Este documento descreve 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 código SQL ou Python complexo.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores que criam e gerenciam aplicativos de IA agêntica. Essa arquitetura permite que equipes de negócios e de dados analisem métricas em uma ampla variedade de setores, como varejo, finanças e manufatura. O documento pressupõe uma compreensão básica dos sistemas de IA agêntica. Para informações sobre como os agentes diferem dos sistemas não agentes, consulte Qual é a diferença entre agentes de IA, assistentes de IA e bots?
A seção de implantação deste documento fornece links para exemplos de código para ajudar você a experimentar a implantação de um aplicativo de IA agêntica que executa um fluxo de trabalho de ciência de dados.
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:
| Componente | Descrição |
|---|---|
| Front-end | Os usuários interagem com o sistema multiagente por meio de um front-end, como uma interface de chat, que é executado como um serviço sem servidor do Cloud Run. |
| Agentes | Essa arquitetura usa os seguintes agentes:
|
| Ambiente de execução de agentes | Os agentes de IA nessa arquitetura são implantados como serviços sem servidor do Cloud Run. |
| ADK | O ADK fornece 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. |
| Modelo de IA e ambientes de execução de modelos | Para a veiculação de inferências, os agentes nessa arquitetura de exemplo usam o modelo mais recente do Gemini na Vertex AI. |
Produtos usados
Essa arquitetura de exemplo usa os seguintes Google Cloud produtos e ferramentas 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.
- Vertex AI: uma plataforma de ML que permite treinar e implantar modelos de ML e aplicativos de IA, além de personalizar LLMs para uso em aplicativos com tecnologia de IA.
- Gemini: uma família de modelos de IA multimodais 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 para bancos de dados: um servidor de Protocolo de Contexto de Modelo (MCP, na sigla em inglês) de código aberto que permite que agentes de IA se conectem com segurança a bancos de dados, gerenciando complexidades de banco de dados, como pool de conexões, autenticação e observabilidade.
Implantação
Para implantar uma implementação de exemplo dessa arquitetura, use Ciência de dados com vários agentes. O repositório fornece dois conjuntos de dados de exemplo para demonstrar a flexibilidade do sistema, incluindo um conjunto de dados de voos para análise operacional e um conjunto de dados de vendas de e-commerce para análise de negócios.
A seguir
- (Vídeo) Assista o podcast da Agent Factory sobre agentes de IA para engenharia e ciência de dados.
- (Notebook) Use 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 arquitetônicas específicos para cargas de trabalho de IA e ML em 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 da equipe de avaliações do Cloud Platform
- 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