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 definam automaticamente o contexto dos 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, crie contexto e instruções para um agente na forma de metadados personalizados de tabela e campo, instruções para o agente interpretar e consultar os dados ou criando consultas verificadas (antes conhecidas como consultas de ouro) para configurar o agente de dados para responder perguntas de maneira eficaz para casos de uso específicos.

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

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

  • Contexto. Um agente de dados para análise de vendas pode ser configurado para entender que "melhores desempenhos" se refere a representantes de vendas com a maior receita, e não apenas aos negócios mais fechados.
  • 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 de produto" por padrão.

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

A análise conversacional é feita pelo 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.

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 para processar esses dados. Ao criar um agente de dados, você pode configurá-lo usando as seguintes opções:

  • Use fontes de conhecimento , como tabelas, visualizações e UDFs, com um agente de dados. Também é possível se conectar a tabelas do Lakehouse como fontes. Para mais informações, consulte Consultar dados do Lakehouse com linguagem natural.
  • Forneça metadados personalizados de tabela e campo 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 mais importantes e padrões para filtragem e agrupamento
  • Crie consultas verificadas que o agente de dados possa usar para moldar a estrutura de resposta de um agente e aprender a lógica de negócios usada pela sua organização. As consultas verificadas eram conhecidas como consultas de ouro. As consultas verificadas podem usar funções de IA e ML do BigQuery com suporte e oferecer suporte a 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 comandos do usuário. Para saber quando usar cada tipo, consulte Criar ou revisar termos de 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 Google Cloud console:

  • Um agente de amostra predefinido para cada Google Cloud projeto.
  • Uma lista dos seus agentes criados, publicados e de rascunho.
  • 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 Google Cloud console chamando-o usando a API Conversational Analytics.

Conversas

As conversas são chats persistentes com um agente de dados ou uma fonte de dados. Você pode fazer perguntas de várias partes aos agentes de dados que usam termos comuns, como "vendas" ou "mais popular", sem precisar especificar nomes de campos de tabela ou definir condições para filtrar os dados. Também é possível 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.

A resposta do chat retornada a você oferece os seguintes recursos:

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

Ao criar 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 da conversa direta podem ser menos precisos. Use agentes de dados para casos que exigem maior precisão.

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

Suporte de IA e ML do BigQuery

A análise conversacional oferece suporte às seguintes funções de IA em resposta a chats com agentes de dados e fontes de dados, e em consultas SQL verificadas que você cria.

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

O agente só usa a AI.SEARCH função em tabelas que têm a geração de embeddings autônoma ativada. Caso contrário, o agente usa a função AI.SIMILARITY, que exige a geração de embeddings em tempo real.

Casos de uso

Para ativar as funções com suporte, 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, use as funções de IA com suporte em uma consulta verificada para descrever os padrões e automatizar o relatório.
  • Ao fazer 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 únicos que ativam o uso de funções de IA ou ML:

Caso de uso Exemplo de uso Conjunto de dados público
Previsão "Preveja 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 para 2018 usando 2017 como linha de base." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Principais fatores "Identifique os principais fatores para mudanças no volume de viagens entre 2017 e 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Geração de texto com LLM "Para cada artigo na categoria 'esportes', resuma a coluna do corpo em 1 a 2 frases." bigquery-public-data.bbc_news.fulltext
Filtragem semântica "Para os artigos na categoria de tecnologia, filtre para encontrar aqueles que discutem avanços em 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
Pesquisa semântica "Encontre as 5 principais avaliações que mais se aproximam de 'thriller psicológico de suspense'" bigquery-public-data.imdb.reviews

Suporte a gráficos

A análise conversacional oferece suporte ao uso de um gráfico como fonte de dados. Ao fazer perguntas sobre o gráfico, o agente cria consultas GQL ou SQL para respondê-las. Os agentes podem usar descrições e sinônimos definidos nos rótulos e propriedades do gráfico para melhorar a qualidade dos resultados. Os agentes também podem aproveitar as métricas definidas no gráfico para realizar a agregação de vários níveis. Se a resposta incluir caminhos de gráfico, as visualizações de gráfico serão fornecidas.

Por exemplo, você pode usar o Look Graph agente de amostra no BigQuery na página "Agentes" para fazer perguntas semelhantes às 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

Limitações

As seguintes limitações se aplicam quando você usa um gráfico como fonte de dados:

  • É possível usar no máximo um gráfico como fonte de dados por agente ou conversa.
  • Não é possível combinar tabelas e gráficos como fontes de dados.

Segurança

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

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

  • Só é possível acessar dados e recursos para os quais você tem permissão.
  • Ele respeita os controles de segurança do VPC-SC.
  • Não é possível realizar operações de gravação nem executar consultas DML.
  • Não é possível executar funções remotas.
  • Só é possível acessar as fontes de conhecimento que você seleciona explicitamente.
  • Seu histórico de conversas é compartilhado apenas com você. Não é possível compartilhar 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 conversacional oferece suporte a três locais que regem o armazenamento de recursos de agentes e conversas, e o local usado para processamento de ML:

  • MREP dos EUA
  • MREP da UE
  • Global

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

  • Se todas as suas fontes de conhecimento forem de regiões nos EUA, o MREP dos EUA será usado.
  • Se todas as suas 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, você pode selecionar um local diferente. Depois de salvar o agente, não é possível mudar o local dele.

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

Preços

Você recebe cobranças de preços de computação do BigQuery para consultas executadas ao criar agentes de dados e ter conversas com agentes de dados ou fontes de dados. Para mais informações, leia sobre os preços dos agentes.

Práticas recomendadas

Siga estas práticas recomendadas ao trabalhar com a análise conversacional:

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

  • Combine tabelas relacionadas em uma visualização e use essa visualização como uma fonte de dados, em vez de confiar no agente para determinar a maneira correta de combinar seus dados.

  • Execute verificações de perfil nos seus dados.

  • Defina o escopo dos seus agentes. Agentes com escopo amplo podem ter conflitos instrucionais, 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.

  • Forneça contexto ao seu 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 do agente. Regras e definições de comportamento global escritas usando 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 no nível do projeto, do usuário e da consulta para gerenciar os custos dos seus agentes.

  • Faça perguntas eficazes nas suas conversas.

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

Limitações

É possível adicionar no máximo 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 plataforma de agentes do Gemini Enterprise 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 do modelo.

A performance, como a latência, pode variar dependendo da carga geral do sistema. Durante períodos de alta demanda no pool compartilhado, você pode ocasionalmente receber erros temporários 429 Resource Exhausted. Esses erros indicam que a capacidade do pool compartilhado está temporariamente restrita, mas não que você atingiu um limite de cota específico no seu projeto. Para verificar a capacidade, tente fazer a solicitação novamente após um breve atraso.

Identificar e analisar consultas geradas pelo agente

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 a jobs executados pela análise conversacional. Esses rótulos contam para o limite de 64 rótulos no recurso de job. Para receber o rótulo para filtragem e outras análises, consulte o rótulo no Google Cloud console. Também é possível aplicar rótulos personalizados ao agente de dados. Não é possível usar rótulos personalizados para substituir os rótulos gerados pelo sistema.

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

  1. No Google Cloud console, consulte 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 conversacional.
    • 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 pelo agente

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

A seguir