Visão geral da análise conversacional

A análise conversacional no BigQuery permite conversar com agentes sobre seus dados usando linguagem natural. Para receber respostas sobre seus dados, faça o seguinte:

  • Crie agentes de dados que definem automaticamente o contexto de dados e as instruções de processamento de consultas para um conjunto de fontes de conhecimento, como tabelas, visualizações, gráficos ou funções definidas pelo usuário (UDFs) que você selecionar.
  • Se necessário, é possível criar contexto e instruções para um agente na forma de metadados personalizados de tabelas e campos, instruções para o agente interpretar e consultar os dados ou criar consultas verificadas (antes conhecidas como consultas de ouro) para configurar o agente de dados para responder de forma eficaz a perguntas de casos de uso específicos.

Antes de personalizar um agente, recomendamos que você trabalhe com o contexto e as instruções que ele cria.

Veja alguns exemplos de contexto e instruções que você fornece ao agente:

  • Context. Um agente de dados para análise de vendas pode ser configurado para entender que "melhores desempenhos" se refere aos representantes de vendas com a maior receita, e não apenas aos que fecharam mais negócios.
  • Instruções. Você pode instruir um agente de dados a sempre filtrar os dados para o trimestre mais recente quando perguntado sobre "tendências" ou a agrupar os resultados por "categoria dos produtos" por padrão.

Depois de criar agentes de dados, você pode ter conversas com eles para fazer perguntas sobre os dados do BigQuery usando linguagem natural. Também é possível criar conversas diretas com uma ou mais fontes de dados para responder a perguntas básicas e pontuais.

A análise de conversação usa o Gemini para Google Cloud e oferece suporte a algumas funções de IA e ML do BigQuery. Para mais informações, consulte Suporte de IA e ML do BigQuery.

Saiba como e quando o Gemini para Google Cloud usa seus dados.

Análise de comandos e como desativar

Para melhorar a qualidade, a precisão e a confiabilidade das análises de conversação, o Google analisa os dados de comandos anonimizados nas interações com os clientes. Esses dados ajudam a identificar padrões de uso comuns, detectar lacunas na compreensão e melhorar o desempenho geral do produto. Esses dados não são usados para treinar ou ajustar os modelos de IA de base do Google. Esse processamento de dados é ativado por padrão.

Para desativar a análise de comandos, siga um destes procedimentos:

  • Para desativar antes de 23 de novembro de 2026, siga estas etapas:
    1. Use a API Resource Manager, a CLI ou o console do Google Cloud para encontrar números de projetos ou o ID da organização para desativar todos os projetos do BigQuery em uma organização.
    2. Envie o formulário de desativação, incluindo os IDs de projeto que você quer excluir.
  • Para desativar a partir de 23 de novembro de 2026, aplique a restrição personalizada e hierárquica do Serviço de Políticas da Organização constraints/gcp.disablePromptAnalytics para bloquear a ingestão de comandos no nível da organização, da pasta ou do projeto.

É possível reativar a análise de comandos nas configurações de administrador do console do Google Cloud . Remova a restrição personalizada do Serviço de Políticas da Organização se você a tiver aplicado anteriormente.

Para saber mais, consulte os Termos específicos de serviço para a análise conversacional do BigQuery.

Agentes de dados

Os agentes de dados consistem em uma ou mais fontes de conhecimento e um conjunto de instruções específicas para um caso de uso de processamento desses dados. Ao criar um agente de dados, é possível configurá-lo usando as seguintes opções:

  • Use fontes de conhecimento, como tabelas, visualizações, gráficos e UDFs, com um agente de dados. Também é possível se conectar a tabelas do Lakehouse sem fronteiras como fontes. Para mais informações, consulte Consultar tabelas do Lakehouse com linguagem natural.
  • Forneça metadados personalizados de tabelas e campos para descrever os dados da maneira mais adequada para o caso de uso em questão.
  • Forneça instruções para interpretar e consultar os dados, como definir o seguinte:
    • Sinônimos e termos comerciais para nomes de campos
    • Campos e padrões mais importantes para filtragem e agrupamento
  • Crie consultas verificadas que o agente de dados pode usar para moldar a estrutura de resposta de um agente e aprender a lógica de negócios que sua organização usa. As consultas verificadas eram conhecidas como consultas de ouro. As consultas verificadas podem usar funções de IA e ML compatíveis com o BigQuery e aceitam parâmetros de consulta.
  • Crie termos de glossário personalizados do BigQuery para cada agente ou importe termos de glossário empresarial do Knowledge Catalog. Esses termos ajudam um agente a interpretar os comandos do usuário. Para saber quando usar cada tipo, consulte Criar ou revisar termos do glossário.

Gerenciar agentes de dados

É possível criar, gerenciar e trabalhar com os seguintes tipos de agentes de dados na guia Catálogo de agentes no console do Google Cloud :

  • Um agente de amostra predefinido para cada projeto do Google Cloud .
  • Uma lista dos seus agentes em rascunho, criados e publicados.
  • Uma lista de agentes que outras pessoas criam e compartilham com você.

Para mais informações, consulte Criar agentes de dados.

Outros serviços no projeto que oferecem suporte a agentes de dados, como a API Conversational Analytics e o Data Studio, podem acessar os agentes de dados que você cria no BigQuery. Também é possível acessar um agente criado no console do Google Cloud chamando-o com a API Conversational Analytics.

Conversas

As conversas são chats persistentes com um agente ou uma fonte de dados. Você pode fazer perguntas em várias partes aos agentes de dados que usam termos comuns, como "vendas" ou "mais populares", sem precisar especificar nomes de campos de tabela ou definir condições para filtrar os dados. Você também pode fazer perguntas sobre dados localizados em objetos, como PDFs. Um agente pode determinar quais fontes de dados consultar e aproveitar otimizações, como partições de tabela ou índices de pesquisa, ao criar uma resposta. Os agentes podem usar embeddings atuais dos valores da coluna para associar sua pergunta aos dados certos. Por exemplo, uma pergunta sobre "Texas" encontraria linhas armazenadas como "TX".

A resposta do chat retornada oferece os seguintes recursos:

  • A resposta à sua pergunta em texto, código ou imagens (multimodal). A resposta pode incluir funções de IA e ML compatíveis com o BigQuery.
  • Gráficos gerados quando apropriado.
  • O raciocínio do agente por trás dos resultados.
  • Metadados sobre a conversa, como o agente e as fontes de dados usadas.

Quando você cria uma conversa direta com uma fonte de dados, a API Conversational Analytics interpreta sua pergunta sem o contexto e as instruções de processamento que um agente de dados oferece. Por isso, os resultados de conversas diretas podem ser menos precisos. Use agentes de dados para casos que exigem maior precisão.

É possível criar e gerenciar conversas no BigQuery usando o console doGoogle Cloud . Para mais informações, consulte Analisar dados com conversas.

Suporte para IA e ML do BigQuery

A análise de conversação é compatível com as seguintes funções de IA e ML em resposta a chats com agentes e fontes de dados, além de consultas SQL verificadas que você cria.

Você precisa ter as permissões necessárias para executar consultas de IA generativa.

O agente só usa a função AI.SEARCH em tabelas que têm a geração de embedding autônomo ativada. Caso contrário, o agente vai usar a função AI.SIMILARITY, que requer a geração de embeddings em tempo real.

Casos de uso

Para ativar as funções compatíveis, use-as das seguintes maneiras:

  • Ao criar um agente e adicionar uma consulta verificada, por exemplo, se você for um cientista de dados que prepara um relatório recorrente, poderá usar funções de IA compatíveis em uma consulta verificada para descrever padrões e automatizar o relatório.
  • Quando você faz perguntas de alto nível sobre dados a um agente, em uma conversa ou em uma consulta verificada usando palavras-chave, o agente gera SQL em resposta às suas perguntas.

A tabela a seguir mostra exemplos de comandos one-shot que ativam o uso de funções de IA ou ML:

Caso de uso Exemplo de uso Conjunto de dados público
Previsão "Prever o número de viagens para o próximo mês." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detecção de anomalias "Encontre outliers em viagens por dia em 2018 usando 2017 como referência." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Análise de efeito causal "Quantifique o impacto da declaração da pandemia de COVID-19 em 11 de março de 2020 nas viagens diárias de táxi." bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
Análise de tendências "Analisar a tendência de longo prazo das viagens diárias em 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Análise de sazonalidade "Analisar o padrão de sazonalidade das viagens diárias em 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detecção de pontos de mudança "Detectar pontos de mudança em viagens diárias." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Principais fatores "Identifique os principais fatores que causaram as mudanças no volume de viagens entre 2017 e 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Análise de correlação "Como a massa corporal se correlaciona com o comprimento da nadadeira, o comprimento do bico e a profundidade do bico?" bigquery-public-data.ml_datasets.penguins
Caracterização de perfil de dados "Crie um perfil da tabela para verificar se há inconsistências de dados." bigquery-public-data.ml_datasets.census_adult_income
Modelagem preditiva "Prever a massa corporal de pinguins." bigquery-public-data.ml_datasets.penguins
Pesquisa semântica "Encontre as cinco avaliações que mais se aproximam de 'suspense psicológico que cria tensão'." bigquery-public-data.imdb.reviews
Geração de texto com LLM "Para cada artigo na categoria 'esportes', resuma a coluna do corpo em uma ou duas frases." bigquery-public-data.bbc_news.fulltext
Filtragem semântica "Para os artigos na categoria de tecnologia, filtre para encontrar aqueles que discutem avanços na inteligência artificial." bigquery-public-data.bbc_news.fulltext
Pontuação semântica "Para os artigos na categoria de entretenimento, forneça uma classificação que indique o grau de sentimento positivo." bigquery-public-data.bbc_news.fulltext
Categorização semântica "Marque cada avaliação com o foco principal do avaliador: atuação, enredo, cinematografia, direção ou outro." bigquery-public-data.imdb.reviews
Agregação semântica "Resuma as avaliações de 'O Paciente Inglês'." bigquery-public-data.imdb.reviews

Suporte para tarefas analíticas

A análise de conversação é compatível com a análise de cesta de mercado, também conhecida como aprendizado de regras de associação, que é uma técnica usada para descobrir padrões de compra. Essa análise identifica relações entre itens comprados juntos com frequência em uma única transação.

Por exemplo, você pode fazer a seguinte pergunta em uma conversa que tem a tabela bigquery-public-data.iowa_liquor_sales.sales como fonte de dados:

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

A análise de conversação usa modelos SQL integrados para retornar uma resposta precisa que inclui métricas de alavancagem, suporte, confiança e aumento.

Suporte a gráficos

A análise de conversação permite usar um gráfico como fonte de dados. Quando você faz perguntas sobre o gráfico, o agente cria consultas para respondê-las. Os agentes podem usar descrições, sinônimos e extensões que você define nos rótulos e nas propriedades do gráfico para melhorar a qualidade dos resultados. Os agentes também podem aproveitar as medidas definidas no gráfico para realizar agregações em vários níveis. Se a resposta incluir caminhos de gráfico, as visualizações de gráfico serão fornecidas.

Dependendo do esquema do gráfico e da pergunta que você faz, o agente consulta um gráfico usando a Graph Query Language (GQL) ou a função com valor de tabela GRAPH_EXPAND em SQL. As consultas GQL exigem uma reserva da edição BigQuery Enterprise ou Enterprise Plus. Em projetos com preços sob demanda, as consultas GQL falham com um erro. As consultas que contêm a função GRAPH_EXPAND podem ser executadas usando preços sob demanda, mas a função não é compatível com todos os tipos de gráficos. Para requisitos e limitações, consulte GRAPH_EXPAND.

Por exemplo, use o agente de amostra Look Graph na página Agentes do BigQuery para fazer perguntas como as seguintes sobre o gráfico 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

Segurança

É possível gerenciar o acesso à análise de conversação no BigQuery usando papéis e permissões do IAM da API Conversational Analytics. Para informações sobre os papéis necessários para operações específicas, consulte os papéis necessários do agente de dados e os papéis necessários da conversa.

A análise de conversas inclui os seguintes recursos de segurança e proteções:

  • Ele só pode acessar dados e recursos que você tem permissão para acessar.
  • Ele respeita os controles de segurança do VPC-SC.
  • Ele não pode realizar operações de gravação nem executar consultas DML.
  • Ele não pode executar funções remotas.
  • Ele só pode acessar as fontes de conhecimento que você selecionar explicitamente.
  • Seu histórico de conversas é compartilhado apenas com você. Não é possível compartilhá-lo com outros usuários.
  • Ao criar um agente de dados, você precisa ter acesso para consultar todas as fontes de conhecimento que adicionar.

Locais

A análise de conversas é compatível com os seguintes locais, que determinam onde os recursos de agente e conversa são armazenados e onde o processamento de ML acontece:

  • MREP dos EUA
  • MREP da UE
  • northamerica-northeast1 (Montreal)
  • northamerica-northeast2 (Toronto)
  • us-east4 (Norte da Virgínia)
  • Global

Os seguintes comportamentos padrão se aplicam quando você cria agentes e conversas:

  • Se todas as fontes de conhecimento forem da mesma região com disponibilidade, como us-east4, essa região será usada.
  • Se todas as fontes de conhecimento forem de regiões dos EUA, o MREP dos EUA será usado.
  • Se todas as fontes de conhecimento forem de regiões da UE, o MREP da UE será usado.
  • Caso contrário, o local global será usado.

Ao criar um agente, é possível selecionar um local diferente. Depois de salvar o agente, não será possível mudar o local dele.

Os agentes criados antes de 4 de junho de 2026 estão no local global.

Preços

As consultas executadas quando você cria agentes de dados e conversa com eles ou com fontes de dados são cobradas de acordo com os preços de computação do BigQuery. Para mais informações, leia sobre os preços do agente.

Práticas recomendadas

Siga estas práticas recomendadas ao trabalhar com a análise de conversas:

  • Execute a limpeza de dados nas tabelas antes de adicioná-las como fontes de dados.

  • Mescle tabelas relacionadas em uma visualização e use essa visualização como uma fonte de dados, em vez de depender do agente para determinar a maneira correta de mesclar seus dados.

  • Executar verificações de perfil nos dados.

  • Defina o escopo dos agentes. Agentes com escopo amplo podem ter conflitos de instrução, saídas ambíguas e desempenho inconsistente. Se o agente exigir mais de 20 fontes de dados, for usado em equipes com definições de métricas diferentes ou priorizar um tipo de resultado em detrimento de outro, considere criar outros agentes.

  • Dê contexto ao agente. Priorize os tipos de contexto da seguinte maneira:

    1. Consultas verificadas. SQL determinístico que é executado quando corresponde a um comando do usuário.
    2. Glossários. Definições de termos que vinculam colunas ao contexto semântico.
    3. Instruções para o agente. Regras e definições de comportamento global escritas em linguagem natural, como definições de calendário fiscal ou regras de formatação.

  • Adicione descrições de tabelas e colunas às suas tabelas.

  • Não duplique as definições de glossário no Knowledge Catalog e no glossário personalizado do BigQuery.

  • Defina limites de gastos para envolvidos no projeto, do usuário e da consulta para gerenciar os custos dos seus agentes.

  • Faça perguntas úteis nas suas conversas.

  • Entenda como a retenção e exclusão de dados funcionam para agentes de dados e conversas.

Limitações

É possível adicionar até 100 fontes de conhecimento a um agente.

Para mais informações sobre limitações em consultas, conversas, dados e visualizações, consulte Limitações conhecidas da API Conversational Analytics.

Cota compartilhada dinâmica

A cota compartilhada dinâmica (DSQ, na sigla em inglês) na Gemini Enterprise Agent Platform gerencia a capacidade do modelo do Gemini. Ao contrário das cotas convencionais, a DSQ permite acessar um grande pool compartilhado de recursos sem um limite fixo por projeto para a capacidade de processamento do modelo.

O desempenho, como a latência, pode variar de acordo com a carga geral do sistema. Em períodos de alta demanda no pool compartilhado, você pode encontrar erros temporários de 429 Resource Exhausted. Esses erros indicam que a capacidade do pool compartilhado está temporariamente limitada, mas não que você atingiu um limite de cota específico no projeto. Para verificar a capacidade, tente fazer a solicitação novamente após um curto período.

Identificar e analisar consultas geradas por agentes

Os jobs do BigQuery executados por um agente de dados incluem rótulos específicos. Esses rótulos permitem identificar, filtrar e analisar os jobs do agente.

É possível usar esses rótulos para as seguintes tarefas:

Identificar rótulos de agentes de dados

O BigQuery aplica rótulos aos jobs executados pela análise de conversação. Esses rótulos são contabilizados no limite de 64 rótulos no recurso do job. Para receber o rótulo para filtragem e outras análises, consulte o rótulo no console doGoogle Cloud . Também é possível aplicar rótulos personalizados ao agente de dados. Não é possível usar rótulos personalizados para substituir os rótulos gerados pelo sistema.

Para ver os rótulos de um agente de dados, siga estas etapas:

  1. No console do Google Cloud , confira os detalhes do job.

  2. No painel Detalhes do job de consulta, localize a seção Rótulos e procure os seguintes rótulos:

    • ca-bq-job: true indica que o job foi executado usando a análise de conversação.
    • data-agent-id: DATA_AGENT_ID indica que o job foi executado por um agente de dados. O valor é o segmento de ID do recurso extraído do nome do recurso do agente de dados.
    • conversation-id: CONVERSATION_ID indica que o job está associado a uma conversa. O valor é o segmento de ID extraído do nome do recurso de conversa.

Analisar jobs gerados por agentes

Use o rótulo para analisar os jobs gerados pelo agente. Por exemplo, para verificar quantos jobs foram executados por um agente de dados, execute a seguinte consulta na visualização 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'
  );

Substitua:

  • PROJECT_ID: o ID do projeto Google Cloud .
  • REGION: a região em que os jobs são executados (por exemplo, us ou eu).

A seguir