Neste documento, descrevemos uma arquitetura de alto nível para um aplicativo que executa um fluxo de trabalho de ciência de dados para automatizar tarefas complexas de análise de dados e machine learning.
Essa arquitetura usa conjuntos de dados hospedados no BigQuery ou no AlloyDB para PostgreSQL. A arquitetura é um sistema multiagente que permite aos usuários executar ações em comandos de linguagem natural e elimina a necessidade de escrever códigos SQL ou Python complexos.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores que criam e gerenciam aplicativos de IA agêntica. Essa arquitetura permite que as equipes de negócios e de dados analisem métricas em uma ampla variedade de setores, como varejo, finanças e manufatura. O documento pressupõe um entendimento básico dos sistemas de IA agêntica. Para saber como os agentes diferem de sistemas não agênticos, consulte Qual é a diferença entre agentes de IA, assistentes de IA e bots?
Arquitetura
O diagrama a seguir mostra a arquitetura de um agente de fluxo de trabalho de ciência de dados.
Essa arquitetura inclui os seguintes componentes:
- Front-end
- Os usuários interagem com o sistema multiagente por um front-end, como uma interface de chat, que é executado como um serviço sem servidor do Cloud Run.
- Modelo de IA e ambientes de execução de modelo
- Para a disponibilização de inferência, os agentes neste exemplo de arquitetura usam o modelo mais recente do Gemini na Gemini Enterprise Agent Platform.
- Agentes
-
Essa arquitetura usa os seguintes agentes:
- Agente raiz: um agente coordenador que recebe solicitações do serviço de front-end. O agente raiz interpreta a solicitação do usuário e tenta resolvê-la por conta própria. Se a tarefa exigir ferramentas especializadas, o agente raiz delegará a solicitação ao agente especializado apropriado.
- Agente especializado: o agente raiz invoca os seguintes agentes especializados usando o recurso agente como ferramenta:
- Agente de análise: um agente especializado em análise de dados e visualização. O agente de análise usa o modelo de IA para gerar e executar código Python para processar conjuntos de dados, criar gráficos e realizar análises estatísticas.
- Agente do AlloyDB para PostgreSQL: um agente especializado para interagir com dados no AlloyDB para PostgreSQL. O agente usa o modelo de IA para interpretar a solicitação do usuário e gerar SQL no dialeto do PostgreSQL. O agente se conecta com segurança ao banco de dados usando o MCP Toolbox for Databases e, em seguida, executa a consulta para recuperar os dados solicitados.
- Agente do BigQuery: um agente especializado para interagir com dados no BigQuery. O agente usa o modelo de IA para interpretar a solicitação do usuário e gerar consultas GoogleSQL. O agente se conecta ao BigQuery usando a ferramenta integrada do BigQuery do Kit de Desenvolvimento de Agente (ADK) e executa a consulta para recuperar os dados solicitados.
- Agente do BigQuery ML: um subagente do agente raiz dedicado a fluxos de trabalho de machine learning. O agente interage com o BigQuery ML para gerenciar o ciclo de vida de ML de ponta a ponta. O agente pode criar e treinar modelos, executar avaliações e gerar previsões com base nas solicitações do usuário.
- Agent Runtime
- Os agentes de IA nessa arquitetura são implantados como serviços sem servidor do Cloud Run .
- ADK
- O ADK oferece ferramentas e um framework para desenvolver, testar e implantar agentes. O ADK abstrai a complexidade da criação de agentes e permite que os desenvolvedores de IA se concentrem na lógica e nos recursos do agente.
Produtos usados
Este exemplo de arquitetura usa os seguintes produtos e ferramentas do Google Cloud e de código aberto:
- Cloud Run: uma plataforma de computação sem servidor que permite executar contêineres diretamente na infraestrutura escalonável do Google.
- Kit de Desenvolvimento de Agente (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implantar agentes de IA.
- Gemini Enterprise Agent Platform: uma plataforma abrangente que permite criar, escalonar, governar e otimizar agentes de IA de nível empresarial.
- Gemini: uma família de modelos de IA multimodal desenvolvida pelo Google.
- BigQuery: um data warehouse corporativo que ajuda a gerenciar e analisar seus dados com recursos integrados, como análise geoespacial de machine learning e Business Intelligence.
- AlloyDB para PostgreSQL: um serviço de banco de dados totalmente gerenciado e compatível com PostgreSQL, projetado para as cargas de trabalho mais exigentes, incluindo processamento analítico e transacional híbrido.
- MCP Toolbox for Databases: um servidor de código aberto do Protocolo de Contexto de Modelo (MCP) que permite que os agentes de IA se conectem com segurança a bancos de dados, gerenciando complexidades como pooling de conexões, autenticação e observabilidade.
Considerações sobre segurança
Para ajudar a lidar com os riscos de segurança exclusivos dos agentes de IA, o Google recomenda uma abordagem que combina controles de segurança determinísticos com defesas dinâmicas baseadas em raciocínio:
- Supervisão humana: incorpore um fluxo human-in-the-loop em sistemas essenciais para os negócios, de modo que os supervisores humanos possam analisar as saídas e aprovar, substituir ou pausar as ações do agente.
- Identidade do agente: atribua a cada agente uma identidade vinculada à carga de trabalho para aplicar o controle de acesso com privilégio mínimo e gerenciar centralmente as credenciais de ferramentas externas.
- Gateway de Agente: aplique a governança de tráfego de entrada e saída, políticas de acesso de negação padrão e inspeção de comandos e ferramentas inline com o Model Armor.
- Registro de agentes: verifique se os agentes se conectam apenas a subagentes e ferramentas de MCP aprovados.
As orientações desta seção não são completas. Para mais informações sobre fatores de design e práticas recomendadas, além de recomendações sobre como criar e implantar um sistema de IA multiagente, consulte Sistema de IA multiagente no Google Cloud.
A seguir
- (Vídeo) Assista ao podcast Agent Factory sobre agentes de IA para engenharia e ciência de dados.
- (Notebook) Usar o agente de ciência de dados no Colab Enterprise.
- Saiba como hospedar agentes de IA no Cloud Run.
- Para uma visão geral dos princípios e recomendações de arquitetura específicos para cargas de trabalho de IA e ML no Google Cloud, consulte a perspectiva de IA e ML no Well-Architected Framework.
- Para mais arquiteturas de referência, diagramas e práticas recomendadas, confira a Central de arquitetura do Cloud.
Colaboradores
Autor: Samantha He | Redatora técnica
Outros colaboradores:
- Amina Mansour | Líder técnica, Relações globais com desenvolvedores e conteúdo estratégico
- Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
- Megan O'Keefe | Mediadora de desenvolvedores
- Rachael Deacon-Smith | Mediadora de desenvolvedores
- Shir Meir Lador | Gerente de engenharia de relações com desenvolvedores