Ringkasan analisis percakapan

Analisis percakapan di BigQuery memungkinkan Anda melakukan chat dengan agen tentang data Anda menggunakan bahasa alami. Untuk mendapatkan jawaban tentang data Anda, Anda dapat melakukan hal berikut:

  • Buat agen data yang secara otomatis menentukan konteks data dan petunjuk pemrosesan kueri untuk serangkaian sumber pengetahuan, seperti tabel, tampilan, grafik, atau fungsi yang ditentukan pengguna (UDF) yang Anda pilih.
  • Jika diperlukan, Anda dapat membuat konteks dan petunjuk untuk agen dalam bentuk metadata tabel dan kolom kustom, petunjuk kepada agen untuk menafsirkan dan mengkueri data, atau dengan membuat kueri terverifikasi (sebelumnya dikenal sebagai golden query) untuk mengonfigurasi agen data agar menjawab pertanyaan secara efektif untuk kasus penggunaan tertentu.

Sebelum menyesuaikan agen, sebaiknya Anda terlebih dahulu menggunakan konteks dan petunjuk yang dibuat agen.

Beberapa contoh konteks dan petunjuk yang Anda berikan kepada agen adalah sebagai berikut:

  • Context. Agen data untuk analisis penjualan dapat dikonfigurasi untuk memahami bahwa "performa terbaik" mengacu pada sales representative dengan pendapatan tertinggi, bukan hanya transaksi yang paling banyak ditutup.
  • Petunjuk. Anda dapat menginstruksikan agen data untuk selalu memfilter data ke kuartal terbaru saat ditanya tentang "tren", atau mengelompokkan hasil berdasarkan "kategori produk" secara default.

Setelah membuat agen data, Anda dapat melakukan percakapan dengan agen tersebut untuk mengajukan pertanyaan tentang data BigQuery menggunakan bahasa alami. Anda juga dapat membuat percakapan langsung dengan satu atau beberapa sumber data untuk menjawab pertanyaan dasar yang bersifat satu kali.

Analisis percakapan didukung oleh Gemini untuk Google Cloud dan mendukung beberapa fungsi AI dan ML BigQuery. Untuk mengetahui informasi selengkapnya, lihat Dukungan AI dan ML BigQuery.

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Analisis perintah dan cara memilih tidak ikut

Untuk meningkatkan kualitas, akurasi, dan keandalan analisis percakapan, Google menganalisis data perintah anonim di seluruh interaksi pelanggan. Data ini membantu mengidentifikasi pola penggunaan umum, mendeteksi kesenjangan dalam pemahaman, dan meningkatkan performa produk secara keseluruhan. Data ini tidak digunakan untuk melatih atau menyesuaikan model AI dasar Google. Pemrosesan data ini diaktifkan secara default.

Untuk memilih tidak ikut analisis perintah, lakukan salah satu hal berikut:

  • Untuk menonaktifkan sebelum 23 November 2026, selesaikan langkah-langkah berikut:
    1. Gunakan Resource Manager API, CLI, atau konsol Google Cloud untuk mendapatkan nomor project, atau temukan ID organisasi Anda untuk menonaktifkan semua project BigQuery yang ada di organisasi.
    2. Kirimkan formulir memilih tidak ikut, termasuk project ID yang ingin Anda kecualikan.
  • Untuk memilih tidak ikut pada atau setelah 23 November 2026, terapkan batasan kustom hierarkis Organization Policy Service constraints/gcp.disablePromptAnalytics untuk memblokir penyerapan perintah di tingkat Organisasi, Folder, atau Project.

Anda dapat mengaktifkan kembali analisis perintah dalam setelan administrator konsol Google Cloud . Anda harus menghapus batasan Organization Policy Service kustom jika sebelumnya telah menerapkannya.

Untuk mempelajari lebih lanjut, lihat Persyaratan Khusus Layanan untuk analisis percakapan BigQuery.

Agen data

Agen data terdiri dari satu atau beberapa sumber informasi, dan serangkaian petunjuk khusus untuk kasus penggunaan dalam memproses data tersebut. Saat membuat agen data, Anda dapat mengonfigurasinya menggunakan opsi berikut:

  • Gunakan sumber pengetahuan seperti tabel, tampilan, grafik, dan UDF dengan agen data. Anda juga dapat terhubung ke tabel Lakehouse tanpa batas sebagai sumber. Untuk mengetahui informasi selengkapnya, lihat Membuat kueri tabel Lakehouse dengan bahasa alami.
  • Berikan metadata tabel dan kolom kustom untuk mendeskripsikan data dengan cara yang paling sesuai untuk kasus penggunaan tertentu.
  • Berikan petunjuk untuk menafsirkan dan membuat kueri data, seperti menentukan hal berikut:
    • Sinonim dan istilah bisnis untuk nama kolom
    • Kolom dan default yang paling penting untuk pemfilteran dan pengelompokan
  • Buat kueri terverifikasi yang dapat digunakan agen data untuk membentuk struktur respons agen dan mempelajari logika bisnis yang digunakan organisasi Anda. Kueri terverifikasi sebelumnya dikenal sebagai golden query. Kueri yang diverifikasi dapat menggunakan fungsi AI dan ML BigQuery yang didukung serta mendukung parameter kueri.
  • Buat istilah glosarium kustom BigQuery untuk setiap agen atau impor istilah glosarium bisnis dari Knowledge Catalog. Istilah ini membantu agen menafsirkan perintah pengguna. Untuk saran tentang kapan harus menggunakan setiap jenis, lihat Membuat atau meninjau istilah glosarium.

Mengelola agen data

Anda dapat membuat, mengelola, dan menggunakan jenis agen data berikut di tab Agent Catalog di konsol Google Cloud :

  • Agen contoh yang telah ditetapkan untuk setiap project Google Cloud .
  • Daftar agen yang Anda buat drafnya, buat, dan publikasikan.
  • Daftar agen yang dibuat dan dibagikan orang lain kepada Anda.

Untuk mengetahui informasi selengkapnya, lihat Membuat agen data.

Layanan lain dalam project yang mendukung agen data, seperti Conversational Analytics API dan Data Studio, dapat mengakses agen data yang Anda buat di BigQuery. Anda juga dapat mengakses agen yang dibuat di konsol Google Cloud dengan memanggilnya menggunakan Conversational Analytics API.

Percakapan

Percakapan adalah chat yang dipertahankan dengan agen data atau sumber data. Anda dapat mengajukan pertanyaan multi-bagian kepada agen data yang menggunakan istilah umum seperti "penjualan" atau "paling populer", tanpa harus menentukan nama kolom tabel atau menentukan kondisi untuk memfilter data. Anda juga dapat mengajukan pertanyaan tentang data yang ada di objek seperti PDF. Agen dapat menentukan sumber data mana yang akan dikueri dan memanfaatkan pengoptimalan, seperti partisi tabel atau indeks penelusuran, saat membuat respons. Agen dapat menggunakan embedding yang ada dari nilai kolom Anda untuk mencocokkan pertanyaan Anda dengan data yang tepat. Misalnya, menanyakan tentang "Texas" akan menemukan baris yang disimpan sebagai "TX".

Respons chat yang ditampilkan kepada Anda menyediakan fitur berikut:

  • Jawaban atas pertanyaan Anda sebagai teks, kode, atau gambar (multimodal). Jawaban dapat mencakup fungsi AI dan ML BigQuery yang didukung.
  • Membuat diagram jika sesuai.
  • Penalaran agen di balik hasil.
  • Metadata tentang percakapan, seperti agen dan sumber data yang digunakan.

Saat Anda membuat percakapan langsung dengan sumber data, Conversational Analytics API akan menafsirkan pertanyaan Anda tanpa konteks dan petunjuk pemrosesan yang ditawarkan agen data. Oleh karena itu, hasil konversi langsung mungkin kurang akurat. Gunakan agen data untuk kasus yang memerlukan akurasi lebih tinggi.

Anda dapat membuat dan mengelola percakapan di BigQuery menggunakan konsolGoogle Cloud . Untuk mengetahui informasi selengkapnya, lihat Menganalisis data dengan percakapan.

Dukungan AI dan ML BigQuery

Analisis percakapan mendukung fungsi AI dan ML berikut sebagai respons terhadap chat dengan agen data dan sumber data, serta dalam kueri SQL terverifikasi yang Anda buat.

Anda harus memiliki izin yang diperlukan untuk menjalankan kueri AI generatif.

Agen hanya menggunakan fungsi AI.SEARCH pada tabel yang mengaktifkan pembuatan embedding otonom. Jika tidak, agen akan menggunakan fungsi AI.SIMILARITY, yang memerlukan pembuatan embedding real-time.

Kasus penggunaan

Untuk mengaktifkan fungsi yang didukung, gunakan fungsi tersebut dengan cara berikut:

  • Saat membuat agen dan menambahkan kueri terverifikasi—misalnya, jika Anda adalah data scientist yang menyiapkan laporan berulang—Anda dapat menggunakan fungsi AI yang didukung dalam kueri terverifikasi untuk mendeskripsikan default dan mengotomatiskan laporan.
  • Saat Anda mengajukan pertanyaan umum tentang data kepada agen, dalam percakapan, atau dalam kueri terverifikasi menggunakan kata kunci, agen akan membuat SQL sebagai respons atas pertanyaan Anda.

Tabel berikut menunjukkan contoh one-shot prompting yang mengaktifkan penggunaan fungsi AI atau ML:

Kasus penggunaan Contoh penggunaan Set data publik
Perkiraan "Predict the number of trips for the next month." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Deteksi anomali "Temukan pencilan dalam perjalanan per hari untuk tahun 2018 menggunakan tahun 2017 sebagai dasar pengukuran." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analisis efek kausal "Quantify the impact of the COVID-19 pandemic declaration on March 11, 2020 on daily taxi trips." bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
Analisis tren "Analisis tren jangka panjang perjalanan harian untuk tahun 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analisis tren musiman "Analisis pola musiman perjalanan harian untuk tahun 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Deteksi titik perubahan "Deteksi titik perubahan dalam perjalanan harian." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Faktor pendorong utama "Identifikasi pendorong utama perubahan volume perjalanan antara tahun 2017 dan 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Analisis korelasi "Bagaimana korelasi massa tubuh dengan panjang sirip, panjang culmen, dan kedalaman culmen?" bigquery-public-data.ml_datasets.penguins
Pembuatan profil data "Buat profil tabel untuk memeriksa apakah ada inkonsistensi data." bigquery-public-data.ml_datasets.census_adult_income
Pembuatan model prediktif "Memprediksi massa tubuh penguin." bigquery-public-data.ml_datasets.penguins
Penelusuran semantik "Temukan 5 ulasan teratas yang paling cocok dengan 'thriller psikologis yang menegangkan'." bigquery-public-data.imdb.reviews
Pembuatan teks LLM "Untuk setiap artikel dalam kategori 'olahraga', ringkas kolom isi dalam 1-2 kalimat." bigquery-public-data.bbc_news.fulltext
Pemfilteran semantik "Untuk artikel dalam kategori teknologi, filter untuk menemukan artikel yang membahas terobosan dalam kecerdasan buatan." bigquery-public-data.bbc_news.fulltext
Penskoran semantik "Untuk artikel dalam kategori hiburan, berikan rating yang menunjukkan tingkat sentimen positifnya." bigquery-public-data.bbc_news.fulltext
Kategorisasi semantik "Beri tag pada setiap ulasan dengan fokus utama pengulas: Akting, Plot, Sinematografi, Penyutradaraan, atau Lainnya." bigquery-public-data.imdb.reviews
Agregasi semantik "Ringkas ulasan untuk The English Patient." bigquery-public-data.imdb.reviews

Dukungan tugas analisis

Analisis percakapan mendukung analisis keranjang pasar, yang juga disebut sebagai pembelajaran aturan pengaitan, yang merupakan teknik yang digunakan untuk mengungkap pola pembelian. Analisis ini mengidentifikasi hubungan antara item yang sering dibeli bersama dalam satu transaksi.

Misalnya, Anda dapat mengajukan pertanyaan berikut dalam percakapan yang memiliki tabel bigquery-public-data.iowa_liquor_sales.sales sebagai sumber data:

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

Analisis percakapan menggunakan template SQL bawaan untuk membantu memberikan respons yang akurat, yang mencakup metrik leverage, support, confidence, dan lift.

Dukungan grafik

Analisis percakapan mendukung penggunaan graf sebagai sumber data. Saat Anda mengajukan pertanyaan tentang grafik, agen akan membuat kueri untuk menjawabnya. Agen dapat menggunakan deskripsi, sinonim, dan ekstensi yang Anda tentukan pada label dan properti grafik Anda untuk meningkatkan kualitas hasil. Agen juga dapat memanfaatkan measure yang ditentukan pada grafik Anda untuk melakukan agregasi multi-level. Jika respons menyertakan jalur grafik, visualisasi grafik akan disediakan.

Bergantung pada skema graf dan pertanyaan yang Anda ajukan, agen akan mengkueri graf menggunakan Graph Query Language (GQL) atau fungsi bernilai tabel GRAPH_EXPAND di SQL. Kueri GQL memerlukan pemesanan BigQuery Enterprise atau Enterprise Plus edition. Dalam project dengan harga on-demand, kueri GQL akan gagal dengan error. Kueri yang berisi fungsi GRAPH_EXPAND dapat dijalankan menggunakan harga on-demand, tetapi fungsi ini tidak mendukung semua jenis grafik. Untuk mengetahui persyaratan dan batasan, lihat GRAPH_EXPAND.

Misalnya, Anda dapat menggunakan agen contoh Look Graph di halaman Agen BigQuery untuk mengajukan pertanyaan yang mirip dengan pertanyaan berikut tentang grafik 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

Keamanan

Anda dapat mengelola akses ke analisis percakapan di BigQuery menggunakan peran dan izin IAM Conversational Analytics API. Untuk mengetahui informasi tentang peran yang diperlukan untuk operasi tertentu, lihat peran yang diperlukan agen data dan peran yang diperlukan percakapan.

Analisis percakapan mencakup fitur dan pengamanan keamanan berikut:

  • Gemini hanya dapat mengakses data dan resource yang izin aksesnya Anda miliki.
  • Solusi ini mematuhi kontrol keamanan VPC-SC.
  • Peran ini tidak dapat melakukan operasi tulis dan tidak dapat menjalankan kueri DML.
  • BigQuery Omni tidak dapat menjalankan fungsi jarak jauh.
  • Gemini hanya dapat mengakses sumber informasi yang Anda pilih secara eksplisit.
  • Histori percakapan Anda hanya dibagikan kepada Anda. Anda tidak dapat membagikannya kepada pengguna lain.
  • Saat membuat agen data, Anda harus memiliki akses untuk mengkueri setiap sumber pengetahuan yang Anda tambahkan.

Lokasi

Analisis percakapan mendukung lokasi berikut, yang menentukan tempat penyimpanan resource agen dan percakapan serta tempat terjadinya pemrosesan ML:

  • MREP AS
  • MREP Uni Eropa
  • northamerica-northeast1 (Montréal)
  • northamerica-northeast2 (Toronto)
  • us-east4 (North Virginia)
  • Global

Perilaku default berikut berlaku saat Anda membuat agen dan percakapan:

  • Jika semua sumber pengetahuan Anda berasal dari wilayah yang didukung yang sama, seperti us-east4, wilayah tersebut akan digunakan.
  • Jika semua sumber pengetahuan Anda berasal dari region di AS, MREP AS akan digunakan.
  • Jika semua sumber pengetahuan Anda berasal dari region di Uni Eropa, MREP Uni Eropa akan digunakan.
  • Jika tidak, lokasi global akan digunakan.

Saat membuat agen, Anda dapat memilih lokasi lain secara opsional. Setelah menyimpan agen, Anda tidak dapat mengubah lokasinya.

Agen yang dibuat sebelum 4 Juni 2026 berada di lokasi global.

Harga

Anda akan dikenai biaya sesuai harga komputasi BigQuery untuk kueri yang berjalan saat Anda membuat agen data dan melakukan percakapan dengan agen data atau sumber data. Untuk mengetahui informasi selengkapnya, baca tentang harga agen.

Praktik terbaik

Ikuti praktik terbaik berikut saat Anda menggunakan analisis percakapan:

  • Lakukan pembersihan data pada tabel sebelum menambahkannya sebagai sumber data.

  • Gabungkan tabel terkait dalam tampilan dan gunakan tampilan tersebut sebagai sumber data, daripada mengandalkan agen untuk menentukan cara yang benar untuk menggabungkan data Anda.

  • Jalankan pemindaian profil pada data Anda.

  • Tentukan cakupan agen Anda. Agen dengan cakupan luas dapat mengalami konflik instruksi, output yang ambigu, dan performa yang tidak konsisten. Jika agen Anda memerlukan lebih dari 20 sumber data, digunakan di seluruh tim yang memiliki definisi metrik yang berbeda, atau memprioritaskan satu jenis hasil dengan mengorbankan hasil lainnya, pertimbangkan untuk membuat agen tambahan.

  • Berikan konteks kepada agen Anda. Prioritaskan jenis konteks dengan cara berikut:

    1. Kueri terverifikasi. SQL deterministik yang dijalankan saat cocok dengan perintah pengguna.
    2. Glosarium. Definisi istilah yang menautkan kolom ke konteks semantik.
    3. Petunjuk agen. Aturan dan definisi perilaku global yang ditulis menggunakan bahasa alami, seperti definisi kalender fiskal atau aturan pemformatan.

  • Tambahkan deskripsi tabel dan kolom ke tabel Anda.

  • Jangan menduplikasi definisi glosarium di Knowledge Catalog dan glosarium kustom BigQuery.

  • Tetapkan batas pembelanjaan di level project, level pengguna, dan level kueri untuk mengelola biaya agen Anda.

  • Ajukan pertanyaan yang efektif dalam percakapan Anda.

  • Pahami cara kerja retensi dan penghapusan data untuk agen data dan percakapan.

Batasan

Anda dapat menambahkan maksimal 100 sumber informasi ke agen.

Untuk mengetahui informasi selengkapnya tentang batasan kueri, percakapan, data, dan visualisasi, lihat Batasan umum Conversational Analytics API.

Kuota bersama dinamis

Dynamic Shared Quota (DSQ) di Gemini Enterprise Agent Platform mengelola kapasitas untuk model Gemini. Tidak seperti kuota konvensional, DSQ memungkinkan Anda mengakses kumpulan resource bersama yang besar tanpa batas tetap per project untuk throughput model.

Performa, seperti latensi, dapat bervariasi bergantung pada beban sistem secara keseluruhan. Selama periode permintaan tinggi di seluruh pool bersama, Anda mungkin terkadang mengalami error 429 Resource Exhausted sementara. Error ini menunjukkan bahwa kapasitas pool bersama dibatasi untuk sementara, tetapi bukan berarti Anda telah mencapai batas kuota tertentu pada project Anda. Untuk memeriksa kapasitas, coba lagi permintaan setelah beberapa saat.

Mengidentifikasi dan menganalisis kueri yang dihasilkan agen

Tugas BigQuery yang dijalankan oleh agen data menyertakan label tertentu. Label ini memungkinkan Anda mengidentifikasi, memfilter, dan menganalisis tugas agen.

Anda dapat menggunakan label ini untuk tugas berikut:

Mengidentifikasi label agen data

BigQuery menerapkan label ke tugas yang dijalankan oleh analisis percakapan. Label ini diperhitungkan dalam batas 64 label pada resource tugas. Untuk mendapatkan label untuk pemfilteran dan analisis lainnya, lihat label di konsolGoogle Cloud . Anda juga dapat menerapkan label kustom ke agen data Anda. Anda tidak dapat menggunakan label khusus untuk mengganti label yang dibuat sistem.

Untuk melihat label agen data, ikuti langkah-langkah berikut:

  1. Di konsol Google Cloud , lihat detail tugas.

  2. Di panel Query job details, temukan bagian Labels, dan cari label berikut:

    • ca-bq-job: true menunjukkan bahwa tugas Anda dijalankan menggunakan analisis percakapan.
    • data-agent-id: DATA_AGENT_ID menunjukkan bahwa tugas dijalankan oleh agen data. Nilainya adalah segmen ID resource yang diekstrak dari nama resource agen data.
    • conversation-id: CONVERSATION_ID menunjukkan bahwa tugas dikaitkan dengan percakapan. Nilainya adalah segmen ID yang diekstrak dari nama resource percakapan.

Menganalisis tugas yang dibuat agen

Gunakan label untuk menganalisis tugas yang dihasilkan agen. Misalnya, untuk memeriksa jumlah tugas yang dijalankan oleh agen data, jalankan kueri berikut terhadap tampilan 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'
  );

Ganti kode berikut:

  • PROJECT_ID: Project ID Google Cloud Anda.
  • REGION: region tempat tugas Anda berjalan (misalnya, us atau eu).

Langkah berikutnya