Ringkasan analisis percakapan

Analisis percakapan di BigQuery memungkinkan Anda melakukan chat dengan agen tentang data Anda menggunakan bahasa alami. Untuk mendapatkan jawaban tentang data Anda, Anda dapat melakukan hal berikut:

  • Membuat agen data yang secara otomatis menentukan konteks data dan petunjuk pemrosesan kueri untuk sekumpulan sumber pengetahuan, seperti tabel, tampilan, grafik, atau fungsi yang ditentukan pengguna (UDF) yang Anda pilih.
  • Jika diperlukan, Anda dapat membuat konteks dan petunjuk untuk agen dalam bentuk metadata tabel dan kolom kustom, petunjuk kepada agen untuk menafsirkan dan mengkueri data, atau dengan membuat kueri terverifikasi (sebelumnya dikenal sebagai kueri golden) untuk mengonfigurasi agen data agar dapat menjawab pertanyaan secara efektif untuk kasus penggunaan tertentu.

Sebelum menyesuaikan agen, sebaiknya Anda menggunakan konteks dan petunjuk yang dibuat agen terlebih dahulu.

Beberapa contoh konteks dan petunjuk yang Anda berikan kepada agen adalah sebagai berikut:

  • Konteks. Agen data untuk analisis penjualan dapat dikonfigurasi untuk memahami bahwa "performer terbaik" mengacu pada perwakilan penjualan dengan pendapatan tertinggi, bukan hanya kesepakatan yang paling banyak ditutup.
  • Petunjuk. Anda dapat menginstruksikan agen data untuk selalu memfilter data ke kuartal terbaru saat ditanya tentang "tren", atau mengelompokkan hasil menurut "kategori produk" secara default.

Setelah membuat agen data, Anda dapat melakukan percakapan dengan agen tersebut untuk mengajukan pertanyaan tentang data BigQuery menggunakan bahasa alami. Anda juga dapat membuat percakapan langsung dengan satu atau beberapa sumber data untuk menjawab pertanyaan dasar yang diajukan satu kali.

Analisis percakapan didukung oleh Gemini untuk Google Cloud dan mendukung beberapa fungsi AI dan ML BigQuery. Untuk mengetahui informasi selengkapnya, lihat Dukungan AI dan ML BigQuery.

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Agen data

Agen data terdiri dari satu atau beberapa sumber pengetahuan, dan sekumpulan petunjuk khusus untuk kasus penggunaan pemrosesan data tersebut. Saat membuat agen data, Anda dapat mengonfigurasinya menggunakan opsi berikut:

  • Menggunakan sumber pengetahuan seperti tabel, tampilan, dan UDF dengan agen data. Anda juga dapat terhubung ke tabel Lakehouse tanpa batas sebagai sumber. Untuk mengetahui informasi selengkapnya, lihat Mengkueri tabel Lakehouse dengan bahasa alami.
  • Memberikan metadata tabel dan kolom kustom untuk mendeskripsikan data dengan cara yang paling sesuai untuk kasus penggunaan yang diberikan.
  • Memberikan petunjuk untuk menafsirkan dan mengkueri data, seperti menentukan hal berikut:
    • Sinonim dan istilah bisnis untuk nama kolom
    • Kolom dan default terpenting untuk pemfilteran dan pengelompokan
  • Membuat kueri terverifikasi yang dapat digunakan agen data untuk membentuk struktur respons agen dan mempelajari logika bisnis yang digunakan organisasi Anda. Kueri terverifikasi sebelumnya dikenal sebagai kueri golden. Kueri terverifikasi dapat menggunakan fungsi AI dan ML BigQuery yang didukung dan mendukung parameter kueri.
  • Membuat istilah glosarium kustom BigQuery untuk setiap agen atau mengimpor istilah glosarium bisnis dari Knowledge Catalog. Istilah ini membantu agen menafsirkan perintah pengguna. Untuk mengetahui saran tentang kapan harus menggunakan setiap jenis, lihat Membuat atau meninjau istilah glosarium.

Mengelola agen data

Anda dapat membuat, mengelola, dan menggunakan jenis agen data berikut di tab Agent Catalog di Google Cloud konsol:

  • Agen sampel yang telah ditentukan sebelumnya untuk setiap Google Cloud project.
  • Daftar agen yang Anda buat, draf, dan publikasikan.
  • Daftar agen yang dibuat dan dibagikan oleh orang lain kepada Anda.

Untuk mengetahui informasi selengkapnya, lihat Membuat agen data.

Layanan lain dalam project yang mendukung agen data, seperti Conversational Analytics API dan Data Studio, dapat mengakses agen data yang Anda buat di BigQuery. Anda juga dapat mengakses agen yang dibuat di Google Cloud konsol dengan memanggilnya menggunakan Conversational Analytics API.

Percakapan

Percakapan adalah chat yang disimpan dengan agen data atau sumber data. Anda dapat mengajukan pertanyaan multi-bagian kepada agen data yang menggunakan istilah umum seperti "penjualan" atau "paling populer", tanpa harus menentukan nama kolom tabel atau menentukan kondisi untuk memfilter data. Anda juga dapat mengajukan pertanyaan tentang data yang terdapat dalam objek seperti PDF. Agen dapat menentukan sumber data mana yang akan dikueri dan memanfaatkan pengoptimalan, seperti partisi tabel atau indeks penelusuran, saat membuat respons.

Respons chat yang ditampilkan kepada Anda menyediakan fitur berikut:

  • Jawaban atas pertanyaan Anda sebagai teks, kode, atau gambar (multimodal). Jawaban dapat mencakup fungsi AI dan ML BigQuery yang didukung.
  • Diagram yang dibuat jika sesuai.
  • Alasan agen di balik hasil.
  • Metadata tentang percakapan, seperti agen dan sumber data yang digunakan.

Saat Anda membuat percakapan langsung dengan sumber data, Conversational Analytics API akan menafsirkan pertanyaan Anda tanpa konteks dan petunjuk pemrosesan yang ditawarkan agen data. Oleh karena itu, hasil percakapan langsung dapat menjadi kurang akurat. Gunakan agen data untuk kasus yang memerlukan akurasi lebih tinggi.

Anda dapat membuat dan mengelola percakapan di BigQuery menggunakan Google Cloud konsol. Untuk mengetahui informasi selengkapnya, lihat Menganalisis data dengan percakapan.

Dukungan AI dan ML BigQuery

Analisis percakapan mendukung fungsi AI berikut sebagai respons terhadap chat dengan agen data dan sumber data, serta dalam kueri SQL terverifikasi yang Anda buat.

Anda harus memiliki izin yang diperlukan untuk menjalankan kueri AI generatif.

Agen hanya menggunakan fungsi AI.SEARCH pada tabel yang mengaktifkan pembuatan embedding otonom. Jika tidak, agen akan menggunakan fungsi AI.SIMILARITY, yang memerlukan pembuatan embedding real-time.

Kasus penggunaan

Untuk mengaktifkan fungsi yang didukung, gunakan fungsi tersebut dengan cara berikut:

  • Saat Anda membuat agen dan menambahkan kueri terverifikasi—misalnya, jika Anda adalah ilmuwan data yang menyiapkan laporan berulang—Anda dapat menggunakan fungsi AI yang didukung dalam kueri terverifikasi untuk mendeskripsikan default dan mengotomatiskan laporan.
  • Saat Anda mengajukan pertanyaan tingkat tinggi tentang data kepada agen, dalam percakapan, atau dalam kueri terverifikasi menggunakan kata kunci, agen akan membuat SQL sebagai respons terhadap pertanyaan Anda.

Tabel berikut menunjukkan contoh perintah satu kali yang mengaktifkan penggunaan fungsi AI atau ML:

Kasus penggunaan Contoh penggunaan Set data publik
Perkiraan "Prediksi jumlah perjalanan untuk bulan berikutnya." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Deteksi anomali "Temukan nilai ekstrem dalam perjalanan per hari untuk tahun 2018 menggunakan tahun 2017 sebagai dasar." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Pendorong utama "Identifikasi pendorong utama perubahan volume perjalanan antara tahun 2017 dan 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Pembuatan teks LLM "Untuk setiap artikel dalam kategori 'olahraga', ringkas kolom isi dalam 1-2 kalimat." bigquery-public-data.bbc_news.fulltext
Pemfilteran semantik "Untuk artikel dalam kategori teknologi, filter untuk menemukan artikel yang membahas terobosan dalam kecerdasan buatan." bigquery-public-data.bbc_news.fulltext
Pemberian skor semantik "Untuk artikel dalam kategori hiburan, berikan rating yang menunjukkan tingkat sentimen positifnya." bigquery-public-data.bbc_news.fulltext
Pengkategorian semantik "Beri tag pada setiap ulasan dengan fokus utama pengulas: Akting, Alur Cerita, Sinematografi, Penyutradaraan, atau Lainnya" bigquery-public-data.imdb.reviews
Penelusuran semantik "Temukan 5 ulasan teratas yang paling cocok dengan 'film thriller psikologis yang membangun ketegangan'" bigquery-public-data.imdb.reviews
Agregasi semantik "Ringkas ulasan untuk The English Patient" bigquery-public-data.imdb.reviews

Dukungan tugas analisis

Analisis percakapan mendukung analisis keranjang pasar, yang juga disebut sebagai pembelajaran aturan asosiasi, yaitu teknik yang digunakan untuk mengungkap pola pembelian. Analisis ini mengidentifikasi hubungan antara item yang sering dibeli bersama dalam satu transaksi.

Misalnya, Anda dapat mengajukan pertanyaan berikut dalam percakapan yang memiliki tabel bigquery-public-data.iowa_liquor_sales.sales sebagai sumber data:

What are the best product bundling opportunities based on data from 2025?

Analisis percakapan menggunakan template SQL bawaan untuk membantu menampilkan respons akurat yang mencakup metrik leverage, dukungan, kepercayaan, dan peningkatan.

Dukungan grafik

Analisis percakapan mendukung penggunaan grafik sebagai sumber data. Saat Anda mengajukan pertanyaan tentang grafik, agen akan membuat kueri SQL untuk menjawabnya. Agen dapat menggunakan deskripsi dan sinonim yang Anda tentukan pada label dan properti grafik untuk meningkatkan kualitas hasil. Agen juga dapat memanfaatkan ukuran yang ditentukan pada grafik untuk melakukan agregasi multi-level. Jika Anda memiliki edisi Enterprise atau Enterprise Plus, agen dapat menjalankan kueri GQL pada grafik Anda. Jika respons menyertakan jalur grafik, visualisasi grafik akan diberikan.

Misalnya, Anda dapat menggunakan agen sampel Look Graph di BigQuery di halaman Agents untuk mengajukan pertanyaan yang mirip dengan pertanyaan berikut tentang grafik 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

Batasan

Batasan berikut berlaku saat Anda menggunakan grafik sebagai sumber data:

  • Anda dapat menggunakan maksimal satu grafik sebagai sumber data per agen atau percakapan.
  • Anda tidak dapat menggabungkan tabel dan grafik sebagai sumber data.

Keamanan

Anda dapat mengelola akses ke analisis percakapan di BigQuery menggunakan peran dan izin IAM Conversational Analytics API permissions. Untuk mengetahui informasi tentang peran yang diperlukan untuk operasi tertentu, lihat peran yang diperlukan agen data dan peran yang diperlukan percakapan.

Analisis percakapan mencakup fitur dan perlindungan keamanan berikut:

  • Hanya dapat mengakses data dan resource yang memiliki izin untuk Anda akses.
  • Mematuhi kontrol keamanan VPC-SC.
  • Tidak dapat melakukan operasi tulis dan tidak dapat menjalankan kueri DML.
  • Tidak dapat menjalankan fungsi jarak jauh.
  • Hanya dapat mengakses sumber pengetahuan yang Anda pilih secara eksplisit.
  • Histori percakapan Anda hanya dibagikan kepada Anda. Anda tidak dapat membagikannya kepada pengguna lain.
  • Saat membuat agen data, Anda harus memiliki akses untuk mengkueri setiap sumber pengetahuan yang Anda tambahkan.

Lokasi

Analisis percakapan mendukung tiga lokasi yang mengatur penyimpanan resource agen dan percakapan, serta lokasi yang digunakan untuk pemrosesan ML:

  • MREP AS
  • MREP Uni Eropa
  • Global

Perilaku default berikut berlaku saat Anda membuat agen dan percakapan:

  • Jika semua sumber pengetahuan Anda berasal dari region di Amerika Serikat, MREP AS akan digunakan.
  • Jika semua sumber pengetahuan Anda berasal dari region di Uni Eropa, MREP Uni Eropa akan digunakan.
  • Jika tidak, lokasi global akan digunakan.

Saat membuat agen, Anda dapat memilih lokasi lain secara opsional. Setelah menyimpan agen, Anda tidak dapat mengubah lokasinya.

Agen yang dibuat sebelum 4 Juni 2026 berada di lokasi global.

Harga

Anda akan dikenai biaya sesuai harga komputasi BigQuery untuk kueri yang berjalan saat Anda membuat agen data dan melakukan percakapan dengan agen data atau sumber data. Untuk mengetahui informasi selengkapnya, baca tentang harga agen.

Praktik terbaik

Ikuti praktik terbaik berikut saat Anda menggunakan analisis percakapan:

  • Lakukan pembersihan data pada tabel Anda sebelum menambahkannya sebagai sumber data.

  • Gabungkan tabel terkait dalam tampilan dan gunakan tampilan tersebut sebagai sumber data, bukan mengandalkan agen untuk menentukan cara yang benar untuk menggabungkan data Anda.

  • Jalankan pemindaian profil pada data Anda.

  • Tetapkan cakupan agen Anda. Agen dengan cakupan luas dapat mengalami konflik petunjuk, output yang ambigu, dan performa yang tidak konsisten. Jika agen Anda memerlukan lebih dari 20 sumber data, digunakan di seluruh tim yang memiliki definisi metrik yang berbeda, atau memprioritaskan satu jenis hasil dengan mengorbankan jenis hasil lainnya, pertimbangkan untuk membuat agen tambahan.

  • Berikan konteks kepada agen Anda. Prioritaskan jenis konteks dengan cara berikut:

    1. Kueri terverifikasi. SQL deterministik yang dieksekusi saat cocok dengan perintah pengguna.
    2. Glosarium. Definisi istilah yang menautkan kolom ke konteks semantik.
    3. Petunjuk agen. Aturan dan definisi perilaku global yang ditulis menggunakan bahasa alami, seperti definisi kalender fiskal atau aturan pemformatan.

  • Tambahkan deskripsi tabel dan kolom ke tabel Anda.

  • Jangan menduplikasi definisi glosarium di Knowledge Catalog dan glosarium kustom BigQuery.

  • Tetapkan batas pembelanjaan level project, tingkat pengguna, dan tingkat kueri untuk mengelola biaya agen Anda.

  • Ajukan pertanyaan yang efektif dalam percakapan Anda.

  • Pahami cara kerja retensi dan penghapusan data untuk agen data dan percakapan.

Batasan

Anda dapat menambahkan maksimal 100 sumber pengetahuan ke agen.

Untuk mengetahui informasi selengkapnya tentang batasan kueri, percakapan, data, dan visualisasi, lihat Batasan yang diketahui Conversational Analytics API.

Kuota bersama dinamis

Kuota Bersama Dinamis (DSQ) di Gemini Enterprise Agent Platform mengelola kapasitas untuk model Gemini. Tidak seperti kuota konvensional, DSQ memungkinkan Anda mengakses kumpulan resource bersama yang besar tanpa batas tetap per project untuk throughput model.

Performa, seperti latensi, dapat bervariasi bergantung pada beban sistem secara keseluruhan. Selama waktu permintaan tinggi di seluruh kumpulan bersama, Anda mungkin sesekali mengalami error 429 Resource Exhausted sementara. Error ini menunjukkan bahwa kapasitas kumpulan bersama dibatasi untuk sementara, tetapi bukan berarti Anda telah mencapai batas kuota tertentu di project Anda. Untuk memeriksa kapasitas, coba lagi permintaan setelah beberapa saat.

Mengidentifikasi dan menganalisis kueri yang dibuat agen

Tugas BigQuery yang dijalankan oleh agen data menyertakan label tertentu. Label ini memungkinkan Anda mengidentifikasi, memfilter, dan menganalisis tugas agen.

Anda dapat menggunakan label ini untuk tugas berikut:

Mengidentifikasi label agen data

BigQuery menerapkan label ke tugas yang dijalankan oleh analisis percakapan. Label ini dihitung dalam batas 64 label pada resource tugas. Untuk mendapatkan label untuk pemfilteran dan analisis lainnya, lihat label di Google Cloud konsol. Anda juga dapat menerapkan label kustom ke agen data. Anda tidak dapat menggunakan label kustom untuk mengganti label yang dibuat sistem.

Untuk melihat label agen data, ikuti langkah-langkah berikut:

  1. Di Google Cloud konsol, lihat detail tugas.

  2. Di panel Query job details, temukan bagian Labels, lalu cari label berikut:

    • ca-bq-job: true menunjukkan bahwa tugas Anda dijalankan menggunakan analisis percakapan.
    • data-agent-id: DATA_AGENT_ID menunjukkan bahwa tugas dijalankan oleh agen data. Nilainya adalah segmen ID resource yang diekstrak dari nama resource agen data.
    • conversation-id: CONVERSATION_ID menunjukkan bahwa tugas dikaitkan dengan percakapan. Nilainya adalah segmen ID yang diekstrak dari nama resource percakapan.

Menganalisis tugas yang dibuat agen

Gunakan label untuk menganalisis tugas yang dibuat agen. Misalnya, untuk memeriksa jumlah tugas yang dijalankan oleh agen data, jalankan kueri berikut terhadap tampilan INFORMATION_SCHEMA.JOBS:

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'
  );

Ganti kode berikut:

  • PROJECT_ID: ID project Anda Google Cloud .
  • REGION: region tempat tugas Anda berjalan (misalnya, us atau eu).

Langkah berikutnya