Panoramica dell'analisi conversazionale

L'analisi conversazionale in BigQuery ti consente di chattare con gli agenti sui tuoi dati utilizzando il linguaggio naturale. Per ricevere risposte sui tuoi dati, puoi:

  • Crea agenti di dati che definiscono automaticamente il contesto dei dati e le istruzioni di elaborazione delle query per un insieme di origini di conoscenza, come tabelle, viste, grafici o funzioni definite dall'utente (UDF) che selezioni.
  • Se necessario, puoi creare contesto e istruzioni per un agente sotto forma di metadati personalizzati di tabelle e campi, istruzioni per l'agente per l'interpretazione e l'esecuzione di query sui dati o creando query di riferimento (precedentemente note come query d'oro) per configurare l'agente di dati in modo che risponda in modo efficace alle domande per casi d'uso specifici.

Prima di personalizzare un agente, ti consigliamo di lavorare con il contesto e le istruzioni che l'agente crea.

Ecco alcuni esempi di contesto e istruzioni che puoi fornire all'agente:

  • Contesto. Un agente di dati per l'analisi delle vendite può essere configurato per comprendere che "migliori prestazioni" si riferisce ai rappresentanti di vendita con le entrate più elevate, anziché solo al maggior numero di trattative chiuse.
  • Istruzioni. Puoi istruire un agente di dati in modo che filtri sempre i dati in base al trimestre più recente quando gli viene chiesto di "tendenze" o di raggruppare i risultati per "categoria di prodotto" per impostazione predefinita.

Dopo aver creato gli agenti di dati, puoi avviare conversazioni con loro per porre domande sui dati di BigQuery utilizzando il linguaggio naturale. Puoi anche creare conversazioni dirette con una o più origini dati per rispondere a domande di base una tantum.

L'analisi conversazionale è basata su Gemini per Google Cloud e supporta alcune funzioni di AI e ML di BigQuery. Per saperne di più, consulta Supporto di AI e ML di BigQuery.

Scopri come e quando Gemini per Google Cloud utilizza i tuoi dati.

Analisi dei prompt e come disattivarla

Per migliorare la qualità, l'accuratezza e l'affidabilità dell'analisi conversazionale, Google analizza i dati dei prompt anonimizzati nelle interazioni con i clienti. Questi dati aiutano a identificare i pattern di utilizzo comuni, a rilevare le lacune nella comprensione e a migliorare le prestazioni complessive del prodotto. Questi dati non vengono utilizzati per addestrare o perfezionare i modelli di AI di base di Google. Questo trattamento dati è attivo per impostazione predefinita.

Per disattivare l'analisi dei prompt, esegui una delle seguenti operazioni:

  • Per disattivare la funzionalità prima del 23 novembre 2026, completa i seguenti passaggi:
    1. Utilizza l'API Resource Manager, l'interfaccia a riga di comando o la console Google Cloud per ottenere i numeri di progetto o trovare l'ID organizzazione per disattivare tutti i progetti BigQuery esistenti in un'organizzazione.
    2. Invia il modulo di disattivazione, includendo gli ID progetto che vuoi escludere.
  • Per disattivare l'opzione a partire dal 23 novembre 2026, applica il vincolo personalizzato e gerarchico del servizio policy dell'organizzazione constraints/gcp.disablePromptAnalytics per bloccare l'importazione dei prompt a livello di organizzazione, cartella o progetto.

Puoi riattivare l'analisi dei prompt nelle impostazioni di amministrazione della console Google Cloud . Se hai applicato un vincolo personalizzato del servizio policy dell'organizzazione, devi rimuoverlo.

Per saperne di più, consulta i Termini di servizio specifici per l'analisi conversazionale di BigQuery.

Agenti di dati

Gli agenti di dati sono costituiti da una o più origini di conoscenza e da un insieme di istruzioni specifiche per un caso d'uso per l'elaborazione di questi dati. Quando crei un agente di dati, puoi configurarlo utilizzando le seguenti opzioni:

  • Utilizza fonti di conoscenza come tabelle, viste, grafici e funzioni definite dall'utente con un agente di dati. Puoi anche connetterti alle tabelle Lakehouse senza confini come origini. Per saperne di più, consulta Esegui query sulle tabelle Lakehouse con il linguaggio naturale.
  • Fornisci metadati personalizzati per tabelle e campi per descrivere i dati nel modo più appropriato per il caso d'uso in questione.
  • Fornisci istruzioni per l'interpretazione e l'esecuzione di query sui dati, ad esempio definendo quanto segue:
    • Sinonimi e termini commerciali per i nomi dei campi
    • Campi e valori predefiniti più importanti per i filtri e il raggruppamento
  • Crea query verificate che l'agente di dati può utilizzare per definire la struttura della risposta di un agente e per apprendere la logica di business utilizzata dalla tua organizzazione. Le query verificate erano precedentemente note come query di riferimento. Le query verificate possono utilizzare le funzioni di AI e ML di BigQuery supportate e supportano i parametri di query.
  • Crea termini di glossario personalizzati di BigQuery per ogni agente o importa i termini del glossario aziendale da Knowledge Catalog. Questi termini aiutano un agente a interpretare i prompt degli utenti. Per consigli su quando utilizzare ciascun tipo, consulta Crea o rivedi i termini del glossario.

Gestisci gli agenti di dati

Puoi creare, gestire e utilizzare i seguenti tipi di agenti di dati nella scheda Catalogo degli agenti della console Google Cloud :

  • Un agente di esempio predefinito per ogni progetto Google Cloud .
  • Un elenco degli agenti in bozza, creati e pubblicati.
  • Un elenco di agenti creati da altre persone e condivisi con te.

Per saperne di più, consulta Crea agenti di dati.

Altri servizi del progetto che supportano gli agenti di dati, come l'API Conversational Analytics e Data Studio, possono accedere agli agenti di dati che crei in BigQuery. Puoi anche accedere a un agente creato nella console Google Cloud chiamandolo utilizzando l'API Conversational Analytics.

Conversazioni

Le conversazioni sono chat persistenti con un agente di dati o un'origine dati. Puoi porre agli agenti di dati domande in più parti che utilizzano termini comuni come "vendite" o "più popolari", senza dover specificare i nomi dei campi della tabella o definire condizioni per filtrare i dati. Puoi anche porre domande sui dati contenuti in oggetti come i PDF. Un agente può determinare quali origini dati eseguire query e sfruttare le ottimizzazioni, come le partizioni delle tabelle o gli indici di ricerca, quando crea una risposta. Gli agenti possono utilizzare gli embedding esistenti dei valori delle colonne per abbinare la domanda ai dati corretti. Ad esempio, se chiedi informazioni su "Texas", verranno trovate le righe memorizzate come "TX".

La risposta della chat restituita offre le seguenti funzionalità:

  • La risposta alla tua domanda sotto forma di testo, codice o immagini (multimodale). La risposta può includere funzioni di AI e ML di BigQuery supportate.
  • Grafici generati, se opportuno.
  • Il ragionamento dell'agente alla base dei risultati.
  • Metadati sulla conversazione, come l'agente e le origini dati utilizzate.

Quando crei una conversazione diretta con un'origine dati, l'API Conversational Analytics interpreta la tua domanda senza il contesto e le istruzioni di elaborazione offerte da un agente di dati. Per questo motivo, i risultati delle conversioni dirette possono essere meno accurati. Utilizza gli agenti di dati per i casi che richiedono una maggiore precisione.

Puoi creare e gestire le conversazioni in BigQuery utilizzando la consoleGoogle Cloud . Per saperne di più, consulta Analizza i dati con le conversazioni.

Supporto di AI e ML di BigQuery

L'analisi conversazionale supporta le seguenti funzioni di AI e ML in risposta alle chat con agenti di dati e origini dati e nelle query SQL verificate che crei.

Devi disporre delle autorizzazioni necessarie per eseguire query di AI generativa.

L'agente utilizza la funzione AI.SEARCH solo sulle tabelle in cui è abilitata la generazione di embedding autonomi. In caso contrario, l'agente utilizza la funzione AI.SIMILARITY, che richiede la generazione di embedding in tempo reale.

Casi d'uso

Per attivare le funzioni supportate, utilizzale nei seguenti modi:

  • Quando crei un agente e aggiungi una query verificata, ad esempio se sei un data scientist che prepara un report ricorrente, puoi utilizzare le funzioni AI supportate in una query verificata per descrivere i valori predefiniti e automatizzare il report.
  • Quando poni domande di alto livello sui dati a un agente, in una conversazione o in una query verificata utilizzando parole chiave, l'agente genera SQL in risposta alle tue domande.

La tabella seguente mostra esempi di prompt one-shot che attivano l'utilizzo di funzioni AI o ML:

Caso d'uso Esempi di utilizzo Set di dati pubblico
Previsione "Prevedi il numero di corse per il mese successivo." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Rilevamento di anomalie "Trova gli outlier nelle corse al giorno per il 2018 utilizzando il 2017 come riferimento." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analisi dell'effetto causale "Quantifica l'impatto della dichiarazione della pandemia di COVID-19 dell'11 marzo 2020 sulle corse giornaliere in taxi." bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
Analisi delle tendenze "Analizza la tendenza a lungo termine delle corse giornaliere per il 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analisi della stagionalità "Analizza il pattern di stagionalità delle corse giornaliere per il 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Rilevamento dei punti di variazione "Rileva i punti di variazione nelle corse giornaliere." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Fattori chiave "Identifica i fattori chiave delle variazioni del volume delle corse tra il 2017 e il 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Analisi di correlazione "In che modo la massa corporea è correlata alla lunghezza delle pinne, alla lunghezza del culmen e alla profondità del culmen?" bigquery-public-data.ml_datasets.penguins
Profilazione dei dati "Profila la tabella per verificare eventuali incongruenze nei dati." bigquery-public-data.ml_datasets.census_adult_income
Modellazione predittiva "Prevedi la massa corporea dei pinguini." bigquery-public-data.ml_datasets.penguins
Ricerca semantica "Trova le 5 recensioni che corrispondono maggiormente a 'thriller psicologico che crea tensione'." bigquery-public-data.imdb.reviews
Generazione di testo tramite LLM "Per ogni articolo della categoria 'sport', riassumi la colonna del corpo in 1-2 frasi." bigquery-public-data.bbc_news.fulltext
Filtro semantico "Per gli articoli della categoria tecnologia, filtra per trovare quelli che parlano di scoperte nell'intelligenza artificiale." bigquery-public-data.bbc_news.fulltext
Punteggio semantico "Per gli articoli della categoria Intrattenimento, fornisci una valutazione che indichi il loro grado di sentiment positivo." bigquery-public-data.bbc_news.fulltext
Categorizzazione semantica "Tagga ogni recensione con l'argomento principale del recensore: Recitazione, Trama, Fotografia, Regia o Altro." bigquery-public-data.imdb.reviews
Aggregazione semantica "Riassumi le recensioni de Il paziente inglese". bigquery-public-data.imdb.reviews

Supporto per le attività di analisi

L'analisi conversazionale supporta l'analisi del carrello degli acquisti, nota anche come apprendimento delle regole di associazione, che è una tecnica utilizzata per scoprire i pattern di acquisto. Questa analisi identifica le relazioni tra gli articoli acquistati di frequente insieme in un'unica transazione.

Ad esempio, puoi porre la seguente domanda in una conversazione che ha la tabella bigquery-public-data.iowa_liquor_sales.sales come origine dati:

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

L'analisi conversazionale utilizza modelli SQL integrati per restituire una risposta accurata che include metriche di leverage, supporto, confidenza e lift.

Supporto dei grafi

L'analisi conversazionale supporta l'utilizzo di un grafico come origine dati. Quando fai domande sul tuo grafico, l'agente crea query per rispondere. Gli agenti possono utilizzare descrizioni, sinonimi ed estensioni che definisci nelle etichette e nelle proprietà del grafico per migliorare la qualità dei risultati. Gli agenti possono anche sfruttare le misure definite nel grafico per eseguire l'aggregazione multilivello. Se la risposta include percorsi del grafico, vengono fornite visualizzazioni del grafico.

A seconda dello schema del grafo e della domanda che poni, l'agente esegue una query su un grafo utilizzando Graph Query Language (GQL) o la funzione con valori di tabella GRAPH_EXPAND in SQL. Le query GQL richiedono una prenotazione BigQuery Enterprise o Enterprise Plus. Nei progetti con prezzi on demand, le query GQL non vanno a buon fine e restituiscono un errore. Le query che contengono la funzione GRAPH_EXPAND possono essere eseguite utilizzando i prezzi on demand, ma la funzione non supporta tutti i tipi di grafici. Per i requisiti e le limitazioni, consulta GRAPH_EXPAND.

Ad esempio, puoi utilizzare l'agente di esempio Look Graph nella pagina Agenti di BigQuery per porre domande simili alle seguenti sul grafico 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

Sicurezza

Puoi gestire l'accesso all'analisi conversazionale in BigQuery utilizzando ruoli e autorizzazioni IAM dell'API Conversational Analytics. Per informazioni sui ruoli necessari per operazioni specifiche, consulta i ruoli richiesti per il data agent e i ruoli richiesti per la conversazione.

L'analisi conversazionale include le seguenti funzionalità di sicurezza e misure di protezione:

  • Può accedere solo ai dati e alle risorse a cui hai l'autorizzazione di accedere.
  • Rispetta i controlli di sicurezza di VPC-SC.
  • Non può eseguire operazioni di scrittura né query DML.
  • Non può eseguire funzioni remote.
  • Può accedere solo alle fonti di conoscenza che selezioni esplicitamente.
  • La cronologia delle tue conversazioni viene condivisa solo con te. Non puoi condividerla con altri utenti.
  • Quando crei un agente di dati, devi avere accesso per eseguire query su ogni fonte di conoscenza che aggiungi.

Località

L'analisi conversazionale supporta le seguenti località, che determinano dove vengono archiviate le risorse dell'agente e della conversazione e dove avviene l'elaborazione ML:

  • US MREP
  • Endpoint multiregionale EU
  • northamerica-northeast1 (Montréal)
  • northamerica-northeast2 (Toronto)
  • us-east4 (Virginia del Nord)
  • Globale

Quando crei agenti e conversazioni, si applicano i seguenti comportamenti predefiniti:

  • Se tutte le tue fonti di conoscenza provengono dalla stessa regione supportata, ad esempio us-east4, viene utilizzata quella regione.
  • Se tutte le fonti di conoscenza provengono da regioni degli Stati Uniti, viene utilizzato l'MREP degli Stati Uniti.
  • Se tutte le fonti di conoscenza provengono da regioni dell'UE, viene utilizzato l'MREP dell'UE.
  • In caso contrario, viene utilizzata la località globale.

Quando crei un agente, puoi facoltativamente selezionare una località diversa. Dopo aver salvato l'agente, non puoi modificarne la località.

Gli agenti creati prima del 4 giugno 2026 si trovano nella località globale.

Prezzi

Ti vengono addebitati i costi di BigQuery Compute per le query eseguite quando crei agenti di dati e conversi con agenti di dati o origini dati. Per saperne di più, consulta i prezzi degli agenti.

Best practice

Segui queste best practice quando utilizzi l'analisi conversazionale:

  • Esegui la pulizia dei dati nelle tabelle prima di aggiungerle come origini dati.

  • Unisci le tabelle correlate in una vista e utilizza questa vista come origine dati, anziché affidarti all'agente per determinare il modo corretto di unire i dati.

  • Esegui scansioni di profilazione sui tuoi dati.

  • Definisci l'ambito degli agenti. Gli agenti con un ambito ampio possono avere conflitti di istruzioni, output ambigui e prestazioni incoerenti. Se l'agente richiede più di 20 origini dati, viene utilizzato da team con definizioni di metriche diverse o dà la priorità a un tipo di risultato a scapito di un altro, valuta la possibilità di creare agenti aggiuntivi.

  • Fornisci il contesto all'agente. Assegna la priorità ai tipi di contesto nel seguente modo:

    1. Query verificate. SQL deterministico che viene eseguito quando corrisponde a un prompt dell'utente.
    2. Glossari. Definizioni di termini che collegano le colonne al contesto semantico.
    3. Istruzioni per l'agente. Regole e definizioni di comportamento globali scritte utilizzando il linguaggio naturale, come le definizioni del calendario fiscale o le regole di formattazione.

  • Aggiungi descrizioni di tabelle e colonne alle tue tabelle.

  • Non duplicare le definizioni del glossario in Knowledge Catalog e nel glossario personalizzato di BigQuery.

  • Imposta limiti di spesa a livello di progetto, utente e query per gestire i costi degli agenti.

  • Fai domande efficaci nelle tue conversazioni.

  • Scopri come funzionano la conservazione e l'eliminazione dei dati per gli agenti di dati e le conversazioni.

Limitazioni

Puoi aggiungere al massimo 100 fonti di conoscenza a un agente.

Per ulteriori informazioni sulle limitazioni relative a query, conversazioni, dati e visualizzazioni, consulta Limitazioni note dell'API Conversational Analytics.

Quota condivisa dinamica

La quota condivisa dinamica (DSQ) in Gemini Enterprise Agent Platform gestisce la capacità per il modello Gemini. A differenza delle quote convenzionali, la DSQ ti consente di accedere a un ampio pool di risorse condivise senza un limite fisso per progetto per il throughput del modello.

Le prestazioni, ad esempio la latenza, possono variare a seconda del carico complessivo del sistema. Durante i periodi di domanda elevata nel pool condiviso, potresti riscontrare occasionalmente errori 429 Resource Exhausted temporanei. Questi errori indicano che la capacità del pool condiviso è momentaneamente limitata, ma non che hai raggiunto un limite di quota specifico per il tuo progetto. Per verificare la capacità, riprova a inviare la richiesta dopo un breve ritardo.

Identifica e analizza le query generate dall'agente

I job BigQuery eseguiti da un agente di dati includono etichette specifiche. Queste etichette ti consentono di identificare, filtrare e analizzare i job dell'agente.

Puoi utilizzare queste etichette per le seguenti attività:

Identifica le etichette degli agenti dati

BigQuery applica etichette ai job eseguiti dall'analisi conversazionale. Queste etichette vengono conteggiate ai fini del limite di 64 etichette sulla risorsa del job. Per ottenere l'etichetta per il filtro e altre analisi, visualizzala nella consoleGoogle Cloud . Puoi anche applicare etichette personalizzate al tuo agente di dati. Non puoi utilizzare le etichette personalizzate per sostituire le etichette generate dal sistema.

Per visualizzare le etichette di un agente di dati, segui questi passaggi:

  1. Nella console Google Cloud , visualizza i dettagli del job.

  2. Nel riquadro Dettagli job di query, individua la sezione Etichette e cerca le seguenti etichette:

    • ca-bq-job: true indica che il job è stato eseguito utilizzando l'analisi conversazionale.
    • data-agent-id: DATA_AGENT_ID indica che il job è stato eseguito da un agente dati. Il valore è il segmento dell'ID risorsa estratto dal nome della risorsa dell'agente di dati.
    • conversation-id: CONVERSATION_ID indica che il job è associato a una conversazione. Il valore è il segmento dell'ID estratto dal nome della risorsa della conversazione.

Analizza i job generati dagli agenti

Utilizza l'etichetta per analizzare i job generati dall'agente. Ad esempio, per verificare quanti job sono stati eseguiti da un agente dati, esegui la seguente query sulla vista 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'
  );

Sostituisci quanto segue:

  • PROJECT_ID: il tuo ID progetto Google Cloud .
  • REGION: la regione in cui vengono eseguiti i job (ad esempio us o eu).

Passaggi successivi