Übersicht über Conversational Analytics

Mit der konversationellen Analyse in BigQuery können Sie mit Agents in natürlicher Sprache über Ihre Daten chatten. So erhalten Sie Antworten zu Ihren Daten:

  • Daten-Agents erstellen, die automatisch Datenkontext und Anweisungen zur Abfrageverarbeitung für eine Reihe von Wissensquellen wie Tabellen, Ansichten oder benutzerdefinierte Funktionen (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 von verifizierten Abfragen (früher als Golden Queries bezeichnet) erstellen, um den Daten-Agenten 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:

  • Kontext: Ein Daten-Agent für die Vertriebsanalyse kann so konfiguriert werden, dass „Top-Performer“ sich auf Vertriebsmitarbeiter mit dem höchsten Umsatz und nicht nur auf die meisten abgeschlossenen Geschäfte bezieht.
  • Anleitung: 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.

Die Funktion „Konversationelle Analysen“ basiert auf Gemini für Google Cloud und unterstützt einige BigQuery ML-Funktionen. Weitere Informationen finden Sie unter BigQuery ML-Unterstützung.

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 anwendungsfallspezifischen Anweisungen zur Verarbeitung dieser Daten. Wenn Sie einen Daten-KI-Agenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Wissensquellen wie Tabellen, Ansichten und benutzerdefinierte Funktionen mit einem Daten-Agent verwenden.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
  • Geben Sie Anleitungen 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 Agents gestalten und die Geschäftslogik Ihrer Organisation erlernen kann. Bestätigte Anfragen wurden früher als Golden Queries bezeichnet. In verifizierten Abfragen können unterstützte BigQuery ML-Funktionen verwendet werden.

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 Agenten, die sich im Entwurfs-, Erstellungs- oder Veröffentlichungsstatus befinden.
  • Eine Liste von KI‑Agents, die von anderen Personen erstellt und mit Ihnen geteilt wurden.

Weitere Informationen finden Sie unter Daten-Agents erstellen.

Andere Dienste im Projekt, die Daten-KI-Agenten unterstützen, z. B. die Conversational Analytics API und Looker Studio Pro, können auf Daten-KI-Agenten zugreifen, die Sie in BigQuery erstellen. Sie können auch über die Conversational Analytics API auf einen in der Google Cloud Console erstellten Agent zugreifen.

Unterhaltungen

Unterhaltungen sind persistente 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.

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 ML-Funktionen enthalten.
  • Diagramme werden bei Bedarf generiert.
  • Die Begründung des Kundenservicemitarbeiters 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 Verarbeitungsanweisungen, die ein KI-Datenagent 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.

BigQuery ML-Unterstützung

Die Conversational Analytics-Funktion unterstützt die folgenden BigQuery ML-Funktionen in Antworten auf Chats mit Daten-Agents und Datenquellen sowie in verifizierten SQL-Abfragen, die Sie erstellen.

Wenn Sie die unterstützten AI.GENERATE-Funktionen verwenden möchten, benötigen Sie die erforderlichen Berechtigungen zum Ausführen von Anfragen mit generativer KI.

BigQuery ML-Anwendungsfälle

So aktivieren Sie unterstützte BigQuery ML-Funktionen:

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

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

Anwendungsfall Verwendungsbeispiel Öffentliches Dataset
Prognosen „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
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

Sicherheit

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

Standorte

Die Funktion für konversationelle Analysen ist global verfügbar. Sie können nicht auswählen, welche Region verwendet werden soll.

Preise

Für Abfragen, die ausgeführt werden, wenn Sie Daten-Agents erstellen und Unterhaltungen mit Daten-Agents oder Datenquellen führen, werden Ihnen die BigQuery-Preise für Compute in Rechnung gestellt. Für die Erstellung und Verwendung von Data Agents und Unterhaltungen fallen während des Vorschauzeitraums keine zusätzlichen Gebühren an.

Best Practices

Wenn Sie Conversational Analytics verwenden, werden automatisch Abfragen ausgeführt, um Ihre Fragen zu beantworten. In den folgenden Fällen können unerwartete Gebühren anfallen:

  • Wenn Ihre Tabellen groß sind
  • Wenn in den Abfragen Daten zusammengeführt werden
  • Wenn die Abfragen viele Aufrufe von KI-Funktionen enthalten

Um dieses Problem zu vermeiden, sollten Sie bei der Auswahl von Wissensquellen die Größe berücksichtigen und bei Unterhaltungen Joins verwenden.

Dynamisches gemeinsames Kontingent

Mit Dynamic Shared Quota (DSQ) in Vertex AI 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 freigegebenen Pool kann es gelegentlich zu vorübergehenden 429 Resource Exhausted-Fehlern kommen. Diese Fehler deuten darauf hin, dass die Kapazität des gemeinsam genutzten 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.

Nächste Schritte