행하여 요청된 데이터를 검색합니다.
- BigQuery ML 에이전트: 머신러닝 워크플로 전용인 루트 에이전트의 하위 에이전트입니다. 에이전트는 BigQuery ML 과 상호작용하여 엔드 투 엔드 ML 수명 주기를 관리합니다. 에이전트는 모델을 만들고 학습시키고, 평가를 실행하고, 사용자 요청을 기반으로 예측을 생성할 수 있습니다.
- 에이전트 런타임
- 이 아키텍처의 AI 에이전트는 서버리스 Cloud Run 서비스 로 배포됩니다.
- ADK
- ADK 는 에이전트를 개발, 테스트, 배포하는 데 사용할 수 있는 도구와 프레임워크를 제공합니다. ADK는 에이전트 생성의 복잡성을 추상화하여 AI 개발자가 에이전트의 로직과 기능에 집중할 수 있도록 합니다.
사용 제품
이 예시 아키텍처는 다음과 같은 Google Cloud 및 오픈소스 제품과 도구를 사용합니다.
- Cloud Run: Google의 확장 가능한 인프라에서 직접 컨테이너를 실행할 수 있게 해주는 서버리스 컴퓨팅 플랫폼입니다.
- 에이전트 개발 키트 (ADK): AI 에이전트를 개발, 테스트, 배포하는 데 사용할 수 있는 도구 및 라이브러리 모음입니다.
- Gemini Enterprise Agent Platform: 엔터프라이즈급 AI 에이전트를 빌드, 확장, 제어, 최적화할 수 있는 포괄적인 플랫폼입니다.
- Gemini: Google에서 개발한 멀티모달 AI 모델 제품군입니다.
- BigQuery: 머신러닝, 지리정보 분석, 비즈니스 인텔리전스와 같은 기본 제공 기능으로 데이터를 관리하고 분석할 수 있게 해주는 엔터프라이즈 데이터 웨어하우스입니다.
- PostgreSQL용 AlloyDB: 하이브리드 트랜잭션 및 분석 처리를 비롯한 가장 까다로운 워크로드를 위해 설계된 완전 관리형 PostgreSQL 호환 데이터베이스 서비스 입니다.
- 데이터베이스용 MCP 도구 상자: 연결 풀링, 인증, 모니터링 가능성과 같은 데이터베이스 복잡성을 관리하여 AI 에이전트가 데이터베이스에 안전하게 연결할 수 있도록 하는 오픈소스 모델 컨텍스트 프로토콜 (MCP) 서버입니다.
보안 고려사항
AI 에이전트의 고유한 보안 위험을 해결하기 위해 Google은 결정적 보안 제어와 동적 추론 기반 방어를 결합하는 접근 방식을 권장합니다.
- 인간 감독: 인간 감독자가 출력을 검토하고 에이전트 작업을 승인, 재정의 또는 일시중지할 수 있도록 비즈니스에 중요한 시스템에 휴먼인더루프 흐름을 통합합니다.
- 에이전트 ID: 각 에이전트에 워크로드 바인딩 ID를 할당하여 최소 권한 액세스 제어를 적용하고 외부 도구의 사용자 인증 정보를 중앙에서 관리합니다.
- Agent Gateway: Model Armor를 사용하여 인그레스 및 이그레스 트래픽 거버넌스, 기본 거부 액세스 정책, 인라인 프롬프트 및 도구 검사를 적용합니다.
- 에이전트 레지스트리: 에이전트가 승인된 하위 에이전트 및 MCP 도구에만 연결되는지 확인합니다.
이 섹션의 안내는 일부일 뿐 모든 내용을 포함하지는 않습니다. 설계 요소 및 권장사항에 대한 자세한 내용과 멀티 에이전트 AI 시스템 빌드 및 배포에 관한 권장사항은 의 멀티 에이전트 AI 시스템을 참고하세요. Google Cloud
다음 단계
- (동영상) 데이터 엔지니어링 및 데이터 과학을 위한 AI 에이전트에 관한 Agent Factory 팟캐스트를 시청합니다.
- (노트북) Colab Enterprise에서 데이터 과학 에이전트를 사용합니다.
- Cloud Run에서 AI 에이전트를 호스팅하는 방법을 알아봅니다.
- 에서 AI 및 ML 워크로드와 관련된 아키텍처 원칙 및 권장사항에 대한 개요는 Google Cloud Well-Architected Framework의 AI 및 ML 관점 을 참조하세요.
- 그 밖의 참조 아키텍처, 다이어그램, 튜토리얼, 권장사항을 알아보려면 Cloud 아키텍처 센터를 확인하세요.
참여자
저자: 사만다 헤 | 테크니컬 라이터
기타 참여자:
- 아미나 만수르 | 기술 리드, 글로벌 개발자 관계 및 전략적 콘텐츠
- 쿠마르 다나고팔 | 크로스 프로덕트 솔루션 개발자
- 메건 오키프 | 개발자 애드보킷
- 레이첼 디컨스미스 | 개발자 애드보킷
- 시르 메이르 라도르 | 개발자 관계 엔지니어링 관리자