Présentation de Conversational Analytics

L'analyse conversationnelle dans BigQuery vous permet de discuter avec des agents au sujet de vos données en langage naturel. Pour obtenir des réponses sur vos données, vous pouvez effectuer les actions suivantes :

  • Créez des agents de données qui définissent automatiquement le contexte des données et les instructions de traitement des requêtes pour un ensemble de sources de connaissances que vous sélectionnez, telles que des tables, des vues, des graphiques ou des fonctions définies par l'utilisateur (UDF).
  • Si nécessaire, vous pouvez créer du contexte et des instructions pour un agent sous la forme de métadonnées de table et de champ personnalisées, d'instructions à l'agent pour interpréter et interroger les données, ou en créant des requêtes validées (anciennement appelées requêtes en or) pour configurer l'agent de données afin qu'il puisse répondre efficacement aux questions pour des cas d'utilisation spécifiques.

Avant de personnaliser un agent, il est recommandé de commencer par travailler avec le contexte et les instructions qu'il crée.

Voici quelques exemples de contexte et d'instructions que vous pouvez fournir à l'agent :

  • Context. Un agent de données pour l'analyse des ventes peut être configuré pour comprendre que "meilleurs vendeurs" fait référence aux commerciaux ayant généré le plus de revenus, et non à ceux ayant conclu le plus de contrats.
  • Instructions : Vous pouvez demander à un agent de données de toujours filtrer les données sur le trimestre le plus récent lorsqu'il est interrogé sur les "tendances", ou de regrouper les résultats par "catégorie de produit" par défaut.

Une fois que vous avez créé des agents de données, vous pouvez discuter avec eux pour leur poser des questions sur les données BigQuery en langage naturel. Vous pouvez également créer des conversations directes avec une ou plusieurs sources de données pour répondre à des questions ponctuelles et basiques.

L'analyse conversationnelle est optimisée par Gemini pour Google Cloud et est compatible avec certaines fonctions d'IA et de ML BigQuery. Pour en savoir plus, consultez Compatibilité de BigQuery avec l'IA et le ML.

Découvrez comment et quand Gemini pour Google Cloud utilise vos données.

Agents de données

Les agents de données se composent d'une ou de plusieurs sources de connaissances et d'un ensemble d'instructions spécifiques à un cas d'utilisation pour le traitement de ces données. Lorsque vous créez un agent de données, vous pouvez le configurer à l'aide des options suivantes :

  • Utilisez des sources de connaissances telles que des tables, des vues, des graphiques et des fonctions définies par l'utilisateur avec un agent de données. Vous pouvez également vous connecter à des tables Lakehouse sans bordure en tant que sources. Pour en savoir plus, consultez Interroger des tables Lakehouse en langage naturel.
  • Fournissez des métadonnées personnalisées pour les tables et les champs afin de décrire les données de la manière la plus appropriée pour le cas d'utilisation donné.
  • Fournissez des instructions pour interpréter et interroger les données, par exemple en définissant les éléments suivants :
    • Synonymes et termes commerciaux pour les noms de champs
    • Champs et valeurs par défaut les plus importants pour le filtrage et le regroupement
  • Créez des requêtes validées que l'agent de données peut utiliser pour définir la structure de réponse d'un agent et apprendre la logique métier utilisée par votre organisation. Les requêtes validées étaient auparavant appelées requêtes en or. Les requêtes validées peuvent utiliser les fonctions d'IA et de ML BigQuery compatibles et sont compatibles avec les paramètres de requête.
  • Créez des termes de glossaire personnalisés BigQuery pour chaque agent ou importez des termes de glossaire d'entreprise depuis Knowledge Catalog. Ces termes aident un agent à interpréter les requêtes des utilisateurs. Pour savoir quand utiliser chaque type, consultez Créer ou examiner des termes de glossaire.

Gérer les agents de données

Vous pouvez créer et gérer les types d'agents de données suivants, et les utiliser dans l'onglet Catalogue d'agents de la console Google Cloud  :

  • Un agent exemple prédéfini pour chaque projet Google Cloud .
  • Liste des agents que vous avez créés, mis en brouillon et publiés.
  • Liste des agents créés par d'autres personnes et partagés avec vous.

Pour en savoir plus, consultez Créer des agents de données.

D'autres services du projet qui acceptent les agents de données, tels que l'API Conversational Analytics et Data Studio, peuvent accéder aux agents de données que vous créez dans BigQuery. Vous pouvez également accéder à un agent créé dans la console Google Cloud en l'appelant à l'aide de l'API Conversational Analytics.

Conversations

Les conversations sont des discussions persistantes avec un agent de données ou une source de données. Vous pouvez poser aux agents de données des questions en plusieurs parties qui utilisent des termes courants tels que "ventes" ou "le plus populaire", sans avoir à spécifier les noms des champs de table ni à définir de conditions pour filtrer les données. Vous pouvez également poser des questions sur les données contenues dans des objets tels que des PDF. Un agent peut déterminer les sources de données à interroger et tirer parti des optimisations, telles que les partitions de table ou les index de recherche, lorsqu'il construit une réponse.

La réponse du chat qui vous est renvoyée propose les fonctionnalités suivantes :

  • La réponse à votre question sous forme de texte, de code ou d'images (multimodale). La réponse peut inclure les fonctions d'IA et de ML BigQuery compatibles.
  • Graphiques générés, le cas échéant.
  • Raisonnement de l'agent pour les résultats.
  • Métadonnées sur la conversation, comme l'agent et les sources de données utilisés.

Lorsque vous créez une conversation directe avec une source de données, l'API Conversational Analytics interprète votre question sans le contexte ni les instructions de traitement qu'un agent de données propose. Par conséquent, les résultats de conversation directe peuvent être moins précis. Utilisez des agents de données pour les cas qui nécessitent une plus grande précision.

Vous pouvez créer et gérer des conversations dans BigQuery à l'aide de la consoleGoogle Cloud . Pour en savoir plus, consultez Analyser les données avec des conversations.

Compatibilité de BigQuery avec l'IA et le ML

L'analyse conversationnelle est compatible avec les fonctions d'IA et de ML suivantes en réponse aux discussions avec les agents de données et les sources de données, ainsi qu'avec les requêtes SQL validées que vous créez.

Vous devez disposer des autorisations requises pour exécuter des requêtes d'IA générative.

L'agent n'utilise la fonction AI.SEARCH que sur les tables pour lesquelles la génération autonome d'embeddings est activée. Sinon, l'agent utilise la fonction AI.SIMILARITY, qui nécessite la génération d'embeddings en temps réel.

Cas d'utilisation

Pour activer les fonctions compatibles, utilisez-les de l'une des manières suivantes :

  • Lorsque vous créez un agent et ajoutez une requête validée (par exemple, si vous êtes un data scientist qui prépare un rapport récurrent), vous pouvez utiliser les fonctions d'IA compatibles dans une requête validée pour décrire les valeurs par défaut et automatiser le rapport.
  • Lorsque vous posez des questions générales sur des données à un agent, dans une conversation ou dans une requête validée à l'aide de mots clés, l'agent génère du code SQL en réponse à vos questions.

Le tableau suivant présente des exemples d'invites one-shot qui activent l'utilisation de fonctions d'IA ou de ML :

Cas d'utilisation Exemple d'utilisation Ensemble de données public
Prévision "Prédire le nombre de trajets pour le mois prochain" bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Détection d'anomalies "Trouve les valeurs aberrantes dans les trajets par jour pour 2018 en utilisant 2017 comme référence." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Facteurs clés "Identifie les principaux facteurs de variation du volume de trajets entre 2017 et 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
Génération de texte par LLM "Pour chaque article de la catégorie 'sports', résume la colonne 'body' en une ou deux phrases." bigquery-public-data.bbc_news.fulltext
Filtrage sémantique "Filtre les articles de la catégorie "Technologie" pour trouver ceux qui traitent des avancées dans le domaine de l'intelligence artificielle." bigquery-public-data.bbc_news.fulltext
Évaluation sémantique "Pour les articles de la catégorie "Divertissement", attribue une note indiquant le degré de sentiment positif." bigquery-public-data.bbc_news.fulltext
Catégorisation sémantique "Tag chaque critique en fonction de l'aspect principal sur lequel elle porte : jeu d'acteur, intrigue, cinématographie, réalisation ou autre" bigquery-public-data.imdb.reviews
Recherche sémantique "Trouve les cinq avis qui correspondent le mieux à 'thriller psychologique à suspense'" bigquery-public-data.imdb.reviews
Agrégation sémantique "Résume les avis sur Le Patient anglais." bigquery-public-data.imdb.reviews
Modélisation prédictive "Prédire la masse corporelle des manchots" bigquery-public-data.ml_datasets.penguins
Détection des points de changement "Détecte les points d'inflexion dans les trajets quotidiens." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analyse de la saisonnalité "Analyse la saisonnalité des trajets quotidiens pour 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Analyse des tendances "Analyse la tendance à long terme des trajets quotidiens pour 2017." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Profilage de données "Profile la table pour vérifier les incohérences de données" bigquery-public-data.ml_datasets.census_adult_income
Analyse de corrélation "Quelle est la corrélation entre la masse corporelle et la longueur des nageoires, la longueur du culmen et la profondeur du culmen ?" bigquery-public-data.ml_datasets.penguins

Prise en charge des tâches analytiques

L'analyse conversationnelle est compatible avec l'analyse du panier d'achat, également appelée apprentissage des règles d'association. Il s'agit d'une technique utilisée pour identifier les habitudes d'achat. Cette analyse identifie les relations entre les articles fréquemment achetés ensemble lors d'une même transaction.

Par exemple, vous pouvez poser la question suivante dans une conversation dont la source de données est la table bigquery-public-data.iowa_liquor_sales.sales :

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

L'analyse conversationnelle utilise des modèles SQL intégrés pour renvoyer une réponse précise incluant des métriques sur l'exploitation, le soutien, la confiance et l'impact.

Prise en charge des graphiques

L'analyse conversationnelle permet d'utiliser un graphique comme source de données. Lorsque vous posez des questions sur votre graphique, l'agent construit des requêtes pour y répondre. Les agents peuvent utiliser les descriptions et les synonymes que vous définissez sur les libellés et les propriétés de votre graphique pour améliorer la qualité des résultats. Les agents peuvent également tirer parti des mesures définies sur votre graphique pour effectuer une agrégation à plusieurs niveaux. Si la réponse inclut des chemins de graphique, des visualisations de graphique sont fournies.

Selon votre schéma de graphe et la question que vous posez, l'agent interroge un graphe à l'aide du langage GQL (Graph Query Language) ou de la fonction table GRAPH_EXPAND en SQL. Les requêtes GQL nécessitent une réservation BigQuery Enterprise ou Enterprise Plus. Dans les projets avec tarification à la demande, les requêtes GQL échouent et renvoient une erreur. Les requêtes contenant la fonction GRAPH_EXPAND peuvent s'exécuter avec la tarification à la demande, mais la fonction n'est pas compatible avec tous les types de graphiques. Pour connaître les exigences et les limites, consultez GRAPH_EXPAND.

Par exemple, vous pouvez utiliser l'agent exemple Look Graph sur la page Agents de BigQuery pour poser des questions semblables à celles ci-dessous sur le graphique 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

Sécurité

Vous pouvez gérer l'accès aux données d'analyse conversationnelle dans BigQuery à l'aide des rôles et autorisations IAM pour l'API Conversational Analytics. Pour en savoir plus sur les rôles nécessaires pour des opérations spécifiques, consultez les rôles requis pour l'agent de données et les rôles requis pour les conversations.

L'analyse conversationnelle inclut les fonctionnalités et mesures de sécurité suivantes :

  • Il ne peut accéder qu'aux données et ressources auxquelles vous êtes autorisé à accéder.
  • Il respecte les contrôles de sécurité VPC-SC.
  • Il ne peut pas effectuer d'opérations d'écriture ni exécuter de requêtes LMD.
  • Il ne peut pas exécuter de fonctions distantes.
  • Il ne peut accéder qu'aux sources de connaissances que vous sélectionnez explicitement.
  • Votre historique des conversations n'est partagé qu'avec vous. Vous ne pouvez pas la partager avec d'autres utilisateurs.
  • Lorsque vous créez un agent de données, vous devez avoir accès à toutes les sources de connaissances que vous ajoutez pour pouvoir les interroger.

Emplacements

L'analyse conversationnelle est compatible avec trois emplacements qui régissent le stockage des ressources d'agent et de conversation, ainsi que l'emplacement utilisé pour le traitement ML :

  • MREP É.-U.
  • MREP UE
  • Monde

Les comportements par défaut suivants s'appliquent lorsque vous créez des agents et des conversations :

  • Si toutes vos sources de connaissances proviennent de régions des États-Unis, le MREP américain est utilisé.
  • Si toutes vos sources de connaissances proviennent de régions de l'UE, le MREP de l'UE est utilisé.
  • Sinon, l'emplacement global est utilisé.

Lorsque vous créez un agent, vous pouvez éventuellement sélectionner un autre emplacement. Une fois l'agent enregistré, vous ne pouvez plus modifier son emplacement.

Les agents créés avant le 4 juin 2026 se trouvent dans l'emplacement mondial.

Tarifs

La tarification du calcul BigQuery s'applique aux requêtes exécutées lorsque vous créez des agents de données et que vous avez des conversations avec des agents de données ou des sources de données. Pour en savoir plus, consultez les tarifs des agents.

Bonnes pratiques

Suivez ces bonnes pratiques lorsque vous utilisez l'analyse conversationnelle :

  • Nettoyez les données de vos tableaux avant de les ajouter en tant que sources de données.

  • Joignez les tables associées dans une vue et utilisez cette vue comme source de données, plutôt que de laisser l'agent déterminer la bonne façon de joindre vos données.

  • Exécutez des analyses de profilage sur vos données.

  • Définissez le champ d'application de vos agents. Les agents à portée étendue peuvent présenter des conflits d'instructions, des sorties ambiguës et des performances incohérentes. Si votre agent nécessite plus de 20 sources de données, est utilisé par des équipes qui ont des définitions de métriques différentes ou privilégie un type de résultat au détriment d'un autre, envisagez de créer des agents supplémentaires.

  • Fournissez du contexte à votre agent. Hiérarchisez les types de contexte comme suit :

    1. Requêtes validées : Code SQL déterministe qui s'exécute lorsqu'il correspond à une requête utilisateur.
    2. Glossaires : Définitions des termes qui associent les colonnes au contexte sémantique.
    3. Instructions pour l'agent Règles et définitions de comportement global rédigées en langage naturel, telles que les définitions de calendrier fiscal ou les règles de mise en forme.

  • Ajoutez des descriptions de table et de colonne à vos tables.

  • Ne dupliquez pas les définitions de glossaire dans Knowledge Catalog et le glossaire personnalisé BigQuery.

  • Définissez des limites de dépenses au niveau du projet, des utilisateurs et des requêtes pour gérer les coûts de vos agents.

  • Posez des questions efficaces dans vos conversations.

  • Découvrez comment la conservation et la suppression des données fonctionnent pour les agents de données et les conversations.

Limites

Vous pouvez ajouter jusqu'à 100 sources de connaissances à un agent.

Pour en savoir plus sur les limites concernant les requêtes, les conversations, les données et les visualisations, consultez Limites connues de l'API Conversational Analytics.

Quota partagé dynamique

Le quota partagé dynamique (DSQ) dans Gemini Enterprise Agent Platform gère la capacité du modèle Gemini. Contrairement aux quotas classiques, DSQ vous permet d'accéder à un grand pool de ressources partagées sans limite fixe par projet pour le débit du modèle.

Les performances, comme la latence, peuvent varier en fonction de la charge globale du système. En cas de forte demande dans le pool partagé, vous pouvez parfois rencontrer des erreurs 429 Resource Exhausted temporaires. Ces erreurs indiquent que la capacité du pool partagé est momentanément limitée, mais pas que vous avez atteint une limite de quota spécifique dans votre projet. Pour vérifier la capacité, réessayez la requête après un court délai.

Identifier et analyser les requêtes générées par l'agent

Les jobs BigQuery exécutés par un agent de données incluent des libellés spécifiques. Ces libellés vous permettent d'identifier, de filtrer et d'analyser les jobs de l'agent.

Vous pouvez utiliser ces libellés pour les tâches suivantes :

Identifier les libellés des agents de données

BigQuery applique des étiquettes aux tâches exécutées par Conversational Analytics. Ces libellés sont comptabilisés dans la limite de 64 libellés pour la ressource de job. Pour obtenir le libellé permettant de filtrer et d'effectuer d'autres analyses, consultez-le dans la consoleGoogle Cloud . Vous pouvez également appliquer des libellés personnalisés à votre agent de données. Vous ne pouvez pas utiliser de libellés personnalisés pour remplacer les libellés générés par le système.

Pour afficher les libellés d'un agent de données, procédez comme suit :

  1. Dans la console Google Cloud , affichez les détails du job.

  2. Dans le volet Détails du job de requête, recherchez la section Libellés et les libellés suivants :

    • ca-bq-job: true indique que votre tâche a été exécutée à l'aide de Conversational Analytics.
    • data-agent-id: DATA_AGENT_ID indique que le job a été exécuté par un agent de données. La valeur correspond au segment d'ID de ressource extrait du nom de ressource de l'agent de données.
    • conversation-id: CONVERSATION_ID indique que le job est associé à une conversation. La valeur correspond au segment d'ID extrait du nom de ressource de la conversation.

Analyser les tâches générées par l'agent

Utilisez le libellé pour analyser les tâches générées par l'agent. Par exemple, pour vérifier le nombre de jobs exécutés par un agent de données, exécutez la requête suivante sur la vue 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'
  );

Remplacez les éléments suivants :

  • PROJECT_ID : ID de votre projet Google Cloud .
  • REGION : région dans laquelle vos jobs s'exécutent (par exemple, us ou eu).

Étapes suivantes