대화형 분석 개요
BigQuery의 대화형 분석을 사용하면 자연어로 에이전트와 데이터에 관해 채팅할 수 있습니다. 데이터에 대한 답변을 얻으려면 다음을 수행하면 됩니다.
- 선택한 테이블, 뷰, 그래프, 사용자 정의 함수 (UDF)와 같은 지식 소스 집합에 대한 데이터 컨텍스트 및 쿼리 처리 안내를 자동으로 정의하는 데이터 에이전트를 만듭니다.
- 필요한 경우 커스텀 테이블 및 필드 메타데이터, 데이터를 해석하고 쿼리하기 위한 에이전트 안내, 확인된 쿼리(이전의 표준 쿼리)를 만들어 특정 사용 사례에 대한 질문에 효과적으로 답변하도록 데이터 에이전트를 구성하는 방식으로 에이전트의 컨텍스트와 안내를 만들 수 있습니다.
에이전트를 맞춤설정하기 전에 먼저 에이전트가 만드는 컨텍스트와 안내를 사용하는 것이 좋습니다.
에이전트에 제공하는 컨텍스트 및 안내의 몇 가지 예시는 다음과 같습니다.
- Context라고 가정합니다. 판매 분석을 위한 데이터 에이전트는 '최고 실적'이 단순히 가장 많은 거래를 성사시킨 사람이 아니라 가장 높은 수익을 올린 영업 담당자를 의미한다는 것을 이해하도록 구성할 수 있습니다.
- 안내. '트렌드'에 대해 질문을 받으면 항상 데이터를 가장 최근 분기로 필터링하거나 기본적으로 '제품 카테고리'별로 결과를 그룹화하도록 데이터 에이전트에 지시할 수 있습니다.
데이터 에이전트를 만든 후에는 자연어를 사용하여 BigQuery 데이터에 대해 질문하는 대화를 나눌 수 있습니다. 하나 이상의 데이터 소스와 직접 대화를 만들어 기본적인 일회성 질문에 답할 수도 있습니다.
대화형 분석은 Google Cloud를 위한 Gemini를 기반으로 하며 일부 BigQuery AI 및 ML 함수를 지원합니다. 자세한 내용은 BigQuery AI 및 ML 지원을 참조하세요.
Google Cloud 를 위한 Gemini에서 사용자 데이터를 사용하는 방법과 시점을 알아보세요.
프롬프트 분석 및 선택 해제 방법
대화형 분석의 품질, 정확성, 신뢰성을 개선하기 위해 Google은 고객 상호작용 전반에서 익명화된 프롬프트 데이터를 분석합니다. 이 데이터는 일반적인 사용 패턴을 식별하고, 이해의 격차를 감지하고, 전반적인 제품 성능을 개선하는 데 도움이 됩니다. 이 데이터는 Google의 기반 AI 모델을 학습시키거나 미세 조정하는 데 사용되지 않습니다. 이 데이터 처리는 기본적으로 사용 설정되어 있습니다.
프롬프트 분석을 선택 해제하려면 다음 중 하나를 수행합니다.
- 2026년 11월 23일 전에 선택 해제하려면 다음 단계를 완료하세요.
- Resource Manager API, CLI 또는 Google Cloud 콘솔을 사용하여 프로젝트 번호를 가져오거나 조직 ID를 찾아 조직의 모든 기존 BigQuery 프로젝트를 선택 해제합니다.
- 제외할 프로젝트 ID를 포함하여 사용 중지 양식을 제출합니다.
- 2026년 11월 23일 이후에 선택 해제하려면 커스텀 계층적 조직 정책 서비스 제약 조건
constraints/gcp.disablePromptAnalytics을 적용하여 조직, 폴더 또는 프로젝트 수준에서 프롬프트 수집을 차단합니다.
Google Cloud 콘솔 관리자 설정에서 프롬프트 분석을 다시 사용 설정할 수 있습니다. 이전에 커스텀 조직 정책 서비스 제약조건을 적용한 경우 이를 삭제해야 합니다.
자세한 내용은 BigQuery 대화형 분석의 서비스별 약관을 참조하세요.
데이터 에이전트
데이터 에이전트는 하나 이상의 기술 자료 소스와 해당 데이터를 처리하는 사용 사례와 관련된 일련의 안내로 구성됩니다. 데이터 에이전트를 만들 때 다음 옵션을 사용하여 구성할 수 있습니다.
- 데이터 에이전트와 함께 테이블, 뷰, 그래프, UDF와 같은 지식 소스를 사용합니다. 경계 없는 레이크하우스 테이블을 소스로 연결할 수도 있습니다. 자세한 내용은 자연어를 사용하여 레이크하우스 테이블 쿼리를 참조하세요.
- 커스텀 테이블 및 필드 메타데이터를 제공하여 특정 사용 사례에 가장 적합한 방식으로 데이터를 설명합니다.
- 다음과 같이 데이터를 해석하고 쿼리하는 방법에 대한 안내를 제공합니다.
- 필드 이름의 동의어 및 비즈니스 용어
- 필터링 및 그룹화에 가장 중요한 필드 및 기본값
- 데이터 에이전트가 에이전트의 응답 구조를 형성하고 조직에서 사용하는 비즈니스 로직을 학습하는 데 사용할 수 있는 확인된 쿼리를 만듭니다. 확인된 쿼리는 이전에 골든 쿼리라고 했습니다. 확인된 쿼리는 지원되는 BigQuery AI 및 ML 함수를 사용하고 쿼리 매개변수를 지원할 수 있습니다.
- 각 에이전트에 대해 BigQuery 커스텀 용어집 용어를 만들거나 Knowledge Catalog에서 비즈니스 용어집 용어를 가져옵니다. 이러한 용어는 에이전트가 사용자 프롬프트를 해석하는 데 도움이 됩니다. 각 유형을 사용하는 시기에 대한 조언은 용어집 용어 만들기 또는 검토를 참조하세요.
데이터 에이전트 관리
Google Cloud 콘솔의 에이전트 카탈로그 탭에서 다음 유형의 데이터 에이전트를 만들고 관리하고 사용할 수 있습니다.
- Google Cloud 프로젝트마다 사전 정의된 샘플 에이전트가 있습니다.
- 초안, 생성, 게시된 에이전트의 목록입니다.
- 다른 사용자가 만들고 나와 공유한 에이전트 목록입니다.
자세한 내용은 데이터 에이전트 만들기를 참조하세요.
Conversational Analytics API 및 데이터 스튜디오와 같이 데이터 에이전트를 지원하는 프로젝트의 다른 서비스는 BigQuery에서 만드는 데이터 에이전트에 액세스할 수 있습니다. Conversational Analytics API를 사용하여 호출하면 Google Cloud 콘솔에서 만든 에이전트에 액세스할 수도 있습니다.
대화
대화는 데이터 에이전트 또는 데이터 소스와의 지속적인 채팅입니다. 테이블 필드 이름을 지정하거나 데이터를 필터링하는 조건을 정의하지 않고도 '판매' 또는 '가장 인기 있는'과 같은 일반적인 용어를 사용하는 여러 부분으로 구성된 질문을 데이터 에이전트에 할 수 있습니다. PDF와 같은 객체에 있는 데이터에 관해 질문할 수도 있습니다. 에이전트는 응답을 구성할 때 쿼리할 데이터 소스를 결정하고 테이블 파티션 또는 검색 색인과 같은 최적화를 활용할 수 있습니다. 에이전트는 열 값의 기존 임베딩을 사용하여 질문을 올바른 데이터와 일치시킬 수 있습니다. 예를 들어 'Texas'에 대해 질문하면 'TX'로 저장된 행을 찾습니다.
반환되는 채팅 응답은 다음 기능을 제공합니다.
- 질문에 대한 답변을 텍스트, 코드 또는 이미지 (멀티모달)로 제공합니다. 답변에는 지원되는 BigQuery AI 및 ML 함수가 포함될 수 있습니다.
- 적절한 경우 차트를 생성합니다.
- 결과에 대한 에이전트의 추론입니다.
- 사용된 에이전트 및 데이터 소스와 같은 대화에 대한 메타데이터입니다.
데이터 소스와 직접 대화를 만들면 Conversational Analytics API는 데이터 에이전트가 제공하는 컨텍스트 및 처리 안내 없이 질문을 해석합니다. 따라서 직접 대화 결과의 정확성이 떨어질 수 있습니다. 더 높은 정확도가 필요한 경우 데이터 에이전트를 사용합니다.
Google Cloud 콘솔을 사용하여 BigQuery에서 대화를 만들고 관리할 수 있습니다. 자세한 내용은 대화로 데이터 분석을 참조하세요.
BigQuery AI 및 ML 지원
대화형 분석은 데이터 에이전트 및 데이터 소스와의 채팅에 대한 응답과 사용자가 만든 검증된 SQL 쿼리에서 다음 AI 및 ML 함수를 지원합니다.
- 시계열 분석
- 통계 분석 및 데이터 프로파일링
- 예측 모델링
- 시맨틱 검색
- 생성형 AI
생성형 AI 쿼리를 실행하려면 필수 권한이 있어야 합니다.
에이전트는 자율 임베딩 생성이 사용 설정된 테이블에서만 AI.SEARCH 함수를 사용합니다. 그렇지 않으면 에이전트는 실시간 임베딩 생성이 필요한 AI.SIMILARITY 함수를 사용합니다.
사용 사례
지원되는 함수를 활성화하려면 다음과 같은 방법으로 사용하세요.
- 에이전트를 만들고 검증된 쿼리를 추가할 때(예: 반복 보고서를 준비하는 데이터 과학자인 경우) 검증된 쿼리에서 지원되는 AI 함수를 사용하여 기본값을 설명하고 보고서를 자동화할 수 있습니다.
- 대화에서 또는 키워드를 사용한 검증된 쿼리에서 에이전트에게 데이터에 대한 상위 수준 질문을 하면 에이전트가 질문에 대한 응답으로 SQL을 생성합니다.
다음 표에서는 AI 또는 ML 함수 사용을 활성화하는 원샷 프롬프트의 예를 보여줍니다.
분석 작업 지원
대화형 분석은 구매 패턴을 파악하는 데 사용되는 기법인 연관 규칙 학습이라고도 하는 장바구니 분석을 지원합니다. 이 분석은 단일 트랜잭션에서 자주 함께 구매되는 항목 간의 관계를 식별합니다.
예를 들어 bigquery-public-data.iowa_liquor_sales.sales 테이블을 데이터 소스로 사용하는 대화에서 다음과 같은 질문을 할 수 있습니다.
What are the best product bundling opportunities based on data from 2025?
대화형 분석은 기본 제공 SQL 쿼리를 사용하여 레버리지, 지원, 신뢰도, 리프트 측정항목을 포함하는 정확한 응답을 반환합니다.
그래프 지원
대화형 분석은 그래프를 데이터 소스로 사용하는 것을 지원합니다. 그래프에 대해 질문하면 에이전트가 질문에 답하기 위해 쿼리를 구성합니다. 에이전트는 그래프 라벨 및 속성에 정의된 설명, 동의어, 확장 프로그램을 사용하여 결과의 품질을 개선할 수 있습니다. 에이전트는 그래프에 정의된 측정을 활용하여 다단계 집계를 수행할 수도 있습니다. 응답에 그래프 경로가 포함된 경우 그래프 시각화가 제공됩니다.
그래프 스키마와 질문에 따라 에이전트는 Graph Query Language (GQL) 또는 SQL의 GRAPH_EXPAND 테이블 반환 함수를 사용하여 그래프를 쿼리합니다. GQL 쿼리에는 BigQuery Enterprise 또는 Enterprise Plus 버전 예약이 필요합니다. 주문형 가격 책정이 적용되는 프로젝트에서는 GQL 쿼리가 오류와 함께 실패합니다.
GRAPH_EXPAND 함수가 포함된 쿼리는 주문형 가격 책정을 사용하여 실행할 수 있지만 이 함수는 모든 유형의 그래프를 지원하지 않습니다. 요구사항 및 제한사항은 GRAPH_EXPAND를 참조하세요.
예를 들어 BigQuery 에이전트 페이지에서 Look Graph 샘플 에이전트를 사용하여 bigquery-public-data.thelook_ecommerce.graph 그래프에 대해 다음과 유사한 질문을 할 수 있습니다.
Which product is most popular among 25-year-olds?Show me the connection between bow tie orders and distribution centers
보안
Conversational Analytics API IAM 역할 및 권한을 사용하여 BigQuery의 대화형 분석에 대한 액세스를 관리할 수 있습니다. 특정 작업에 필요한 역할에 대한 자세한 내용은 데이터 에이전트 필수 역할 및 대화 필수 역할을 참조하세요.
대화 분석에는 다음과 같은 보안 기능과 보호 장치가 포함됩니다.
- 액세스 권한이 있는 데이터와 리소스에만 액세스할 수 있습니다.
- VPC-SC 보안 제어를 준수합니다.
- 쓰기 작업을 수행할 수 없으며 DML 쿼리를 실행할 수 없습니다.
- 원격 함수를 실행할 수 없습니다.
- 명시적으로 선택한 지식 소스에만 액세스할 수 있습니다.
- 대화 기록은 나에게만 공유됩니다. 다른 사용자와 공유할 수 없습니다.
- 데이터 에이전트를 만들 때는 추가하는 모든 기술 자료 소스를 쿼리할 수 있는 액세스 권한이 있어야 합니다.
위치
대화 분석은 에이전트 및 대화 리소스가 저장되는 위치와 ML 처리가 발생하는 위치를 결정하는 다음 위치를 지원합니다.
- 미국 MREP
- EU MREP
northamerica-northeast1(몬트리올)northamerica-northeast2(토론토)us-east4(북 버지니아)- 전역
에이전트와 대화를 만들 때 다음 기본 동작이 적용됩니다.
- 모든 지식 소스가
us-east4와 같이 지원되는 동일한 리전에서 제공되는 경우 해당 리전이 사용됩니다. - 모든 지식 소스가 미국 리전에서 제공되는 경우 미국 MREP가 사용됩니다.
- 모든 지식 소스가 EU의 리전에서 제공되는 경우 EU MREP가 사용됩니다.
- 그렇지 않으면 전역 위치가 사용됩니다.
에이전트를 만들 때 원하는 경우 다른 위치를 선택할 수 있습니다. 에이전트를 저장한 후에는 위치를 변경할 수 없습니다.
2026년 6월 4일 이전에 생성된 에이전트는 전역 위치에 있습니다.
가격 책정
데이터 에이전트를 만들고 데이터 에이전트 또는 데이터 소스와 대화할 때 실행되는 쿼리에 대해 BigQuery 컴퓨팅 가격 책정에 따라 요금이 청구됩니다. 자세한 내용은 에이전트 가격 책정을 참조하세요.
권장사항
대화 분석을 사용할 때는 다음 권장사항을 따르세요.
테이블을 데이터 소스로 추가하기 전에 테이블에서 데이터 정리를 수행합니다.
에이전트가 데이터를 조인하는 올바른 방법을 결정하도록 하는 대신 뷰에서 관련 테이블을 조인하고 해당 뷰를 데이터 소스로 사용합니다.
데이터에서 프로필 스캔을 실행합니다.
에이전트의 범위를 지정합니다. 범위가 넓은 에이전트는 지침 충돌, 모호한 출력, 일관되지 않은 성능을 보일 수 있습니다. 에이전트에 데이터 소스가 20개 넘게 필요하거나, 측정항목 정의가 다른 팀에서 사용되거나, 다른 유형의 결과를 희생하면서 한 가지 유형의 결과에 우선순위를 두는 경우 에이전트를 추가로 만드는 것이 좋습니다.
에이전트에 컨텍스트를 제공합니다. 다음과 같은 방식으로 컨텍스트 유형의 우선순위를 지정합니다.
- 확인된 쿼리 사용자 프롬프트와 일치할 때 실행되는 결정론적 SQL입니다.
- 용어집. 열을 시맨틱 컨텍스트에 연결하는 용어의 정의입니다.
- 상담사 안내 회계 달력 정의 또는 형식 지정 규칙과 같이 자연어를 사용하여 작성된 전역 동작 규칙 및 정의입니다.
테이블에 테이블 및 열 설명을 추가합니다.
Knowledge Catalog와 BigQuery 커스텀 용어집에서 용어집 정의를 중복하지 마세요.
프로젝트 수준, 사용자 수준, 쿼리 수준 지출 한도를 설정하여 에이전트 비용을 관리합니다.
대화에서 효과적으로 질문합니다.
데이터 에이전트 및 대화에 데이터 보관 및 삭제가 작동하는 방식을 이해합니다.
제한사항
에이전트에 최대 100개의 지식 소스를 추가할 수 있습니다.
쿼리, 대화, 데이터, 시각화에 대한 제한사항에 관한 자세한 내용은 Conversational Analytics API의 알려진 제한사항을 참조하세요.
동적 공유 할당량
Gemini Enterprise Agent Platform의 동적 공유 할당량 (DSQ)은 Gemini 모델의 용량을 관리합니다. 기존 할당량과 달리 DSQ를 사용하면 모델 처리량에 대한 프로젝트별 고정 한도 없이 대규모 공유 리소스 풀에 액세스할 수 있습니다.
지연 시간과 같은 성능은 전체 시스템 부하에 따라 달라질 수 있습니다. 공유 풀 전체에서 수요가 많은 기간에는 일시적인 429 Resource Exhausted 오류가 발생할 수 있습니다. 이러한 오류는 공유 풀 용량이 일시적으로 제한되었음을 나타내며 프로젝트의 특정 할당량 한도에 도달했음을 나타내지 않습니다. 용량을 확인하려면 잠시 후에 요청을 다시 시도하세요.
에이전트 생성 쿼리 식별 및 분석
데이터 에이전트가 실행하는 BigQuery 작업에는 특정 라벨이 포함됩니다. 이러한 라벨을 사용하면 에이전트의 작업을 식별, 필터링, 분석할 수 있습니다.
이러한 라벨을 사용하여 다음 작업을 수행할 수 있습니다.
- 라벨별로 결제 보고서를 필터링하여 에이전트 비용을 파악합니다.
- 에이전트 활동을 감사합니다.
- 쿼리 성능을 분석합니다.
데이터 에이전트 라벨 식별
BigQuery는 대화형 분석에서 실행하는 작업에 라벨을 적용합니다. 이러한 라벨은 작업 리소스의 라벨 한도 64개에 포함됩니다. 필터링 및 기타 분석을 위한 라벨을 가져오려면Google Cloud 콘솔에서 라벨을 확인합니다. 데이터 에이전트에 커스텀 라벨을 적용할 수도 있습니다. 커스텀 라벨을 사용하여 시스템 생성 라벨을 재정의할 수 없습니다.
데이터 에이전트의 라벨을 보려면 다음 단계를 따르세요.
Google Cloud 콘솔에서 작업 세부정보를 확인합니다.
쿼리 작업 세부정보 창에서 라벨 섹션을 찾고 다음 라벨을 찾습니다.
ca-bq-job: true는 대화형 분석을 사용하여 작업이 실행되었음을 나타냅니다.data-agent-id: DATA_AGENT_ID는 데이터 에이전트가 작업을 실행했음을 나타냅니다. 이 값은 데이터 에이전트 리소스 이름에서 추출된 리소스 ID 세그먼트입니다.conversation-id: CONVERSATION_ID는 작업이 대화와 연결되어 있음을 나타냅니다. 이 값은 대화 리소스 이름에서 추출된 ID 세그먼트입니다.
에이전트 생성 작업 분석
라벨을 사용하여 에이전트 생성 작업을 분석합니다. 예를 들어 데이터 에이전트가 실행한 작업 수를 확인하려면 INFORMATION_SCHEMA.JOBS 뷰에 대해 다음 쿼리를 실행합니다.
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'
);
다음을 바꿉니다.
PROJECT_ID: Google Cloud 프로젝트 ID입니다.REGION: 작업이 실행되는 리전 (예:us또는eu)
다음 단계
- Conversational Analytics API에 대해 자세히 알아보세요.
- 데이터 에이전트 만들기
- 대화로 데이터 분석
- Lakehouse에서 대화 분석 사용
- 라벨을 사용한 리소스 필터링 방법을 알아보세요.