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:

  • Daten-Agents erstellen, die automatisch den Datenkontext und Anweisungen zur Verarbeitung von Anfragen für eine Reihe von Wissensquellen wie Tabellen, Ansichten, Grafiken oder benutzerdefinierte Funktionen (User-Defined Functions, UDFs) definieren, die Sie auswählen.
  • Bei Bedarf können Sie Kontext und Anweisungen für einen Agenten in Form von benutzerdefinierten Tabellen- und Feldmetadaten, Anweisungen für den Agenten zum Interpretieren und Abfragen der Daten oder durch Erstellen verifizierter Anfragen (früher als Golden Queries bezeichnet) erstellen, um den 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.

Hier einige Beispiele für Kontext und Anweisungen, die Sie dem Agenten geben können:

  • Context ist. Ein Daten-Agent für die Verkaufsanalyse kann so konfiguriert werden, dass er versteht, dass sich „Top-Performer“ auf Vertriebsmitarbeiter mit dem höchsten Umsatz und nicht nur auf die meisten abgeschlossenen Geschäfte bezieht.
  • Befehle: Sie können einen Daten-Agent anweisen, Daten immer nach dem letzten Quartal zu filtern, wenn er nach „Trends“ gefragt wird, oder Ergebnisse standardmäßig nach „Produktkategorie“ zu gruppieren.

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

Conversational Analytics basiert auf Gemini für Google Cloud und unterstützt einige BigQuery AI- und ML-Funktionen. Weitere Informationen finden Sie unter Unterstützung für BigQuery AI und ML.

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

KI-Agenten für Datenverarbeitung

Data Agents bestehen aus einer oder mehreren Wissensquellen und einer Reihe von Anweisungen, die für einen Anwendungsfall zum Verarbeiten dieser Daten spezifisch sind. Wenn Sie einen Daten-Agenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Verwenden Sie Wissensquellen wie Tabellen, Ansichten, Grafiken und nutzerdefinierte Funktionen mit einem Daten-Agent. Sie können auch eine Verbindung zu grenzenlosen Lakehouse-Tabellen als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Tabellen in natürlicher Sprache abfragen.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
  • Geben Sie eine Anleitung zum Interpretieren und Abfragen der Daten an, z. B. durch Definieren der folgenden Elemente:
    • Synonyme und geschäftliche Begriffe für Feldnamen
    • Wichtigste Felder und Standardeinstellungen zum Filtern und Gruppieren
  • Erstellen Sie bestätigte Abfragen, mit denen der Daten-Agent die Antwortstruktur eines KI-Agenten gestalten und die Geschäftslogik Ihrer Organisation erlernen kann. Überprüfte Anfragen wurden früher als Golden Queries bezeichnet. Für verifizierte Abfragen können unterstützte BigQuery AI- und ML-Funktionen verwendet werden und sie unterstützen Abfrageparameter.
  • Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agent oder importieren Sie Unternehmensglossarbegriffe aus Knowledge Catalog. Diese Begriffe helfen einem Agent, Nutzer-Prompts zu interpretieren. Hinweise dazu, wann die einzelnen Typen verwendet werden sollten, finden Sie unter Glossarbegriffe erstellen oder überprüfen.

Daten-Agents verwalten

Sie können die folgenden Arten von Daten-Agents auf dem Tab Agent Catalog in der Google Cloud Console erstellen, verwalten und verwenden:

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

Weitere Informationen finden Sie unter Data Agents erstellen.

Andere Dienste im Projekt, die Data Agents unterstützen, z. B. die Conversational Analytics API und Data Studio, können auf Data Agents zugreifen, die Sie in BigQuery erstellen. Sie können auch über die Conversational Analytics API auf einen in der Google Cloud Console erstellten Agenten zugreifen.

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können Daten-Agents mehrteilige Fragen mit gängigen Begriffen wie „Umsatz“ oder „beliebtesten“ stellen, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten in Objekten wie PDFs stellen. Ein KI-Agent kann bestimmen, welche Datenquellen abgefragt werden sollen, und Optimierungen wie Tabellenpartitionen oder Suchindexe 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 AI- und ML-Funktionen enthalten.
  • Bei Bedarf werden Diagramme generiert.
  • Die Begründung des Agenten für die Ergebnisse.
  • Metadaten zur Unterhaltung, z. B. der verwendete KI-Agent und die verwendeten Datenquellen.

Wenn Sie eine direkte Konversation mit einer Datenquelle erstellen, interpretiert die Conversational Analytics API Ihre Frage ohne den Kontext und die Verarbeitungsanweisungen, die ein Daten-KI-Agent bietet. Daher sind die Ergebnisse direkter Unterhaltungen möglicherweise weniger genau. Verwenden Sie Daten-Agents für Fälle, die eine höhere Genauigkeit erfordern.

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

Unterstützung von KI und ML in BigQuery

Die Conversational Analytics-Funktion unterstützt die folgenden KI- und ML-Funktionen als Reaktion auf Chats mit Daten-Agents und Datenquellen sowie in überprüften SQL-Abfragen, die Sie erstellen.

Sie benötigen die erforderlichen Berechtigungen, um Abfragen für generative KI auszuführen.

Der Agent verwendet die Funktion AI.SEARCH nur für Tabellen, für die autonomes Einbetten aktiviert ist. Andernfalls verwendet der Agent die AI.SIMILARITY-Funktion, für die die Einbettungen in Echtzeit generiert werden müssen.

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

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

Die folgende Tabelle enthält Beispiele für One-Shot-Prompts, die die Verwendung von KI- oder ML-Funktionen aktivieren:

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Vorhersage „Sag die Anzahl der Fahrten für den nächsten Monat voraus.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Anomalieerkennung „Finde Ausreißer bei den Fahrten pro Tag für 2018, wobei 2017 als Baseline verwendet wird.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Wichtige Faktoren „Identifiziere die wichtigsten Faktoren für Veränderungen beim Fahrtvolumen zwischen 2017 und 2018.“ bigquery-public-data.austin_bikeshare.bikeshare_trips
LLM-Textgenerierung „Fasse für jeden Artikel in der Kategorie ‚Sport‘ die Spalte ‚body‘ in ein bis zwei Sätzen zusammen.“ bigquery-public-data.bbc_news.fulltext
Semantische Filterung „Finde für die Artikel in der Kategorie ‚Technologie‘ diejenigen, in denen es um Durchbrüche im Bereich künstliche Intelligenz geht.“ bigquery-public-data.bbc_news.fulltext
Semantische Bewertung „Gib 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“ (Tagge jede Rezension mit dem Hauptfokus des Rezensenten: Schauspiel, Handlung, Kamera, Regie oder Sonstiges) bigquery-public-data.imdb.reviews
Semantische Suche „Finde die fünf Rezensionen, die am ehesten dem Begriff ‚spannungsaufbauender Psychothriller‘ entsprechen.“ bigquery-public-data.imdb.reviews
Semantische Aggregation „Fasse die Rezensionen zu ‚Der englische Patient‘ zusammen.“ bigquery-public-data.imdb.reviews
Vorhersagemodellierung „Körpermasse von Pinguinen vorhersagen“ bigquery-public-data.ml_datasets.penguins
Erkennung von Änderungspunkten „Detect change points in daily trips.“ (Wendepunkte bei täglichen Fahrten erkennen) bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Saisonalitätsanalyse „Analysiere das saisonale Muster der täglichen Fahrten für 2017.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Trendanalyse „Analysiere den langfristigen Trend der täglichen Fahrten für 2017.“ bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Datenprofilerstellung „Tabelle analysieren, um Dateninkonsistenzen zu erkennen“ bigquery-public-data.ml_datasets.census_adult_income
Korrelationsanalyse „Wie korreliert das Körpergewicht mit der Flossenlänge, der Schnabellänge und der Schnabeltiefe?“ bigquery-public-data.ml_datasets.penguins

Unterstützung bei Analyseaufgaben

Die Konversationsanalyse unterstützt die Warenkorbanalyse>, auch Lernen von Assoziationsregeln genannt. Dabei werden Kaufmuster ermittelt. Bei dieser Analyse werden Beziehungen zwischen Artikeln ermittelt, die häufig zusammen in einer einzelnen Transaktion gekauft werden.

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

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

Bei der konversationellen Analyse werden integrierte SQL-Vorlagen verwendet, um eine genaue Antwort mit Messwerten für Hebelwirkung, Unterstützung, Konfidenz und Steigerung zurückzugeben.

Diagrammunterstützung

Bei der Conversational Analytics-Funktion kann ein Diagramm als Datenquelle verwendet werden. Wenn Sie Fragen zu Ihrem Diagramm stellen, erstellt der Agent Anfragen, um sie zu beantworten. Kundenservicemitarbeiter können Beschreibungen und Synonyme verwenden, die Sie für Ihre Diagrammlabels und ‑attribute definieren, um die Qualität der Ergebnisse zu verbessern. Agenten können auch Messwerte nutzen, die in Ihrem Diagramm definiert sind, um eine Aggregation auf mehreren Ebenen durchzuführen. Wenn die Antwort Graphpfade enthält, werden Graphvisualisierungen bereitgestellt.

Je nach Ihrem Grafschema und der Frage, die Sie stellen, fragt der Agent einen Graphen entweder mit Graph Query Language (GQL) oder mit der tabellarischen Funktion GRAPH_EXPAND in SQL ab. Für GQL-Abfragen ist eine BigQuery Enterprise- oder Enterprise Plus-Version erforderlich. In Projekten mit On-Demand-Preisen schlagen GQL-Abfragen mit einem Fehler fehl. Abfragen, die die Funktion GRAPH_EXPAND enthalten, können mit On-Demand-Preisen ausgeführt werden. Die Funktion unterstützt jedoch nicht alle Arten von Grafiken. Informationen zu Anforderungen und Einschränkungen finden Sie unter GRAPH_EXPAND.

Sie können beispielsweise den Beispiel-KI-Agenten Look Graph auf der BigQuery-Seite KI-Agenten verwenden, um Fragen zu stellen, die dem folgenden Diagramm bigquery-public-data.thelook_ecommerce.graph ähneln:

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

Sicherheit

Sie können den Zugriff auf Conversational Analytics in BigQuery mit IAM-Rollen und ‑Berechtigungen für die Conversational Analytics API verwalten. Informationen zu den Rollen, die für bestimmte Vorgänge erforderlich sind, finden Sie unter Erforderliche Rollen für den Daten-Agent und Erforderliche Rollen für Unterhaltungen.

Die Gesprächsanalyse umfasst die folgenden Sicherheitsfunktionen und Schutzmaßnahmen:

  • Sie kann nur auf Daten und Ressourcen zugreifen, für die Sie die Berechtigung haben.
  • Es werden VPC-SC-Sicherheitskontrollen berücksichtigt.
  • Es kann keine Schreibvorgänge ausführen und keine DML-Abfragen ausführen.
  • Es kann keine Remote-Funktionen ausführen.
  • Sie kann nur auf die Wissensquellen zugreifen, die Sie ausdrücklich auswählen.
  • Ihr Unterhaltungsverlauf wird nur mit Ihnen geteilt. Sie können sie nicht für andere Nutzer freigeben.
  • Wenn Sie einen KI-Datenagenten erstellen, müssen Sie Zugriff haben, um jede Wissensquelle abzufragen, die Sie hinzufügen.

Standorte

Die Conversational Analytics-Funktion unterstützt drei Standorte, die die Speicherung von Agent- und Konversationsressourcen 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 der US-MREP verwendet.
  • Wenn alle Ihre Wissensquellen aus Regionen in der EU stammen, wird der EU-MREP verwendet.
  • Andernfalls wird der globale Standort verwendet.

Wenn Sie einen KI-Agenten erstellen, können Sie optional einen anderen Speicherort auswählen. Nachdem Sie den KI-Agenten gespeichert haben, können Sie seinen Standort nicht mehr ändern.

KI‑Agents, die vor dem 4. Juni 2026 erstellt wurden, befinden sich am globalen Standort.

Preise

Für Abfragen, die ausgeführt werden, wenn Sie Daten-Agents erstellen und Unterhaltungen mit Daten-Agents oder Datenquellen führen, fallen BigQuery-Compute-Preise an. Weitere Informationen zu den Preisen für Agents

Best Practices

Beachten Sie die folgenden Best Practices, wenn Sie mit Conversational Analytics arbeiten:

  • 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 zu überlassen, wie Ihre Daten richtig verknüpft werden.

  • Profilscans für Ihre Daten ausführen

  • KI-Agenten eingrenzen Agents mit einem breiten Anwendungsbereich können zu widersprüchlichen Anweisungen, mehrdeutigen Ausgaben und einer uneinheitlichen Leistung führen. Wenn für Ihren Agenten mehr als 20 Datenquellen erforderlich sind, er von Teams mit unterschiedlichen Messwertdefinitionen verwendet wird oder eine Art von Ergebnis auf Kosten einer anderen priorisiert wird, sollten Sie zusätzliche Agents erstellen.

  • Stellen Sie Ihrem KI-Agenten Kontext zur Verfügung. Priorisieren Sie Kontexttypen so:

    1. Bestätigte Anfragen: Deterministisches SQL, das ausgeführt wird, wenn es mit einem Nutzer-Prompt übereinstimmt.
    2. Glossare: Definitionen von Begriffen, die Spalten mit semantischem Kontext verknüpfen.
    3. Anweisungen für KI-Agenten: Globale Verhaltensregeln und Definitionen, die in natürlicher Sprache verfasst sind, z. B. Definitionen für den Geschäftsjahreskalender oder Formatierungsregeln.

  • Fügen Sie Ihren Tabellen Tabellen- und Spaltenbeschreibungen hinzu.

  • Wiederholen Sie Glossardefinitionen nicht in Knowledge Catalog und im benutzerdefinierten BigQuery-Glossar.

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

  • Stellen Sie effektive Fragen in Ihren Unterhaltungen.

  • Datenaufbewahrung und ‑löschung bei Daten-KI-Agenten und Unterhaltungen

Beschränkungen

Sie können einem Agenten maximal 100 Wissensquellen hinzufügen.

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

Dynamisches freigegebenes Kontingent

Mit dem dynamischen gemeinsamen Kontingent (Dynamic Shared Quota, DSQ) in der Gemini Enterprise Agent Platform wird die Kapazität für das Gemini-Modell verwaltet. Im Gegensatz zu herkömmlichen Kontingenten können Sie mit DSQ auf einen großen gemeinsamen Ressourcenpool zugreifen, ohne dass es ein festes Projektlimit für den Modelldurchsatz gibt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gesamten freigegebenen Pool kann es gelegentlich zu temporären 429 Resource Exhausted-Fehlern kommen. Diese Fehler deuten darauf hin, dass die Kapazität des freigegebenen Pools vorübergehend eingeschränkt ist, nicht aber, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Wenn Sie die Kapazität prüfen möchten, wiederholen Sie die Anfrage nach einer kurzen Verzögerung.

Von Agents generierte Anfragen identifizieren und analysieren

Für BigQuery-Jobs, die von einem Daten-Agent ausgeführt werden, sind bestimmte Labels enthalten. Mit diesen Labels können Sie die Jobs des KI-Agenten 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 konversationellen Analysen ausgeführt werden. Diese Labels werden auf das Limit von 64 Labels für die Jobressource angerechnet. Wenn Sie das Label zum Filtern und für andere Analysen benötigen, können Sie es in derGoogle Cloud -Konsole aufrufen. Sie können auch benutzerdefinierte Labels auf Ihren Data Agent anwenden. Sie können keine benutzerdefinierten Labels verwenden, um die vom System generierten Labels zu überschreiben.

So rufen Sie die Labels eines Daten-Agents auf:

  1. Rufen Sie die Jobdetails in der Google Cloud -Konsole auf.

  2. Suchen Sie im Bereich Abfragejobdetails nach dem Abschnitt Labels und 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 Datenagenten ausgeführt wurde. Der Wert ist das Segment der Ressourcen-ID, das aus dem Ressourcennamen des KI-Datenagenten extrahiert wurde.
    • conversation-id: CONVERSATION_ID bedeutet, dass der Job mit einer Unterhaltung verknüpft ist. Der Wert ist das ID-Segment, das aus dem Namen der Unterhaltungsressource extrahiert wurde.

Von Agenten generierte Jobs analysieren

Mit dem Label können Sie die von Ihrem Agent generierten Jobs analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem Daten-Agent ausgeführt wurden, führen Sie die folgende Abfrage für die Ansicht INFORMATION_SCHEMA.JOBS 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: Projekt-ID in Google Cloud .
  • REGION: Die Region, in der Ihre Jobs ausgeführt werden, z. B. us oder eu.

Nächste Schritte