Visão geral da análise de conversação

A análise de conversação no BigQuery permite que você converse com agentes sobre seus dados usando linguagem natural. Para receber respostas sobre seus dados, faça o seguinte:

  • Crie agentes de dados que definam automaticamente o contexto dos dados e as instruções de processamento de consultas para um conjunto de fontes de conhecimento, como tabelas, visualizações ou funções definidas pelo usuário (UDFs) que você selecionar.
  • Se necessário, crie contexto e instruções para um agente na forma de metadados de tabela e campo personalizados, instruções para o agente interpretar e consultar os dados ou criando consultas verificadas (antes conhecidas como consultas de ouro) para configurar o agente de dados para responder perguntas de maneira eficaz para casos de uso específicos.

Antes de personalizar um agente, recomendamos que você trabalhe primeiro com o contexto e as instruções que o agente cria.

Confira alguns exemplos de contexto e instruções que você fornece ao agente:

  • Contexto. Um agente de dados para análise de vendas pode ser configurado para entender que "melhores desempenhos" se refere a representantes de vendas com a maior receita, e não apenas os negócios mais fechados.
  • Instruções. Você pode instruir um agente de dados a sempre filtrar dados para o trimestre mais recente quando perguntado sobre "tendências" ou a agrupar os resultados por "categoria dos produtos" por padrão.

Depois de criar agentes de dados, você pode ter conversas com eles para fazer perguntas sobre dados do BigQuery usando linguagem natural. Também é possível criar conversas diretas com uma ou mais fontes de dados para responder perguntas básicas e únicas.

A análise de conversação é feita pelo Gemini para Google Cloud e oferece suporte a algumas funções do BigQuery ML. Para mais informações, consulte Suporte do BigQuery ML.

Saiba como e quando o Gemini para Google Cloud usa seus dados.

Agentes de dados

Os agentes de dados consistem em uma ou mais fontes de conhecimento e um conjunto de instruções específicas para um caso de uso para processar esses dados. Ao criar um agente de dados, você pode configurá-lo usando as seguintes opções:

  • Use fontes de conhecimento , como tabelas, visualizações e UDFs, com um agente de dados.
  • Forneça metadados de tabela e campo personalizados para descrever os dados da maneira mais adequada para o caso de uso em questão.
  • Forneça instruções para interpretar e consultar os dados, como definir o seguinte:
    • Sinônimos e termos comerciais para nomes de campos
    • Campos mais importantes e padrões para filtragem e agrupamento
  • Crie consultas verificadas que o agente de dados possa usar para moldar a estrutura de resposta de um agente e aprender a lógica de negócios usada pela sua organização. As consultas verificadas eram conhecidas como consultas de ouro. As consultas verificadas podem usar funções com suporte do BigQuery ML.
  • Crie termos de glossário personalizados do BigQuery para cada agente ou importe termos de glossário empresarial do Dataplex Universal Catalog. Esses termos ajudam um agente a interpretar comandos do usuário. Para saber quando usar cada tipo, consulte Criar ou revisar termos de glossário.

Gerenciar agentes de dados

É possível criar, gerenciar e trabalhar com os seguintes tipos de agentes de dados na guia Catálogo de agentes no Google Cloud console:

  • Um agente de amostra predefinido para cada Google Cloud projeto.
  • Uma lista dos seus agentes criados, publicados e de rascunho.
  • Uma lista de agentes que outras pessoas criam e compartilham com você.

Para mais informações, consulte Criar agentes de dados.

Outros serviços no projeto que oferecem suporte a agentes de dados, como a API Análises de conversação e o Looker Studio Pro, podem acessar os agentes de dados que você cria no BigQuery. Também é possível acessar um agente criado no Google Cloud console chamando-o usando a Conversational Analytics API.

Conversas

As conversas são chats persistentes com um agente de dados ou uma fonte de dados. Você pode fazer perguntas de várias partes aos agentes de dados que usam termos comuns, como "vendas" ou "mais popular", sem precisar especificar nomes de campos de tabela ou definir condições para filtrar os dados. Também é possível fazer perguntas sobre dados localizados em objetos, como PDFs.

A resposta do chat retornada a você oferece os seguintes recursos:

  • A resposta à sua pergunta como texto, código ou imagens (multimodal). A resposta pode incluir funções com suporte do BigQuery ML.
  • Gráficos gerados quando apropriado.
  • O raciocínio do agente por trás dos resultados.
  • Metadados sobre a conversa, como o agente e as fontes de dados usados.

Ao criar uma conversa direta com uma fonte de dados, a API de Análises de conversação interpreta sua pergunta sem o contexto e as instruções de processamento que um agente de dados oferece. Por isso, os resultados da conversa direta podem ser menos precisos. Use agentes de dados para casos que exigem maior precisão.

É possível criar e gerenciar conversas no BigQuery usando o Google Cloud console. Para mais informações, consulte Analisar dados com conversas.

Suporte do BigQuery ML

A análise de conversação oferece suporte às seguintes funções do BigQuery ML em resposta a chats com agentes de dados e fontes de dados, e em consultas SQL verificadas que você cria.

Para usar a função AI.GENERATE com suporte, você precisa ter as permissões necessárias para executar consultas de IA generativa.

Casos de uso do BigQuery ML

Para ativar as funções com suporte do BigQuery ML, use-as das seguintes maneiras:

  • Ao criar um agente e adicionar uma consulta verificada. Por exemplo, se você for um cientista de dados que prepara um relatório recorrente, poderá usar funções com suporte do BigQuery ML em uma consulta verificada para descrever padrões e automatizar o relatório.
  • Quando você faz perguntas de alto nível sobre dados a um agente, em uma conversa ou em uma consulta verificada usando palavras-chave, o agente gera o SQL do BigQuery ML em resposta às suas perguntas.

A tabela a seguir mostra exemplos de comandos únicos que ativam o uso do BigQuery ML:

Caso de uso Exemplo de uso Conjunto de dados públicos
Estimativa "Preveja o número de viagens para o próximo mês." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detecção de anomalias Encontre outliers em viagens por dia para 2018 usando 2017 como valor de referência. bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Geração de texto com LLM "Para cada artigo na categoria 'esportes', resuma a coluna do corpo em uma ou duas frases." bigquery-public-data.bbc_news.fulltext

Segurança

É possível gerenciar o acesso à análise de conversação no BigQuery usando os papéis e permissões do IAM da API Conversational Analytics. Para informações sobre os papéis necessários para operações específicas, consulte os papéis obrigatórios do agente de dados e os papéis obrigatórios da conversa.

Locais

A análise de conversação opera globalmente. Não é possível escolher qual região usar.

Preços

Você recebe cobranças de preços de computação do BigQuery para consultas executadas ao criar agentes de dados e conversar com agentes de dados ou fontes de dados. Não há cobrança adicional para criar e usar agentes de dados e conversas durante o período de visualização.

Práticas recomendadas

Ao usar a análise de conversação, as consultas são executadas automaticamente para responder às suas perguntas. Você pode incorrer em cobranças imprevistas nos seguintes casos:

  • Se as tabelas forem grandes
  • Se as consultas usarem junções de dados
  • Se as consultas fizerem muitas chamadas para funções de IA

Para evitar esse problema, considere o tamanho ao selecionar fontes de conhecimento e, ao conversar, considere o uso de junções.

Cota compartilhada dinâmica

A cota compartilhada dinâmica (DSQ, na sigla em inglês) na Vertex AI gerencia a capacidade do modelo Gemini. Ao contrário das cotas convencionais, a DSQ permite acessar um grande pool compartilhado de recursos sem um limite fixo por projeto para a capacidade de processamento do modelo.

A performance, como a latência, pode variar dependendo da carga geral do sistema. Durante períodos de alta demanda no pool compartilhado, você pode ocasionalmente receber erros temporários 429 Resource Exhausted. Esses erros indicam que a capacidade do pool compartilhado está temporariamente restrita, mas não que você atingiu um limite de cota específico no seu projeto. Para verificar a capacidade, tente novamente a solicitação após um pequeno atraso.

A seguir