Panoramica dell'analisi conversazionale

L'analisi conversazionale in BigQuery ti consente di chattare con gli agenti sui tuoi dati utilizzando il linguaggio naturale. Per ricevere risposte sui tuoi dati, puoi fare quanto segue:

  • Crea agenti di dati che definiscono automaticamente il contesto dei dati e le istruzioni di elaborazione delle query per un insieme di origini della conoscenza, come tabelle, viste, grafici o funzioni definite dall'utente che selezioni.
  • Se necessario, puoi creare contesto e istruzioni per un agente sotto forma di metadati personalizzati di tabelle e campi, istruzioni per l'agente per interpretare ed eseguire query sui dati o creando query verificate (precedentemente note come query dorate) per configurare l'agente di dati in modo che risponda in modo efficace alle domande per casi d'uso specifici.

Prima di personalizzare un agente, ti consigliamo di lavorare prima con il contesto e le istruzioni create dall'agente.

Ecco alcuni esempi di contesto e istruzioni che fornisci all'agente:

  • Contesto. Un agente dati per l'analisi delle vendite può essere configurato per comprendere che "migliori venditori" si riferisce ai rappresentanti di vendita con le entrate più elevate, anziché solo al maggior numero di contratti conclusi.
  • Istruzioni. Puoi chiedere a un agente dei dati di filtrare sempre i dati in base all'ultimo trimestre quando gli viene chiesto di "tendenze" o di raggruppare i risultati per "categoria di prodotto" per impostazione predefinita.

Dopo aver creato gli agenti di dati, puoi conversare con loro per porre domande sui dati di BigQuery utilizzando il linguaggio naturale. Puoi anche creare conversazioni dirette con una o più origini dati per rispondere a domande di base una tantum.

L'analisi conversazionale è basata su Gemini in Google Cloud e supporta alcune funzioni di AI e ML di BigQuery. Per maggiori informazioni, consulta Supporto di BigQuery AI e ML.

Scopri come e quando Gemini per Google Cloud utilizza i tuoi dati.

Agenti di dati

Gli agenti di dati sono costituiti da una o più fonti di conoscenza e da un insieme di istruzioni specifiche per un caso d'uso per l'elaborazione di questi dati. Quando crei un agente di dati, puoi configurarlo utilizzando le seguenti opzioni:

  • Utilizza origini di conoscenza come tabelle, viste e funzioni definite dall'utente con un agente dati. Puoi anche connetterti alle tabelle Lakehouse come origini. Per maggiori informazioni, consulta Eseguire query sui dati di Lakehouse con il linguaggio naturale.
  • Fornisci metadati personalizzati per tabelle e campi per descrivere i dati nel modo più appropriato per il caso d'uso specifico.
  • Fornisci istruzioni per l'interpretazione e l'interrogazione dei dati, ad esempio definendo quanto segue:
    • Sinonimi e termini commerciali per i nomi dei campi
    • Campi e valori predefiniti più importanti per il filtraggio e il raggruppamento
  • Crea query verificate che l'agente dati può utilizzare per definire la struttura della risposta di un agente e per apprendere la logica di business utilizzata dalla tua organizzazione. Le query verificate erano precedentemente note come query d'oro. Le query verificate possono utilizzare le funzioni AI e ML di BigQuery supportate e supportano i parametri di query.
  • Crea termini di glossario personalizzati BigQuery per ogni agente o importa i termini del glossario aziendale da Knowledge Catalog. Questi termini aiutano un agente a interpretare i prompt degli utenti. Per consigli su quando utilizzare ciascun tipo, consulta Creare o rivedere i termini del glossario.

Gestisci agenti dati

Puoi creare, gestire e utilizzare i seguenti tipi di agenti di dati nella scheda Catalogo agenti della console Google Cloud :

  • Un agente di esempio predefinito per ogni progetto Google Cloud .
  • Un elenco degli agenti che hai creato, pubblicato e messo in bozza.
  • Un elenco di agenti creati e condivisi con te da altre persone.

Per saperne di più, vedi Creare agenti di dati.

Altri servizi nel progetto che supportano gli agenti dati, come l'API Conversational Analytics e Data Studio, possono accedere agli agenti dati che crei in BigQuery. Puoi anche accedere a un agente creato nella console Google Cloud chiamandolo utilizzando l'API Conversational Analytics.

Conversazioni

Le conversazioni sono chat persistenti con un agente dati o un'origine dati. Puoi porre agli agenti dei dati domande in più parti che utilizzano termini comuni come "vendite" o "più popolare", senza dover specificare i nomi dei campi della tabella o definire le condizioni per filtrare i dati. Puoi anche porre domande sui dati contenuti in oggetti come i PDF. Quando crea una risposta, un agente può determinare quali origini dati interrogare e sfruttare le ottimizzazioni, come partizioni di tabelle o indici di ricerca.

La risposta della chat restituita offre le seguenti funzionalità:

  • La risposta alla tua domanda sotto forma di testo, codice o immagini (multimodale). La risposta può includere funzioni BigQuery AI e ML supportate.
  • Grafici generati, ove appropriato.
  • Il ragionamento dell'agente alla base dei risultati.
  • Metadati sulla conversazione, come l'agente e le origini dati utilizzati.

Quando crei una conversazione diretta con un'origine dati, l'API Conversational Analytics interpreta la tua domanda senza il contesto e le istruzioni di elaborazione che offre un agente dati. Per questo motivo, i risultati delle conversazioni dirette possono essere meno accurati. Utilizza gli agenti di dati per i casi che richiedono maggiore precisione.

Puoi creare e gestire le conversazioni in BigQuery utilizzando la consoleGoogle Cloud . Per saperne di più, consulta Analizzare i dati con le conversazioni.

Supporto di BigQuery AI e ML

Analisi conversazionale supporta le seguenti funzioni AI in risposta alle chat con agenti e origini dati e nelle query SQL verificate che crei.

Devi disporre delle autorizzazioni necessarie per eseguire query di AI generativa.

L'agente utilizza solo la funzione AI.SEARCH sulle tabelle per cui è abilitata la generazione autonoma di incorporamenti. In caso contrario, l'agente utilizza la funzione AI.SIMILARITY, che richiede la generazione di incorporamenti in tempo reale.

Casi d'uso

Per attivare le funzioni supportate, utilizzale nei seguenti modi:

  • Quando crei un agente e aggiungi una query verificata, ad esempio se sei un data scientist che prepara un report ricorrente, puoi utilizzare le funzioni di AI supportate in una query verificata per descrivere i valori predefiniti e automatizzare il report.
  • Quando poni domande di alto livello sui dati a un agente, in una conversazione o in una query verificata utilizzando parole chiave, l'agente genera SQL in risposta alle tue domande.

La tabella seguente mostra esempi di prompt one-shot che attivano l'utilizzo di funzioni di AI o ML:

Caso d'uso Esempi di utilizzo Set di dati pubblico
Previsione "Prevedi il numero di viaggi per il mese successivo." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Rilevamento di anomalie "Trova i valori anomali nei viaggi al giorno per il 2018 utilizzando il 2017 come base di riferimento". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Fattori chiave "Identifica i fattori chiave dei cambiamenti nel volume delle corse tra il 2017 e il 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Generazione di testo tramite LLM "Per ogni articolo della categoria "sport", riepiloga la colonna del corpo in 1-2 frasi". bigquery-public-data.bbc_news.fulltext
Filtro semantico "Per gli articoli della categoria tecnologia, filtra per trovare quelli che parlano di scoperte rivoluzionarie nell'intelligenza artificiale". bigquery-public-data.bbc_news.fulltext
Punteggio semantico "Per gli articoli della categoria intrattenimento, fornisci una valutazione che indichi il grado di sentimento positivo." bigquery-public-data.bbc_news.fulltext
Categorizzazione semantica "Assegna a ogni recensione l'argomento principale del recensore: recitazione, trama, fotografia, regia o altro". bigquery-public-data.imdb.reviews
Ricerca semantica "Trova le 5 recensioni che corrispondono maggiormente a "thriller psicologico ricco di suspense"" bigquery-public-data.imdb.reviews

Supporto dei grafici

L'analisi conversazionale supporta l'utilizzo di un grafico come origine dati. Quando poni domande sul tuo grafico, l'agente crea query GQL o SQL per rispondere. Gli agenti possono utilizzare descrizioni e sinonimi che definisci nelle etichette e nelle proprietà del grafico per migliorare la qualità dei risultati. Gli agenti possono anche sfruttare le misure definite sul grafico per eseguire l'aggregazione multilivello. Se la risposta include i percorsi del grafico, vengono fornite le visualizzazioni del grafico.

Ad esempio, puoi utilizzare l'agente di esempio Look Graph su BigQuery nella pagina Agenti per porre domande simili alle seguenti sul grafico 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

Limitazioni

Quando utilizzi un grafico come origine dati, si applicano le seguenti limitazioni:

  • Puoi utilizzare al massimo un grafico come origine dati per agente o conversazione.
  • Non puoi combinare tabelle e grafici come origini dati.

Sicurezza

Puoi gestire l'accesso all'analisi conversazionale in BigQuery utilizzando i ruoli e le autorizzazioni IAM dell'API Conversational Analytics. Per informazioni sui ruoli necessari per operazioni specifiche, consulta i ruoli richiesti per l'agente dati e i ruoli richiesti per la conversazione.

L'analisi conversazionale include le seguenti funzionalità e misure di sicurezza:

  • Può accedere solo ai dati e alle risorse per cui hai l'autorizzazione.
  • Rispetta i controlli di sicurezza VPC-SC.
  • Non può eseguire operazioni di scrittura e query DML.
  • Non può eseguire funzioni remote.
  • Può accedere solo alle fonti di conoscenza che selezioni esplicitamente.
  • La cronologia delle conversazioni viene condivisa solo con te. Non puoi condividerlo con altri utenti.
  • Quando crei un agente dati, devi avere accesso per eseguire query su ogni fonte di conoscenza che aggiungi.

Località

L'analisi conversazionale supporta tre località che regolano l'archiviazione delle risorse di agenti e conversazioni e la località utilizzata per l'elaborazione ML:

  • US MREP
  • Endpoint multiregionale EU
  • Globale

Quando crei agenti e conversazioni, vengono applicati i seguenti comportamenti predefiniti:

  • Se tutte le tue fonti di conoscenza provengono da regioni degli Stati Uniti, viene utilizzato l'MREP degli Stati Uniti.
  • Se tutte le tue fonti di conoscenza provengono da regioni dell'UE, viene utilizzato l'MREP UE.
  • In caso contrario, viene utilizzata la posizione globale.

Quando crei un agente, puoi facoltativamente selezionare una località diversa. Dopo aver salvato l'agente, non puoi modificarne la posizione.

Gli agenti creati prima del 4 giugno 2026 si trovano nella posizione globale.

Prezzi

Ti vengono addebitati i costi di BigQuery Compute pricing per le query eseguite quando crei agenti di dati e hai conversazioni con agenti di dati o origini dati. Per ulteriori informazioni, leggi i dettagli sui prezzi degli agenti.

Best practice

Segui queste best practice quando lavori con l'analisi conversazionale:

  • Esegui la pulizia dei dati nelle tabelle prima di aggiungerle come origini dati.

  • Unisci le tabelle correlate in una visualizzazione e utilizza questa visualizzazione come origine dati, anziché affidarti all'agente per determinare il modo corretto di unire i dati.

  • Esegui scansioni dei profili sui tuoi dati.

  • Definisci l'ambito dei tuoi agenti. Gli agenti con un ambito ampio possono presentare conflitti istruzionali, output ambigui e prestazioni incoerenti. Se il tuo agente richiede più di 20 origini dati, viene utilizzato da team con definizioni di metriche diverse o dà la priorità a un tipo di risultato a discapito di un altro, valuta la possibilità di creare agenti aggiuntivi.

  • Fornisci il contesto all'agente. Dai la priorità ai tipi di contesto nel seguente modo:

    1. Query verificate. SQL deterministico che viene eseguito quando corrisponde a un prompt utente.
    2. Glossari. Definizioni dei termini che collegano le colonne al contesto semantico.
    3. Istruzioni per l'agente. Regole e definizioni di comportamento globali scritte utilizzando un linguaggio naturale, ad esempio definizioni di calendario fiscale o regole di formattazione.

  • Aggiungi descrizioni di tabelle e colonne alle tue tabelle.

  • Non duplicare le definizioni del glossario in Knowledge Catalog e nel glossario personalizzato BigQuery.

  • Imposta limiti di spesa a livello di progetto, utente e query per gestire i costi degli agenti.

  • Fare domande efficaci nelle conversazioni.

  • Scopri come funziona la conservazione ed eliminazione dei dati per gli agenti e le conversazioni con i dati.

Limitazioni

Per ulteriori informazioni sulle limitazioni relative a query, conversazioni, dati e visualizzazioni, consulta Limitazioni note dell'API Conversational Analytics.

Quota condivisa dinamica

La quota condivisa dinamica (DSQ) in Gemini Enterprise Agent Platform gestisce la capacità del modello Gemini. A differenza delle quote convenzionali, DSQ ti consente di accedere a un ampio pool condiviso di risorse senza un limite fisso per progetto per la velocità effettiva del modello.

Le prestazioni, ad esempio la latenza, possono variare a seconda del carico complessivo del sistema. Durante i periodi di forte domanda nel pool condiviso, potresti occasionalmente riscontrare errori 429 Resource Exhausted temporanei. Questi errori indicano che la capacità del pool condiviso è momentaneamente limitata, ma non che hai raggiunto un limite di quota specifico per il tuo progetto. Per verificare la capacità, riprova a inviare la richiesta dopo un breve ritardo.

Identificare e analizzare le query generate dagli agenti

I job BigQuery eseguiti da un agente di dati includono etichette specifiche. Queste etichette ti consentono di identificare, filtrare e analizzare i job dell'agente.

Puoi utilizzare queste etichette per le seguenti attività:

Identificare le etichette degli agenti dei dati

BigQuery applica etichette ai job eseguiti dall'analisi conversazionale. Queste etichette vengono conteggiate ai fini del limite di 64 etichette nella risorsa job. Per ottenere l'etichetta per il filtro e altre analisi, visualizzala nella consoleGoogle Cloud . Puoi anche applicare etichette personalizzate all'agente dati. Non puoi utilizzare le etichette personalizzate per sostituire le etichette generate dal sistema.

Per visualizzare le etichette di un agente dei dati:

  1. Nella console Google Cloud , visualizza i dettagli del job.

  2. Nel riquadro Dettagli job di query, individua la sezione Etichette e cerca le seguenti etichette:

    • ca-bq-job: true indica che il job è stato eseguito utilizzando l'analisi conversazionale.
    • data-agent-id: DATA_AGENT_ID indica che il job è stato eseguito da un agente dati. Il valore è il segmento ID risorsa estratto dal nome della risorsa dell'agente di dati.
    • conversation-id: CONVERSATION_ID indica che il lavoro è associato a una conversazione. Il valore è il segmento ID estratto dal nome della risorsa conversazione.

Analizzare i job generati dagli agenti

Utilizza l'etichetta per analizzare i job generati dall'agente. Ad esempio, per verificare quanti job sono stati eseguiti da un agente dati, esegui la seguente query sulla vista 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'
  );

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto Google Cloud .
  • REGION: la regione in cui vengono eseguiti i job (ad esempio, us o eu).

Passaggi successivi