Übersicht über die konversationelle Analyse

Mit der konversationellen Analyse in BigQuery können Sie sich in natürlicher Sprache mit KI-Agenten über Ihre Daten unterhalten. So erhalten Sie Antworten zu Ihren Daten:

  • Erstellen Sie KI-Datenagenten, die automatisch den Daten kontext und die Anweisungen zur Abfrageverarbeitung für eine Reihe von Wissensquellen definieren, z. B. Tabellen, Ansichten, Graphen oder benutzerdefinierte Funktionen, die Sie auswählen.
  • Bei Bedarf können Sie Kontext und Anweisungen für einen Agent in Form von benutzerdefinierten Tabellen- und Feldmetadaten erstellen, Anweisungen für den Agent zur Interpretation und Abfrage der Daten geben oder bestätigte Abfragen (früher als Golden Queries bezeichnet) erstellen, um den KI-Datenagenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

Bevor Sie einen Agent anpassen, sollten Sie zuerst mit dem Kontext und den Anweisungen arbeiten, die der Agent erstellt.

Einige Beispiele für Kontext und Anweisungen, die Sie dem Agent geben, sind:

  • Kontext. Ein KI-Datenagent für die Umsatzanalyse kann so konfiguriert werden, dass er versteht, dass sich „Top-Performer“ auf Vertriebsmitarbeiter mit dem höchsten Umsatz bezieht und nicht nur auf die meisten abgeschlossenen Geschäfte.
  • Anweisungen. Sie können einen KI-Datenagenten anweisen, Daten immer auf das letzte Quartal zu filtern, wenn er nach „Trends“ gefragt wird, oder Ergebnisse standardmäßig nach „Produktkategorie“ zu gruppieren.

Nachdem Sie KI-Datenagenten erstellt haben, können Sie sich dann mit ihnen unterhalten und in natürlicher Sprache Fragen zu BigQuery-Daten stellen. Sie können auch direkte Unterhaltungen mit einer oder mehreren Datenquellen erstellen, um einfache, einmalige Fragen zu beantworten.

Die konversationelle Analyse wird von Gemini für Google Cloud unterstützt und unterstützt einige BigQuery-KI- und ML-Funktionen. Weitere Informationen finden Sie unter BigQuery-KI- und ML-Unterstützung.

Weitere Informationen dazu, wie und wann Gemini for Google Cloud Ihre Daten verwendet.

KI-Agenten für Datenverarbeitung

KI-Agenten für Datenverarbeitung bestehen aus einer oder mehreren Wissensquellen und einer Reihe von Anweisungen, die speziell auf einen Anwendungsfall für die Verarbeitung dieser Daten zugeschnitten sind. Wenn Sie einen KI-Datenagenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Verwenden Sie Wissensquellen wie Tabellen, Ansichten und benutzerdefinierte Funktionen mit einem KI-Datenagenten. Sie können auch eine Verbindung zu Lakehouse-Tabellen ohne Begrenzung als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Tabellen mit natürlicher Sprache abfragen.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
  • Geben Sie Anweisungen zur Interpretation und Abfrage der Daten an, z. B. durch Definieren von:
    • Synonyme und Fachbegriffe für Feldnamen
    • Wichtigste Felder und Standardeinstellungen für das Filtern und Gruppieren
  • Erstellen Sie bestätigte Abfragen , mit denen der KI-Datenagent die Antwortstruktur eines Agent gestalten und die Geschäftslogik Ihres Unternehmens erlernen kann. Bestätigte Abfragen wurden früher als Golden Queries bezeichnet. Bestätigte Abfragen können unterstützte BigQuery-KI- und ML-Funktionen verwenden und Abfrageparameterunterstützen.
  • Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agent oder importieren Sie Unternehmensglossarbegriffe aus dem Knowledge Catalog. Diese Begriffe helfen einem Agent, Nutzeranfragen zu interpretieren. Informationen dazu, wann Sie welchen Typ verwenden sollten, finden Sie unter Glossarbegriffe erstellen oder überprüfen.

KI-Datenagenten verwalten

Auf dem Tab Agent Catalog (Agentenkatalog) in der Google Cloud Console können Sie die folgenden Arten von KI-Datenagenten erstellen, verwalten und verwenden:

  • Ein vordefinierter Beispielagent für jedes Google Cloud Projekt.
  • Eine Liste Ihrer entworfenen, erstellten und veröffentlichten Agenten.
  • Eine Liste von Agenten, die von anderen Personen erstellt und für Sie freigegeben wurden.

Weitere Informationen finden Sie unter KI-Datenagenten erstellen.

Andere Dienste im Projekt, die KI-Datenagenten unterstützen, z. B. die Conversational Analytics API und Data Studio, können auf KI-Datenagenten zugreifen, die Sie in BigQuery erstellen. Sie können auch auf einen in der Google Cloud Console erstellten Agent zugreifen, indem Sie ihn mit der Conversational Analytics API aufrufen.

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können KI-Datenagenten mehrteilige Fragen stellen, die allgemeine Begriffe wie „Umsatz“ oder „beliebteste“ verwenden, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten stellen, die sich in Objekten wie PDFs befinden. Ein Agent kann bestimmen, welche Datenquellen abgefragt werden sollen, und Optimierungen wie Tabellenpartitionen oder Suchindizes nutzen, wenn er eine Antwort erstellt.

Die Chatantwort, die Sie erhalten, bietet die folgenden Funktionen:

  • Die Antwort auf Ihre Frage als Text, Code oder Bilder (multimodal). Die Antwort kann unterstützte BigQuery-KI- und ML-Funktionen enthalten.
  • Bei Bedarf generierte Diagramme.
  • Die Begründung des Agent für die Ergebnisse.
  • Metadaten zur Unterhaltung, z. B. der verwendete Agent und die verwendeten Datenquellen.

Wenn Sie eine direkte Unterhaltung mit einer Datenquelle erstellen, interpretiert die Conversational Analytics API Ihre Frage ohne den Kontext und die Anweisungen zur Verarbeitung, die ein Datenagent bietet. Daher können die Ergebnisse direkter Unterhaltungen weniger genau sein. Verwenden Sie KI-Datenagenten für Fälle, in denen eine höhere Genauigkeit erforderlich ist.

Sie können Unterhaltungen in BigQuery über die Google Cloud Console erstellen und verwalten. Weitere Informationen finden Sie unter Daten mit Unterhaltungen analysieren.

BigQuery-KI- und ML-Unterstützung

Die konversationelle Analyse unterstützt die folgenden KI- und ML-Funktionen in Antworten auf Chats mit KI-Datenagenten und Datenquellen sowie in bestätigten SQL-Abfragen, die Sie erstellen.

Sie benötigen die erforderlichen Berechtigungen um generative KI-Abfragen auszuführen.

Der Agent verwendet die Funktion AI.SEARCH nur für Tabellen, für die die autonome Einbettungserstellung aktiviert ist. Andernfalls verwendet der Agent die Funktion AI.SIMILARITY, für die die Einbettungserstellung in Echtzeit erforderlich ist.

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

  • Wenn Sie einen Agent erstellen und eine bestätigte Abfrage hinzufügen, z. B. wenn Sie als Datenwissenschaftler einen wiederkehrenden Bericht erstellen, können Sie unterstützte KI-Funktionen in einer bestätigten Abfrage verwenden, um Standardeinstellungen zu beschreiben und den Bericht zu automatisieren.
  • Wenn Sie einem Agent in einer Unterhaltung oder in einer bestätigten Abfrage mit Keywords allgemeine Fragen zu Daten stellen, generiert der Agent als Antwort auf Ihre Fragen SQL.

In der folgenden Tabelle finden Sie Beispiele für One-Shot-Prompts, die die Verwendung von KI- oder ML-Funktionen aktivieren:

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Prognose „Predict the number of trips for the next month.“ (Vorhersage der Anzahl der Fahrten für den nächsten Monat) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Anomalieerkennung „Find outliers in trips per day for 2018 using 2017 as a baseline.“ (Ausreißer bei den Fahrten pro Tag für 2018 mit 2017 als Baseline finden) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Wichtigste Faktoren „Identify the key drivers for changes in trip volume between 2017 and 2018.“ (Die wichtigsten Faktoren für Änderungen des Fahrtvolumens zwischen 2017 und 2018 ermitteln) bigquery-public-data.austin_bikeshare.bikeshare_trips
LLM-Texterstellung „For each article in the 'sports' category, summarize the body column in 1-2 sentences.“ (Fassen Sie für jeden Artikel in der Kategorie „Sport“ die Spalte „body“ in ein bis zwei Sätzen zusammen.) bigquery-public-data.bbc_news.fulltext
Semantische Filterung „For the articles in the tech category, filter to find those discussing breakthroughs in artificial intelligence.“ (Filtern Sie die Artikel in der Kategorie „Technik“ nach Artikeln, in denen Durchbrüche im Bereich der künstlichen Intelligenz behandelt werden.) bigquery-public-data.bbc_news.fulltext
Semantische Bewertung „For the articles in the entertainment category, provide a rating indicating their degree of positive sentiment.“ (Geben Sie für die Artikel in der Kategorie „Unterhaltung“ eine Bewertung an, die den Grad der positiven Stimmung angibt.) bigquery-public-data.bbc_news.fulltext
Semantische Kategorisierung „Tag each review with the reviewer's main focus: Acting, Plot, Cinematography, Directing, or Other“ (Taggen Sie jede Rezension mit dem Hauptaugenmerk des Rezensenten: Schauspielerei, Handlung, Kameraführung, Regie oder Sonstiges) bigquery-public-data.imdb.reviews
Semantische Suche „Find the top 5 reviews that most closely match 'tension-building psychological thriller'“ (Die fünf Rezensionen finden, die am besten zu „spannungsaufbauender psychologischer Thriller“ passen) bigquery-public-data.imdb.reviews
Semantische Aggregation „Summarize the reviews for The English Patient“ (Die Rezensionen zu „Der englische Patient“ zusammenfassen) bigquery-public-data.imdb.reviews
Vorhersagemodellierung „Predict the body mass of penguins“ (Die Körpermasse von Pinguinen vorhersagen) bigquery-public-data.ml_datasets.penguins
Änderungspunkterkennung „Detect change points in daily trips.“ (Änderungspunkte bei den täglichen Fahrten erkennen) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Saisonalitätsanalyse „Analyze the seasonality pattern of daily trips for 2017.“ (Das Saisonalitätsmuster der täglichen Fahrten für 2017 analysieren) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Trendanalyse „Analyze the long-term trend of daily trips for 2017.“ (Den langfristigen Trend der täglichen Fahrten für 2017 analysieren) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Datenprofilerstellung „Profile the table to check for any data inconsistencies“ (Die Tabelle profilieren, um nach Dateninkonsistenzen zu suchen) bigquery-public-data.ml_datasets.census_adult_income
Korrelationsanalyse „How does body mass correlate with flipper length, culmen length, and culmen depth?“ (Wie korreliert die Körpermasse mit der Länge der Flossen, der Länge des Schnabels und der Tiefe des Schnabels?) bigquery-public-data.ml_datasets.penguins

Unterstützung für Analyseaufgaben

Die konversationelle Analyse unterstützt die Marktkorbanalyse, auch Assoziationsanalyse genannt. Dabei werden Kaufmuster aufgedeckt. Bei dieser Analyse werden Beziehungen zwischen Artikeln ermittelt, die häufig zusammen in einer einzigen Transaktion gekauft werden.

Sie können beispielsweise die folgende Frage in einer Unterhaltung stellen, in der die Tabelle bigquery-public-data.iowa_liquor_sales.sales als Datenquelle verwendet wird:

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

Die konversationelle Analyse verwendet integrierte SQL-Vorlagen, um eine genaue Antwort mit Messwerten für Leverage, Support, Confidence und Lift zurückzugeben.

Graph-Unterstützung

Die konversationelle Analyse unterstützt die Verwendung eines Graphen als Datenquelle. Wenn Sie Fragen zu Ihrem Graphen stellen, erstellt der Agent SQL-Abfragen, um sie zu beantworten. Agenten können Beschreibungen und Synonyme verwenden, die Sie für Ihre Graph-Labels und Eigenschaften definieren, um die Qualität der Ergebnisse zu verbessern. Agenten können auch Messwerte nutzen, die in Ihrem Graphen definiert sind, um eine mehrstufige Aggregation durchzuführen. Wenn Sie die Enterprise- oder Enterprise Plus-Version haben, kann der Agent GQL-Abfragen für Ihren Graphen ausführen. Wenn die Antwort Graph-Pfade enthält, werden Graph-Visualisierungen bereitgestellt.

Sie können beispielsweise den Look Graph Beispielagenten auf der Seite „Agents“ (Agenten) in BigQuery verwenden, um Fragen wie die folgenden zum Graphen bigquery-public-data.thelook_ecommerce.graph zu stellen:

  • Which product is most popular among 25-year-olds?
  • Show me the connection between bow tie orders and distribution centers

Beschränkungen

Bei der Verwendung eines Graphen als Datenquelle gelten die folgenden Einschränkungen:

  • Sie können maximal einen Graphen als Datenquelle pro Agent oder Unterhaltung verwenden.
  • Sie können Tabellen und Graphen nicht als Datenquellen kombinieren.

Sicherheit

Sie können den Zugriff auf die konversationelle Analyse in BigQuery mit den IAM-Rollen und ‑Berechtigungen der Conversational Analytics API verwalten. Informationen zu den für bestimmte Vorgänge erforderlichen Rollen finden Sie unter Erforderliche Rollen für KI-Datenagenten und Erforderliche Rollen für Unterhaltungen.

Die konversationelle Analyse umfasst die folgenden Sicherheitsfunktionen und ‑maßnahmen:

  • Sie kann nur auf Daten und Ressourcen zugreifen, für die Sie eine Berechtigung haben.
  • Sie berücksichtigt die VPC Service Controls-Sicherheitskontrollen.
  • Sie kann keine Schreibvorgänge ausführen und keine DML-Abfragen ausführen.
  • Sie kann keine Remote-Funktionen ausführen.
  • Sie kann nur auf die Wissensquellen zugreifen, die Sie explizit auswählen.
  • Ihr Unterhaltungsverlauf wird nur für Sie freigegeben. Sie können ihn nicht für andere Nutzer freigeben.
  • Wenn Sie einen KI-Datenagenten erstellen, müssen Sie Zugriff haben, um jede Wissensquelle abzufragen, die Sie hinzufügen.

Standorte

Die konversationelle Analyse unterstützt drei Standorte, die die Speicherung von Agent- und Unterhaltungsressourcen sowie den für die ML-Verarbeitung verwendeten Standort regeln:

  • US MREP
  • EU MREP
  • Global

Beim Erstellen von Agenten und Unterhaltungen gelten die folgenden Standardverhaltensweisen:

  • Wenn alle Ihre Wissensquellen aus Regionen in den USA stammen, wird US MREP verwendet.
  • Wenn alle Ihre Wissensquellen aus Regionen in der EU stammen, wird EU MREP verwendet.
  • Andernfalls wird der globale Standort verwendet.

Wenn Sie einen Agent erstellen, können Sie optional einen anderen Standort auswählen. Nachdem Sie den Agent gespeichert haben, können Sie den Standort nicht mehr ändern.

Agenten, die vor dem 4. Juni 2026 erstellt wurden, befinden sich am globalen Standort.

Preise

Für Abfragen, die beim Erstellen von KI-Datenagenten und bei Unterhaltungen mit KI-Datenagenten oder Datenquellen ausgeführt werden, werden Ihnen die BigQuery-Compute Preise berechnet. Weitere Informationen finden Sie unter Preise für Agenten.

Best Practices

Beachten Sie bei der Arbeit mit der konversationellen Analyse die folgenden Best Practices:

  • Führen Sie eine Datenbereinigung für Ihre Tabellen durch, bevor Sie sie als Datenquellen hinzufügen.

  • Verknüpfen Sie verwandte Tabellen in einer Ansicht und verwenden Sie diese Ansicht als Datenquelle, anstatt dem Agent die richtige Verknüpfung Ihrer Daten zu überlassen.

  • Führen Sie Profilscans für Ihre Daten aus.

  • Beschränken Sie den Umfang Ihrer Agenten. Agenten mit einem großen Umfang können Anweisungskonflikte, mehrdeutige Ausgaben und eine inkonsistente Leistung aufweisen. Wenn Ihr Agent mehr als 20 Datenquellen benötigt, von Teams mit unterschiedlichen Messwertdefinitionen verwendet wird oder eine Art von Ergebnis gegenüber einer anderen priorisiert, sollten Sie zusätzliche Agenten erstellen.

  • Geben Sie Ihrem Agent Kontext. Priorisieren Sie Kontexttypen so:

    1. Bestätigte Abfragen. Deterministisches SQL, das ausgeführt wird, wenn es mit einer Nutzeranfrage übereinstimmt.
    2. Glossare. Definitionen von Begriffen, die Spalten mit semantischem Kontext verknüpfen.
    3. Agentenanweisungen. Globale Verhaltensregeln und Definitionen, die in natürlicher Sprache verfasst sind, z. B. Definitionen des Geschäftsjahres oder Formatierungsregeln.

  • Fügen Sie Ihren Tabellen Tabellen- und Spaltenbeschreibungen hinzu.

  • Duplizieren Sie keine Glossardefinitionen im Knowledge Catalog und im benutzerdefinierten BigQuery-Glossar.

  • Legen Sie Ausgabenlimits auf Projektebene, Nutzerebene und Abfrageebene fest, um die Kosten für Ihre Agenten zu verwalten.

  • Stellen Sie effektive Fragen in Ihren Unterhaltungen.

  • Informationen zur Datenaufbewahrung und ‑löschung für KI-Datenagenten und Unterhaltungen.

Beschränkungen

Sie können einem Agent maximal 100 Wissensquellen hinzufügen.

Weitere Informationen zu Beschränkungen für Abfragen, Unterhaltungen, Daten und Visualisierungen finden Sie unter Bekannte Einschränkungen der Conversational Analytics API.

Dynamisches gemeinsames Kontingent

Das dynamische gemeinsame Kontingent (Dynamic Shared Quota, DSQ) in der Gemini Enterprise Agent Platform verwaltet die Kapazität für das Gemini-Modell. Im Gegensatz zu herkömmlichen Kontingenten ermöglicht DSQ den Zugriff auf einen großen gemeinsamen Ressourcenpool ohne festes Limit pro Projekt für den Modelldurchsatz.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gemeinsamen Pool können gelegentlich temporäre 429 Resource Exhausted-Fehler auftreten. Diese Fehler weisen darauf hin, dass die Kapazität des gemeinsamen Pools vorübergehend begrenzt ist, aber nicht, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Warten Sie kurz und wiederholen Sie die Anfrage, um die Kapazität zu prüfen.

Vom Agent generierte Abfragen identifizieren und analysieren

BigQuery-Jobs, die von einem KI-Datenagenten ausgeführt werden, enthalten bestimmte Labels. Mit diesen Labels können Sie die Jobs des Agent identifizieren, filtern und analysieren.

Sie können diese Labels für die folgenden Aufgaben verwenden:

Labels für KI-Datenagenten identifizieren

BigQuery wendet Labels auf Jobs an, die von der konversationellen Analyse ausgeführt werden. Diese Labels werden auf das Limit von 64 Labels für die Jobressource angerechnet. Rufen Sie das Label in der Google Cloud Console auf, um es für die Filterung und andere Analysen zu verwenden. Sie können auch benutzerdefinierte Labels auf Ihren KI-Datenagenten anwenden. Benutzerdefinierte Labels können nicht verwendet werden, um die vom System generierten Labels zu überschreiben.

So rufen Sie die Labels eines KI-Datenagenten auf:

  1. Rufen Sie in der Google Cloud Console, die Jobdetails auf.

  2. Suchen Sie im Bereich Query job details (Details zum Abfragejob) den Abschnitt Labels und suchen Sie nach den folgenden Labels:

    • ca-bq-job: true gibt an, dass Ihr Job mit der konversationellen Analyse ausgeführt wurde.
    • data-agent-id: DATA_AGENT_ID gibt an, dass der Job von einem KI-Datenagenten ausgeführt wurde. Der Wert ist das Segment der Ressourcen-ID, das aus dem Ressourcennamen des KI-Datenagenten extrahiert wurde.
    • conversation-id: CONVERSATION_ID gibt an, dass der Job mit einer Unterhaltung verknüpft ist. Der Wert ist das ID-Segment, das aus dem Ressourcennamen der Unterhaltung extrahiert wurde.

Vom Agent generierte Jobs analysieren

Verwenden Sie das Label, um Ihre vom Agent generierten Jobs zu analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem KI-Datenagenten ausgeführt wurden, führen Sie die folgende Abfrage für die INFORMATION_SCHEMA.JOBS Ansicht aus:

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'
  );

Ersetzen Sie Folgendes:

  • PROJECT_ID: Ihre Google Cloud Projekt-ID.
  • REGION: die Region, in der Ihre Jobs ausgeführt werden (z. B. us oder eu).

Nächste Schritte