Übersicht über konversationelle Analysen

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:

  • Data Agents erstellen, die automatisch den Datenkontext und Anweisungen zur Verarbeitung von Anfragen für eine Reihe von Wissensquellen wie Tabellen, Ansichten, Grafiken oder benutzerdefinierten 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:

  • 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-Agent 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

Data Agents bestehen aus einer oder mehreren Wissensquellen und einer Reihe von anwendungsfallspezifischen Anweisungen für die Verarbeitung dieser Daten. Wenn Sie einen Daten-KI-Agenten 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 KI-Agents gestalten und die Geschäftslogik Ihrer Organisation erlernen kann. Bestätigte Anfragen wurden früher als Golden Queries bezeichnet. In verifizierten Abfragen können unterstützte BigQuery ML-Funktionen verwendet werden und sie unterstützen Abfrageparameter.
  • Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agent oder importieren Sie Unternehmensglossarbegriffe aus Knowledge Catalog. Diese Begriffe helfen einem Agent, Nutzer-Prompts zu interpretieren. Hinweise dazu, wann welcher Typ verwendet werden sollte, finden Sie unter Glossarbegriffe erstellen oder überprüfen.

Daten-Agents verwalten

Sie können die folgenden Arten von Daten-Agents auf dem Tab Agent Catalog (Agent-Katalog) 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 stellen, in denen gängige Begriffe wie „Umsatz“ oder „beliebteste“ verwendet werden, 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.
  • Graph-Visualisierungen 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 Daten-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.

BigQuery ML-Unterstützung

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

Wenn Sie die unterstützte Funktion AI.GENERATE verwenden möchten, benötigen Sie die erforderlichen Berechtigungen, um Abfragen mit generativer KI auszuführen.

BigQuery ML-Anwendungsfälle

So aktivieren Sie unterstützte BigQuery ML-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 BigQuery ML-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 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 „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
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

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 Look Graph-Agent verwenden, um Fragen wie die folgenden zum bigquery-public-data.thelook_ecommerce.graph-Diagramm zu stellen:

  • Which product is most popular among 25-year-olds?
  • Show me all bow tie orders in Chicago from users under 25

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

  • Sie können pro KI-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 Data Agents und Erforderliche Rollen für Unterhaltungen.

Standorte

Die Funktion für 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 Unterhaltungen mit Daten-Agents oder Datenquellen führen, 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 freigegebenes Kontingent

Mit dem 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 Projektlimit 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 freigegebenen 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

BigQuery-Jobs, die von einem Daten-Agent ausgeführt werden, enthalten bestimmte Labels. Mithilfe dieser Labels können Sie die Jobs des Agents identifizieren, filtern und analysieren.

Sie können diese Labels für die folgenden Aufgaben verwenden:

Datenagenten-Labels in der Google Cloud -Konsole identifizieren

BigQuery wendet Labels auf Jobs an, die von einem Data-Agent ausgeführt werden. Wenn Sie den Labelschlüssel zum Filtern und für andere Analysen benötigen, können Sie ihn in derGoogle Cloud -Konsole aufrufen.

So rufen Sie den Label-Schlüssel eines Daten-Agents auf:

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

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

Von Agenten generierte Jobs analysieren

Mit dem Label können Sie die von Ihrem Agent generierten Jobs 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