Descripción general de Conversational Analytics

Conversational Analytics en BigQuery te permite chatear con agentes sobre tus datos con lenguaje natural. Para obtener respuestas sobre tus datos, puedes hacer lo siguiente:

  • Crea agentes de datos que definan automáticamente el contexto de los datos y las instrucciones de procesamiento de consultas para un conjunto de fuentes de conocimiento, como tablas, vistas o funciones definidas por el usuario (UDF) que selecciones.
  • Si es necesario, puedes crear contexto e instrucciones para un agente en forma de metadatos de tabla y campo personalizados, instrucciones para que el agente interprete y consulte los datos, o bien crear consultas verificadas (antes conocidas como consultas de referencia) para configurar el agente de datos de modo que responda de manera eficaz las preguntas para casos de uso específicos.

Antes de personalizar un agente, te recomendamos que primero trabajes con el contexto y las instrucciones que crea el agente.

Algunos ejemplos de contexto e instrucciones que le proporcionas al agente son los siguientes:

  • Contexto. Se puede configurar un agente de datos para el análisis de ventas de modo que comprenda que "los de mejor rendimiento" se refieren a los representantes de ventas con los ingresos más altos, en lugar de solo las ofertas más cerradas.
  • Instrucciones. Puedes indicarle a un agente de datos que siempre filtre los datos al trimestre más reciente cuando se le pregunte sobre "tendencias" o que agrupe los resultados por "categoría de producto" de forma predeterminada.

Después de crear agentes de datos, puedes tener conversaciones con ellos para hacer preguntas sobre datos de BigQuery con lenguaje natural. También puedes crear conversaciones directas con una o más fuentes de datos para responder preguntas básicas y únicas.

Conversational Analytics funciona con Gemini para Google Cloud y admite algunas funciones de BigQuery ML. Para obtener más información, consulta Compatibilidad con BigQuery ML.

Descubre cómo y cuándo Gemini para Google Cloud usa tus datos.

Agentes de datos

Los agentes de datos constan de una o más fuentes de conocimiento y un conjunto de instrucciones específicas para un caso de uso para procesar esos datos. Cuando creas un agente de datos, puedes configurarlo con las siguientes opciones:

  • Usa fuentes de conocimiento como tablas, vistas y UDF con un agente de datos.
  • Proporciona metadatos de tabla y campo personalizados para describir los datos de la manera más adecuada para el caso de uso determinado.
  • Proporciona instrucciones para interpretar y consultar los datos, como definir lo siguiente:
    • Sinónimos y términos comerciales para nombres de campos
    • Campos más importantes y valores predeterminados para filtrar y agrupar
  • Crea consultas verificadas que el agente de datos pueda usar para dar forma a la estructura de respuesta de un agente y aprender la lógica empresarial que usa tu organización. Las consultas verificadas antes se conocían como consultas de referencia. Las consultas verificadas pueden usar funciones compatibles de BigQuery ML.
  • Crea términos de glosario personalizados de BigQuery para cada agente o importa términos de glosario comercial desde Knowledge Catalog. Estos términos ayudan a un agente a interpretar las instrucciones del usuario. Para obtener asesoramiento sobre cuándo usar cada tipo, consulta Crea o revisa términos de glosario.

Administra agentes de datos

Puedes crear, administrar y trabajar con los siguientes tipos de agentes de datos en la Agent Catalog pestaña de la Google Cloud consola:

  • Un agente de muestra predefinido para cada Google Cloud proyecto.
  • Una lista de tus agentes publicados, creados y en borrador.
  • Una lista de agentes que otras personas crean y comparten contigo.

Para obtener más información, consulta Crea agentes de datos.

Otros servicios del proyecto que admiten agentes de datos, como la API de Conversational Analytics y Looker Studio Pro, pueden acceder a los agentes de datos que creas en BigQuery. También puedes acceder a un agente creado en la Google Cloud consola de llamándolo con la API de Conversational Analytics.

Conversaciones

Las conversaciones son chats persistentes con un agente de datos o una fuente de datos. Puedes hacer preguntas de varias partes a los agentes de datos que usan términos comunes como "ventas" o "más populares", sin tener que especificar nombres de campos de tabla ni definir condiciones para filtrar los datos. También puedes hacer preguntas sobre los datos ubicados en objetos como archivos PDF.

La respuesta del chat que se te muestra proporciona las siguientes funciones:

  • La respuesta a tu pregunta como texto, código o imágenes (multimodal). La respuesta puede incluir funciones compatibles de BigQuery ML.
  • Gráficos generados cuando corresponda.
  • El razonamiento del agente detrás de los resultados.
  • Metadatos sobre la conversación, como el agente y las fuentes de datos que se usaron.

Cuando creas una conversación directa con una fuente de datos, la API de Conversational Analytics interpreta tu pregunta sin el contexto y las instrucciones de procesamiento que ofrece un agente de datos. Por este motivo, los resultados de la conversación directa pueden ser menos precisos. Usa agentes de datos para los casos que requieren mayor precisión.

Puedes crear y administrar conversaciones en BigQuery con la Google Cloud consola de. Para obtener más información, consulta Analiza datos con conversaciones.

Compatibilidad con BigQuery ML

Conversational Analytics admite las siguientes funciones de BigQuery ML en respuesta a chats con agentes de datos y fuentes de datos, y en consultas verificadas de SQL que creas.

Para usar la función compatible AI.GENERATE, debes tener los permisos necesarios para ejecutar consultas de IA generativa.

Casos de uso de BigQuery ML

Para activar las funciones compatibles de BigQuery ML, úsalas de las siguientes maneras:

  • Cuando creas un agente y agregas una consulta verificada (por ejemplo, si eres un científico de datos que prepara un informe recurrente), puedes usar funciones compatibles de BigQuery ML en una consulta verificada para describir los valores predeterminados y automatizar el informe.
  • Cuando le haces preguntas de alto nivel sobre los datos a un agente, en una conversación o en una consulta verificada con palabras clave, el agente genera el SQL de BigQuery ML en respuesta a tus preguntas.

En la siguiente tabla, se muestran ejemplos de instrucciones únicas que activan el uso de BigQuery ML:

Caso de uso Ejemplo de uso Conjunto de datos públicos
Previsión "Predice la cantidad de viajes para el próximo mes". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detección de anomalías "Busca valores atípicos en los viajes por día para 2018 usando 2017 como línea de base". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Generación de texto de LLM "Para cada artículo de la categoría 'deportes', resume la columna del cuerpo en 1 o 2 oraciones". bigquery-public-data.bbc_news.fulltext

Seguridad

Puedes administrar el acceso a Conversational Analytics en BigQuery con los roles y permisos de IAM de la API de Conversational Analytics y. Para obtener información sobre los roles necesarios para operaciones específicas, consulta los roles obligatorios del agente de datos y los roles obligatorios de la conversación.

Ubicaciones

Conversational Analytics opera a nivel global; no puedes elegir qué región usar.

Precios

Se te cobra según los precios de procesamiento de BigQuery por las consultas que se ejecutan cuando creas agentes de datos y tienes conversaciones con agentes de datos o fuentes de datos. No hay cargos adicionales por crear y usar agentes de datos y conversaciones durante el período de vista previa.

Prácticas recomendadas

Revisa las siguientes guías para obtener información sobre las prácticas recomendadas para usar la API de Conversational Analytics:

Limitaciones

Para obtener más información sobre las limitaciones de las consultas, las conversaciones, los datos y las visualizaciones, consulta Limitaciones conocidas de la API de Conversational Analytics.

Cuota compartida dinámica

La cuota compartida dinámica (DSQ) en Vertex AI administra la capacidad del modelo de Gemini. A diferencia de las cuotas convencionales, la DSQ te permite acceder a un gran grupo compartido de recursos sin un límite fijo por proyecto para el procesamiento del modelo.

El rendimiento, como la latencia, puede variar según la carga general del sistema. Durante los períodos de alta demanda en el grupo compartido, es posible que, en ocasiones, experimentes errores temporales 429 Resource Exhausted. Estos errores indican que la capacidad del grupo compartido está restringida momentáneamente, pero no que alcanzaste un límite de cuota específico en tu proyecto. Para verificar la capacidad, vuelve a intentar la solicitud después de una breve demora.

¿Qué sigue?