Übersicht über die konversationelle Analyse

Mit der konversationellen Analyse in BigQuery können Sie sich in natürlicher Sprache mit KI-Agenten über Ihre Daten unterhalten. So erhalten Sie Antworten zu Ihren Daten:

  • Daten-Agents erstellen, die automatisch den Datenkontext und Anweisungen zur Verarbeitung von Anfragen für eine Reihe von Wissensquellen wie Tabellen, Ansichten, Grafiken oder benutzerdefinierte Funktionen (User-Defined Functions, UDFs) definieren, die Sie auswählen.
  • Bei Bedarf können Sie Kontext und Anweisungen für einen Agenten in Form von benutzerdefinierten Tabellen- und Feldmetadaten, Anweisungen für den Agenten zum Interpretieren und Abfragen der Daten oder durch Erstellen von verifizierten Anfragen (früher als Golden Queries bezeichnet) erstellen, um den Datenagenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

Bevor Sie einen Agent anpassen, sollten Sie zuerst mit dem Kontext und den Anweisungen arbeiten, die der Agent erstellt.

Hier einige Beispiele für Kontext und Anweisungen, die Sie dem Agenten geben können:

  • Context ist. Ein Daten-Agent für die Verkaufsanalyse kann so konfiguriert werden, dass „Top-Performer“ sich auf Vertriebsmitarbeiter mit dem höchsten Umsatz und nicht nur auf die meisten abgeschlossenen Geschäfte bezieht.
  • Befehle: Sie können einen Daten-Agenten anweisen, Daten immer nach dem letzten Quartal zu filtern, wenn er nach „Trends“ gefragt wird, oder Ergebnisse standardmäßig nach „Produktkategorie“ zu gruppieren.

Nachdem Sie KI-Datenagenten erstellt haben, können Sie Unterhaltungen mit ihnen führen und Fragen zu BigQuery-Daten in natürlicher Sprache stellen. Sie können auch direkte Unterhaltungen mit einer oder mehreren Datenquellen erstellen, um einfache, einmalige Fragen zu beantworten.

Die Funktion „Konversationelle Analysen“ basiert auf Gemini für Google Cloud und unterstützt einige BigQuery ML-Funktionen. Weitere Informationen finden Sie unter BigQuery ML-Unterstützung.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet

KI-Agenten für Datenverarbeitung

KI-Datenagenten bestehen aus einer oder mehreren Wissensquellen und einer Reihe von anwendungsfallspezifischen Anweisungen zur Verarbeitung dieser Daten. Wenn Sie einen KI-Datenagenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Verwenden Sie Wissensquellen wie Tabellen, Ansichten und benutzerdefinierte Funktionen mit einem Daten-Agent. Sie können auch eine Verbindung zu Lakehouse-Tabellen als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Daten in natürlicher Sprache abfragen.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
  • Geben Sie Anleitungen zum Interpretieren und Abfragen der Daten an, z. B. durch Definieren der folgenden Elemente:
    • Synonyme und geschäftliche Begriffe für Feldnamen
    • Wichtigste Felder und Standardeinstellungen zum Filtern und Gruppieren
  • Erstellen Sie bestätigte Abfragen, mit denen der Daten-Agent die Antwortstruktur eines Agents gestalten und die Geschäftslogik Ihres Unternehmens erlernen kann. Bestätigte Abfragen wurden zuvor als Golden Queries bezeichnet. Für bestätigte Abfragen können unterstützte BigQuery ML-Funktionen verwendet werden und sie unterstützen Abfrageparameter.
  • Erstellen Sie für jeden Agent benutzerdefinierte BigQuery-Glossarbegriffe oder importieren Sie Unternehmensglossarbegriffe aus Knowledge Catalog. Diese Begriffe helfen einem Agent, Nutzerprompts zu interpretieren. Hinweise dazu, wann Sie welchen Typ verwenden sollten, finden Sie unter Glossarbegriffe erstellen oder überprüfen.

Daten-Agents verwalten

Sie können die folgenden Arten von Data Agents auf dem Tab Agent Catalog in der Google Cloud Console erstellen, verwalten und verwenden:

  • Ein vordefinierter Beispiel-Agent für jedes Google Cloud -Projekt.
  • Eine Liste Ihrer Agenten, die sich im Entwurfs-, Erstellungs- oder Veröffentlichungsstatus befinden.
  • Eine Liste von Agenten, die von anderen Personen erstellt und für Sie freigegeben wurden.

Weitere Informationen finden Sie unter Daten-Agents erstellen.

Andere Dienste im Projekt, die Datenagenten unterstützen, z. B. die Conversational Analytics API und Data Studio, können auf Datenagenten zugreifen, die Sie in BigQuery erstellen. Sie können auch über die Conversational Analytics API auf einen in der Google Cloud Console erstellten Agenten zugreifen.

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können Daten-Agents mehrteilige Fragen mit gängigen Begriffen wie „Umsatz“ oder „beliebtesten“ stellen, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten in Objekten wie PDFs stellen.

Die Chatantwort, die Sie erhalten, bietet die folgenden Funktionen:

  • Die Antwort auf Ihre Frage als Text, Code oder Bilder (multimodal). Die Antwort kann unterstützte BigQuery ML-Funktionen enthalten.
  • Bei Bedarf werden Diagramme generiert.
  • Graphvisualisierungen für GQL-Abfragepfade.
  • Die Begründung des KI-Agenten für die Ergebnisse.
  • Metadaten zur Unterhaltung, z. B. der verwendete Agent und die verwendeten Datenquellen.

Wenn Sie eine direkte Unterhaltung mit einer Datenquelle erstellen, interpretiert die Conversational Analytics API Ihre Frage ohne den Kontext und die Verarbeitungsanweisungen, die ein KI-Datenagent bietet. Daher sind die Ergebnisse direkter Unterhaltungen möglicherweise weniger genau. Verwenden Sie Data Agents für Fälle, die eine höhere Genauigkeit erfordern.

Sie können Unterhaltungen in BigQuery über dieGoogle Cloud Console erstellen und verwalten. Weitere Informationen finden Sie unter Daten mit Unterhaltungen analysieren.

Unterstützung von KI und ML in BigQuery

Die konversationelle Analyse unterstützt die folgenden KI-Funktionen als Reaktion auf Chats mit Datenagenten und Datenquellen sowie in überprüften SQL-Abfragen, die Sie erstellen.

Sie benötigen die erforderlichen Berechtigungen, um Abfragen für generative KI auszuführen.

Der Agent verwendet die Funktion AI.SEARCH nur für Tabellen, für die autonome Einbettungsgenerierung aktiviert ist. Andernfalls verwendet der Agent die Funktion AI.SIMILARITY, für die die Einbettungen in Echtzeit generiert werden müssen.

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

  • Wenn Sie einen Agent erstellen und eine bestätigte Abfrage hinzufügen, z. B. wenn Sie als Data Scientist einen wiederkehrenden Bericht erstellen, können Sie unterstützte KI-Funktionen in einer bestätigten Abfrage verwenden, um Standardwerte zu beschreiben und den Bericht zu automatisieren.
  • Wenn Sie einem Agenten in einer Unterhaltung oder in einer bestätigten Abfrage mit Schlüsselwörtern allgemeine Fragen zu Daten stellen, generiert der Agent als Antwort SQL.

Die folgende Tabelle enthält Beispiele für One-Shot-Prompts, die die Verwendung von KI- oder ML-Funktionen aktivieren:

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Prognosen „Sag die Anzahl der Fahrten für den nächsten Monat voraus.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Anomalieerkennung „Finde Ausreißer bei den Fahrten pro Tag für 2018, wobei 2017 als Baseline verwendet wird.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Wichtige Faktoren „Identifiziere die wichtigsten Faktoren für Veränderungen beim Fahrtvolumen zwischen 2017 und 2018.“ bigquery-public-data.austin_bikeshare.bikeshare_trips
LLM-Textgenerierung „Fasse für jeden Artikel in der Kategorie ‚Sport‘ die Spalte ‚body‘ in ein bis zwei Sätzen zusammen.“ bigquery-public-data.bbc_news.fulltext
Semantische Filterung „Finde für die Artikel in der Kategorie ‚Technik‘ diejenigen, in denen es um Durchbrüche im Bereich der künstlichen Intelligenz geht.“ bigquery-public-data.bbc_news.fulltext
Semantische Bewertung „Gib für die Artikel in der Kategorie ‚Unterhaltung‘ eine Bewertung an, die den Grad der positiven Stimmung angibt.“ bigquery-public-data.bbc_news.fulltext
Semantische Kategorisierung „Tag each review with the reviewer's main focus: Acting, Plot, Cinematography, Directing, or Other“ (Tagge jede Rezension mit dem Hauptfokus des Rezensenten: Schauspiel, Handlung, Kamera, Regie oder Sonstiges) bigquery-public-data.imdb.reviews
Semantische Suche „Finde die fünf Rezensionen, die am ehesten dem Begriff ‚spannungsaufbauender Psychothriller‘ entsprechen.“ bigquery-public-data.imdb.reviews

Unterstützung von Diagrammen

Für Conversational Analytics kann ein Diagramm als Datenquelle verwendet werden. Wenn Sie Fragen zu Ihrem Diagramm stellen, erstellt der Agent GQL- oder SQL-Abfragen, um sie zu beantworten. KI-Agents können Beschreibungen und Synonyme verwenden, die Sie für Ihre Diagrammlabels und ‑attribute definieren, um die Qualität der Ergebnisse zu verbessern. Agenten können auch Messwerte nutzen, die in Ihrem Diagramm definiert sind, um eine mehrstufige Aggregation durchzuführen. Wenn die Antwort Pfade im Diagramm enthält, werden Diagrammvisualisierungen bereitgestellt.

Sie können beispielsweise den Beispiel-Agenten Look Graph auf BigQuery Agents verwenden, um Fragen zu stellen, die den folgenden ähneln:bigquery-public-data.thelook_ecommerce.graph

  • Which product is most popular among 25-year-olds?
  • Show me the connection between bow tie orders and distribution centers

Wenn Sie ein Diagramm als Datenquelle verwenden, gelten die folgenden Einschränkungen:

  • Sie können pro Agent oder Unterhaltung maximal einen Graphen als Datenquelle verwenden.
  • Tabellen und Grafiken können nicht als Datenquellen kombiniert werden.

Sicherheit

Sie können den Zugriff auf Conversational Analytics in BigQuery mit IAM-Rollen und ‑Berechtigungen für die Conversational Analytics API verwalten. Informationen zu den Rollen, die für bestimmte Vorgänge erforderlich sind, finden Sie unter Erforderliche Rollen für den Daten-Agent und Erforderliche Rollen für Unterhaltungen.

Standorte

Die Funktion „Konversationelle Analysen“ ist global verfügbar. Sie können nicht auswählen, welche Region verwendet werden soll.

Preise

Für Abfragen, die ausgeführt werden, wenn Sie Daten-Agents erstellen und mit Daten-Agents oder Datenquellen interagieren, fallen BigQuery-Compute-Preise an. Für die Erstellung und Verwendung von Data Agents und Unterhaltungen fallen während des Vorschauzeitraums keine zusätzlichen Gebühren an.

Best Practices

In den folgenden Anleitungen finden Sie Best Practices für die Verwendung der Conversational Analytics API:

Beschränkungen

Weitere Informationen zu Einschränkungen bei Abfragen, Unterhaltungen, Daten und Visualisierungen finden Sie unter Bekannte Einschränkungen der Conversational Analytics API.

Dynamisches gemeinsames Kontingent

Mit dem dynamischen gemeinsamen Kontingent (Dynamic Shared Quota, DSQ) in der Gemini Enterprise Agent Platform wird die Kapazität für das Gemini-Modell verwaltet. Im Gegensatz zu herkömmlichen Kontingenten können Sie mit DSQ auf einen großen gemeinsamen Ressourcenpool zugreifen, ohne dass es ein festes projektbezogenes Limit für den Modelldurchsatz gibt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gesamten freigegebenen Pool kann es gelegentlich zu temporären 429 Resource Exhausted-Fehlern kommen. Diese Fehler deuten darauf hin, dass die Kapazität des gemeinsam genutzten Pools vorübergehend eingeschränkt ist, nicht aber, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Wenn Sie die Kapazität prüfen möchten, wiederholen Sie die Anfrage nach einer kurzen Verzögerung.

Von Agenten generierte Anfragen identifizieren und analysieren

Für BigQuery-Jobs, die von einem Daten-Agent ausgeführt werden, sind bestimmte Labels enthalten. Mit diesen Labels können Sie die Jobs des Agents identifizieren, filtern und analysieren.

Sie können diese Labels für die folgenden Aufgaben verwenden:

Labels für Daten-Agents in der Google Cloud -Console ermitteln

BigQuery wendet Labels auf Jobs an, die von einem Daten-Agent ausgeführt werden. Wenn Sie den Label-Schlüssel zum Filtern und für andere Analysen benötigen, sehen Sie ihn in derGoogle Cloud -Konsole.

So rufen Sie den Labelschlüssel eines Daten-Agents auf:

  1. Rufen Sie die Jobdetails in der Google Cloud -Konsole auf.

  2. Suchen Sie im Bereich Abfragejobdetails nach dem Abschnitt Labels und nach Labels mit dem Präfix ca, z. B. ca-bq-job: true.

Von Agenten generierte Jobs analysieren

Verwenden Sie das Label, um von Agenten generierte Jobs zu analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem Daten-Agent ausgeführt wurden, führen Sie die folgende Abfrage für die Ansicht INFORMATION_SCHEMA.JOBS aus:

SELECT
  COUNT(*) AS job_count
FROM
  `PROJECT_ID`.`region-REGION`.INFORMATION_SCHEMA.JOBS
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(labels) AS label
    WHERE label.key = 'ca-bq-job' AND label.value = 'true'
  );

Ersetzen Sie Folgendes:

  • PROJECT_ID: Projekt-ID in Google Cloud .
  • REGION: Die Region, in der Ihre Jobs ausgeführt werden, z. B. us oder eu.

Nächste Schritte