Panoramica dell'analisi conversazionale

L'analisi conversazionale in BigQuery ti consente di chattare con gli agenti sui tuoi dati utilizzando il linguaggio naturale. Per ricevere risposte sui tuoi dati, puoi fare quanto segue:

  • Crea agenti di dati che definiscono automaticamente il contesto dei dati e le istruzioni di elaborazione delle query per un insieme di origini della conoscenza, come tabelle, viste o funzioni definite dall'utente (UDF) che selezioni.
  • Se necessario, puoi creare il contesto e le istruzioni per un agente sotto forma di metadati di tabelle e campi personalizzati, istruzioni all'agente per interpretare ed eseguire query sui dati o creando query verificate (precedentemente note come query dorate) per configurare l'agente di dati in modo che risponda in modo efficace alle domande per casi d'uso specifici.

Prima di personalizzare un agente, ti consigliamo di lavorare prima con il contesto e le istruzioni create dall'agente.

Di seguito sono riportati alcuni esempi di contesto e istruzioni che fornisci all'agente:

  • Contesto. Un agente dati per l'analisi delle vendite può essere configurato per comprendere che "migliori venditori" si riferisce ai rappresentanti di vendita con le entrate più elevate, anziché solo al maggior numero di contratti conclusi.
  • Istruzioni. Puoi chiedere a un agente di dati di filtrare sempre i dati in base all'ultimo trimestre quando gli viene chiesto di "tendenze" o di raggruppare i risultati per "categoria di prodotto" per impostazione predefinita.

Dopo aver creato gli agenti di dati, puoi conversare con loro per porre domande sui dati BigQuery utilizzando il linguaggio naturale. Puoi anche creare conversazioni dirette con una o più origini dati per rispondere a domande di base una tantum.

L'analisi conversazionale è basata su Gemini per Google Cloud e supporta alcune funzioni BigQuery ML. Per maggiori informazioni, consulta Supporto di BigQuery ML.

Scopri come e quando Gemini per Google Cloud utilizza i tuoi dati.

Agenti di dati

Gli agenti dei dati sono costituiti da una o più fonti di conoscenza e da un insieme di istruzioni specifiche per un caso d'uso per l'elaborazione dei dati. Quando crei un agente di dati, puoi configurarlo utilizzando le seguenti opzioni:

  • Utilizza origini di conoscenza come tabelle, viste e UDF con un agente dati.
  • Fornisci metadati personalizzati per tabelle e campi per descrivere i dati nel modo più appropriato per il caso d'uso specifico.
  • Fornisci istruzioni per interpretare ed eseguire query sui dati, ad esempio definendo quanto segue:
    • Sinonimi e termini commerciali per i nomi dei campi
    • Campi e valori predefiniti più importanti per il filtraggio e il raggruppamento
  • Crea query verificate che l'agente dati può utilizzare per definire la struttura della risposta di un agente e per apprendere la logica di business utilizzata dalla tua organizzazione. Le query verificate erano precedentemente note come query dorate. Le query verificate possono utilizzare le funzioni BigQuery ML supportate.

Gestisci agenti dati

Puoi creare, gestire e utilizzare i seguenti tipi di agenti di dati nella scheda Catalogo agenti della console Google Cloud :

  • Un agente di esempio predefinito per ogni progetto Google Cloud .
  • Un elenco degli agenti che hai creato, pubblicato e messo in bozza.
  • Un elenco di agenti creati e condivisi con te da altre persone.

Per saperne di più, consulta Creare agenti di dati.

Altri servizi nel progetto che supportano gli agenti dati, come l'API Conversational Analytics e Looker Studio Pro, possono accedere agli agenti dati che crei in BigQuery. Puoi anche accedere a un agente creato nella console Google Cloud chiamandolo utilizzando l'API Conversational Analytics.

Conversazioni

Le conversazioni sono chat persistenti con un agente dati o un'origine dati. Puoi porre agli agenti dei dati domande in più parti che utilizzano termini comuni come "vendite" o "più popolari", senza dover specificare i nomi dei campi della tabella o definire le condizioni per filtrare i dati. Puoi anche porre domande sui dati presenti in oggetti come i PDF.

La risposta della chat restituita offre le seguenti funzionalità:

  • La risposta alla tua domanda sotto forma di testo, codice o immagini (multimodale). La risposta può includere le funzioni BigQuery ML supportate.
  • Grafici generati, ove appropriato.
  • Il ragionamento dell'agente alla base dei risultati.
  • Metadati sulla conversazione, come l'agente e le origini dati utilizzati.

Quando crei una conversazione diretta con un'origine dati, l'API Conversational Analytics interpreta la tua domanda senza il contesto e le istruzioni di elaborazione che offre un agente dati. Per questo motivo, i risultati delle conversazioni dirette possono essere meno accurati. Utilizza gli agenti di dati per i casi che richiedono maggiore precisione.

Puoi creare e gestire le conversazioni in BigQuery utilizzando la consoleGoogle Cloud . Per saperne di più, consulta Analizzare i dati con le conversazioni.

Supporto di BigQuery ML

L'analisi conversazionale supporta le seguenti funzioni BigQuery ML in risposta alle chat con agenti e origini dati e nelle query SQL verificate che crei.

Per utilizzare le funzioni AI.GENERATE supportate, devi disporre delle autorizzazioni necessarie per eseguire query di AI generativa.

Casi d'uso di BigQuery ML

Per attivare le funzioni BigQuery ML supportate, utilizzale nei seguenti modi:

  • Quando crei un agente e aggiungi una query verificata, ad esempio se sei un data scientist che prepara un report ricorrente, puoi utilizzare le funzioni BigQuery ML supportate in una query verificata per descrivere i valori predefiniti e automatizzare il report.
  • Quando poni domande di alto livello sui dati a un agente, in una conversazione o in una query verificata utilizzando parole chiave, l'agente genera l'SQL di BigQuery ML in risposta alle tue domande.

La tabella seguente mostra esempi di prompt one-shot che attivano l'utilizzo di BigQuery ML:

Caso d'uso Esempi di utilizzo Set di dati pubblico
Previsione "Prevedi il numero di viaggi per il mese successivo." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Rilevamento di anomalie "Trova i valori anomali nei viaggi al giorno per il 2018 utilizzando il 2017 come base di riferimento". bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Generazione di testo LLM "Per ogni articolo della categoria "sport", riassumi la colonna del corpo in 1-2 frasi." bigquery-public-data.bbc_news.fulltext

Sicurezza

Puoi gestire l'accesso all'analisi conversazionale in BigQuery utilizzando i ruoli e le autorizzazioni IAM dell'API Conversational Analytics. Per informazioni sui ruoli necessari per operazioni specifiche, consulta i ruoli richiesti per l'agente dati e i ruoli richiesti per la conversazione.

Località

L'analisi conversazionale opera a livello globale, quindi non puoi scegliere la regione da utilizzare.

Prezzi

Ti vengono addebitati i costi di BigQuery Compute pricing per le query eseguite quando crei agenti di dati e hai conversazioni con agenti di dati o origini dati. Non sono previsti costi aggiuntivi per la creazione e l'utilizzo di agenti di dati e conversazioni durante il periodo di anteprima.

Best practice

Quando utilizzi l'analisi conversazionale, le query vengono eseguite automaticamente per rispondere alle tue domande. Potresti incorrere in addebiti imprevisti nei seguenti casi:

  • Se le tabelle sono grandi
  • Se le query utilizzano unioni di dati
  • Se le query effettuano molte chiamate alle funzioni AI

Per evitare questo problema, considera le dimensioni quando selezioni le fonti di conoscenza e, quando fai conversazioni, valuta la possibilità di utilizzare i join.

Quota condivisa dinamica

La quota condivisa dinamica (DSQ) in Vertex AI gestisce la capacità del modello Gemini. A differenza delle quote convenzionali, DSQ ti consente di accedere a un ampio pool condiviso di risorse senza un limite fisso per progetto per il throughput del modello.

Le prestazioni, ad esempio la latenza, possono variare a seconda del carico complessivo del sistema. Durante i periodi di forte domanda nel pool condiviso, potresti occasionalmente riscontrare errori temporanei 429 Resource Exhausted. Questi errori indicano che la capacità del pool condiviso è momentaneamente limitata, ma non che hai raggiunto un limite di quota specifico per il tuo progetto. Per verificare la capacità, riprova la richiesta dopo un breve ritardo.

Passaggi successivi