Übersicht über die konversationelle Analyse

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

  • Erstellen Sie KI-Datenagenten, die automatisch den Daten kontext und die Anweisungen zur Abfrageverarbeitung für eine Reihe von Wissensquellen definieren, z. B. für Tabellen, Ansichten oder benutzerdefinierte Funktionen, die Sie auswählen.
  • Bei Bedarf können Sie Kontext und Anweisungen für einen KI-Agenten in Form von benutzerdefinierten Tabellen- und Feldmetadaten erstellen, Anweisungen für den KI-Agenten zur Interpretation und Abfrage der Daten geben oder verifizierte Abfragen (früher als Golden Queries bezeichnet) erstellen, um den KI-Datenagenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

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

Beispiele für Kontext und Anweisungen, die Sie dem KI-Agenten geben:

  • Kontext : Ein KI-Datenagent für die Umsatzanalyse kann so konfiguriert werden, dass er versteht, dass sich „Top-Performer“ auf Vertriebsmitarbeiter mit dem höchsten Umsatz bezieht und nicht nur auf die meisten abgeschlossenen Geschäfte.
  • Anweisungen : Sie können einen KI-Datenagenten 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 dann Gespräche mit ihnen führen, um Fragen zu BigQuery-Daten in natürlicher Sprache zu stellen. Sie können auch direkte Unterhaltungen mit einer oder mehreren Datenquellen erstellen, um einfache, einmalige Fragen zu beantworten.

Die konversationelle Analyse basiert auf Gemini für Google Cloud und unterstützt einige BigQuery ML-Funktionen. Weitere Informationen finden Sie unter BigQuery ML-Support.

Weitere Informationen dazu, wie und wann Gemini forIhre Daten verwendet. Google Cloud

KI-Agenten für Datenverarbeitung

KI-Datenagenten bestehen aus einer oder mehreren Wissensquellen und einer Reihe von Anweisungen, die speziell auf einen Anwendungsfall für die Verarbeitung dieser Daten zugeschnitten sind. 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 KI-Datenagenten. Sie können auch eine Verbindung zu Lakehouse-Tabellen als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Daten mit natürlicher Sprache abfragen.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
  • Geben Sie Anweisungen zur Interpretation und Abfrage der Daten an, z. B. durch Definition von:
    • Synonyme und Fachbegriffe für Feldnamen
    • Wichtigste Felder und Standardeinstellungen für das Filtern und Gruppieren
  • Erstellen Sie verifizierte Abfragen , mit denen der KI-Datenagent die Antwortstruktur eines KI-Agenten gestalten und die Geschäftslogik Ihres Unternehmens erlernen kann. Verifizierte Abfragen wurden früher als Golden Queries bezeichnet. Verifizierte Abfragen können unterstützte BigQuery ML-Funktionen und Suchparameterverwenden.
  • Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agenten oder importieren Sie Unternehmensglossarbegriffe aus dem Knowledge Catalog. Diese Begriffe helfen einem KI-Agenten, Nutzer-Prompts zu interpretieren. Informationen dazu, wann Sie welchen Typ verwenden sollten, finden Sie unter Glossarbegriffe erstellen oder überprüfen.

KI-Datenagenten verwalten

Auf dem Tab Agent Catalog (Agentenkatalog) in der Google Cloud Console können Sie die folgenden Arten von KI-Datenagenten erstellen, verwalten und verwenden:

  • Ein vordefinierter Beispiel-KI-Agent für jedes Google Cloud Projekt.
  • Eine Liste Ihrer entworfenen, erstellten und veröffentlichten KI-Agenten.
  • Eine Liste von KI-Agenten, die von anderen Personen erstellt und für Sie freigegeben wurden.

Weitere Informationen finden Sie unter KI-Datenagenten erstellen.

Andere Dienste im Projekt, die Datenagenten unterstützen, z. B. die konversationelle Analyse API und Data Studio, können auf Datenagenten zugreifen, die Sie in BigQuery erstellen. Sie können auch auf einen in der Google Cloud Console erstellten Agenten zugreifen, indem Sie ihn mit der konversationellen Analyse API aufrufen.

Unterhaltungen

Unterhaltungen sind persistente Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können KI-Datenagenten mehrteilige Fragen stellen, die gängige Begriffe wie „Umsatz“ oder „beliebteste“ verwenden, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten stellen, die sich in Objekten wie PDFs befinden.

Die Chatantwort enthält die folgenden Funktionen:

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

Wenn Sie eine direkte Unterhaltung mit einer Datenquelle erstellen, interpretiert die konversationelle Analyse API Ihre Frage ohne den Kontext und die Anweisungen zur Verarbeitung, die ein Datenagent bietet. Daher können die Ergebnisse direkter Unterhaltungen weniger genau sein. Verwenden Sie Datenagenten für Fälle, in denen eine höhere Genauigkeit erforderlich ist.

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

BigQuery ML-Support

Die konversationelle Analyse unterstützt die folgenden BigQuery ML-Funktionen in Antworten auf Chats mit KI-Datenagenten und Datenquellen sowie in verifizierten SQL-Abfragen, die Sie erstellen.

Wenn Sie die unterstützte Funktion AI.GENERATE verwenden möchten, benötigen Sie die erforderlichen Berechtigungen zum Ausführen generativer KI-Abfragen.

Anwendungsfälle für BigQuery ML

So aktivieren Sie unterstützte BigQuery ML-Funktionen:

  • Wenn Sie einen KI-Agenten erstellen und eine verifizierte Abfrage hinzufügen, z. B. wenn Sie als Data Scientist einen wiederkehrenden Bericht erstellen, können Sie unterstützte BigQuery ML-Funktionen in einer verifizierten Abfrage verwenden, um Standardeinstellungen zu beschreiben und den Bericht zu automatisieren.
  • Wenn Sie einem KI-Agenten in einer Unterhaltung oder in einer verifizierten Abfrage mit Keywords allgemeine Fragen zu Daten stellen, generiert der KI-Agent die BigQuery ML-SQL-Abfrage als Antwort auf Ihre Fragen.

In der folgenden Tabelle finden Sie Beispiele für One-Shot-Prompts, die die Verwendung von BigQuery ML aktivieren:

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Prognosen „Prognostiziere die Anzahl der Fahrten für den nächsten Monat.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Anomalieerkennung „Finde Ausreißer bei den Fahrten pro Tag für 2018 und verwende 2017 als Baseline.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
LLM-Textgenerierung „Fasse für jeden Artikel in der Kategorie „Sport“ die Spalte „body“ in 1–2 Sätzen zusammen.“ bigquery-public-data.bbc_news.fulltext

Sicherheit

Sie können den Zugriff auf die konversationelle Analyse in BigQuery mit den IAM-Rollen und ‑Berechtigungen der Conversational Analytics API verwalten. Informationen zu den für bestimmte Vorgänge erforderlichen Rollen finden Sie unter Erforderliche Rollen für KI-Datenagenten und Erforderliche Rollen für Unterhaltungen.

Standorte

Die konversationelle Analyse funktioniert global. Sie können nicht auswählen, welche Region verwendet werden soll.

Preise

Für Abfragen, die beim Erstellen von KI-Datenagenten und bei Unterhaltungen mit KI-Datenagenten oder Datenquellen ausgeführt werden, werden Ihnen die BigQuery-Compute Preise berechnet. Für das Erstellen und Verwenden von KI-Datenagenten und Unterhaltungen während des Vorschauzeitraums fallen keine zusätzlichen Kosten an.

Best Practices

In den folgenden Anleitungen finden Sie Best Practices für die Verwendung der konversationellen Analyse-API:

Beschränkungen

Weitere Informationen zu Beschränkungen für Abfragen, Unterhaltungen, Daten und Visualisierungen finden Sie unter Bekannte Einschränkungen der konversationellen Analyse-API.

Dynamisches gemeinsames Kontingent

Mit dem dynamischen gemeinsamen Kontingent (Dynamic Shared Quota, DSQ) in Vertex AI 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 ein festes Limit pro Projekt für den Modelldurchsatz gilt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gemeinsamen Pool können gelegentlich temporäre 429 Resource Exhausted-Fehler auftreten. Diese Fehler weisen darauf hin, dass die Kapazität des gemeinsamen Pools vorübergehend begrenzt ist, aber nicht, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Wenn Sie die Kapazität prüfen möchten, wiederholen Sie die Anfrage nach einer kurzen Verzögerung.

Nächste Schritte