Descripción general de Conversational Analytics

El análisis conversacional en BigQuery te permite chatear con agentes sobre tus datos en 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 personalizados de tablas y campos, 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 preguntas de manera eficaz 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.

Estos son algunos ejemplos de contexto e instrucciones que le proporcionas al agente:

  • Contexto: Se puede configurar un agente de datos para el análisis de ventas de modo que comprenda que "los de mejor rendimiento" se refiere a los representantes de ventas con los ingresos más altos, en lugar de solo los acuerdos más cerrados.
  • Instrucciones: Puedes indicarle a un agente de datos que siempre filtre los datos según el 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 conversar con ellos para hacer preguntas sobre los datos de BigQuery en lenguaje natural. También puedes crear conversaciones directas con una o más fuentes de datos para responder preguntas básicas y únicas.

El análisis conversacional cuenta con la tecnología de 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 de procesamiento de esos datos. Cuando creas un agente de datos, puedes configurarlo con las siguientes opciones:

  • Usar fuentes de conocimiento, como tablas, vistas y UDF, con un agente de datos
  • Proporciona metadatos personalizados de tablas y campos para describir los datos de la manera más adecuada para el caso de uso determinado.
  • Proporciona instrucciones para interpretar los datos y realizar consultas sobre ellos, como definir lo siguiente:
    • Sinónimos y términos comerciales para los nombres de los campos
    • Campos y valores predeterminados más importantes para filtrar y agrupar
  • Crea consultas verificadas que el agente de datos pueda usar para definir la estructura de respuesta de un agente y aprender la lógica empresarial que usa tu organización. Anteriormente, las búsquedas verificadas se conocían como búsquedas de referencia. Las consultas verificadas pueden usar funciones compatibles de BigQuery ML.

Administra agentes de datos

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

  • Un agente de muestra predefinido para cada proyecto de Google Cloud
  • Es una lista de los agentes que creaste, publicaste y guardaste como borrador.
  • Es una lista de agentes que otras personas crean y comparten contigo.

Para obtener más información, consulta Cómo crear 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 crees en BigQuery. También puedes acceder a un agente creado en la consola de Google Cloud llamándolo con la API de Conversational Analytics.

Conversaciones

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

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

  • La respuesta a tu pregunta en forma de texto, código o imágenes (multimodal). La respuesta puede incluir funciones compatibles de BigQuery ML.
  • Se generaron gráficos cuando fue apropiado.
  • Es el razonamiento del agente detrás de los resultados.
  • Son los 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 ni las instrucciones de procesamiento que ofrece un agente de datos. Por este motivo, los resultados de conversaciones directas pueden ser menos precisos. Usa agentes de datos para los casos que requieren mayor precisión.

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

Compatibilidad con BigQuery ML

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

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

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

Caso de uso Ejemplo de uso Conjunto de datos público
Previsión "Predice la cantidad de viajes para el próximo mes". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detección de anomalías "Encuentra los valores atípicos en los viajes por día para el 2018 usando el 2017 como referencia". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Generación de texto con 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. Si deseas 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

El análisis conversacional funciona a nivel global, por lo que 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 ellos o con fuentes de datos. No se aplican cargos adicionales por crear y usar agentes de datos y conversaciones durante el período de vista previa.

Prácticas recomendadas

Cuando usas el análisis conversacional, las consultas se ejecutan automáticamente para responder tus preguntas. Es posible que se generen cargos imprevistos en los siguientes casos:

  • Si tus tablas son grandes
  • Si las consultas usan combinaciones de datos
  • Si las búsquedas realizan muchas llamadas a funciones de IA

Para evitar este problema, ten en cuenta el tamaño cuando selecciones fuentes de conocimiento y, cuando mantengas conversaciones, considera usar combinaciones.

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 rendimiento del modelo.

El rendimiento, como la latencia, puede variar según la carga general del sistema. En momentos de alta demanda en el grupo compartido, es posible que, ocasionalmente, experimentes errores 429 Resource Exhausted temporales. 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 enviar la solicitud después de un breve retraso.

¿Qué sigue?