Visão geral da análise de conversação

Com a análise de conversação no BigQuery, você pode conversar com agentes sobre seus dados usando linguagem natural. Para receber respostas sobre seus dados, faça o seguinte:

  • Crie agentes de dados que definem automaticamente o contexto dos dados e 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, você pode criar contexto e instruções para um agente na forma de metadados personalizados de tabela e campo, 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 e responder a 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 ele cria.

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

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

Depois de criar agentes de dados, você pode conversar com eles para fazer perguntas sobre dados do BigQuery usando linguagem natural. Você também pode criar conversas diretas com uma ou mais fontes de dados para responder a perguntas básicas e pontuais.

A análise de conversas é feita com o Gemini para Google Cloud e é compatível com 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 de processamento desses dados. Ao criar um agente de dados, é possível configurá-lo usando as seguintes opções:

  • Use fontes de conhecimento, como tabelas, visualizações e UDFs com um agente de dados.
  • Forneça metadados personalizados de tabela e campo para descrever os dados da maneira mais adequada para o caso de uso específico.
  • Forneça instruções para interpretar e consultar os dados, como definir o seguinte:
    • Sinônimos e termos comerciais para nomes de campos
    • Campos e padrões mais importantes para filtragem e agrupamento
  • Crie consultas verificadas que o agente de dados pode 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 compatíveis do BigQuery ML.

Gerenciar agentes de dados

É possível criar, gerenciar e trabalhar com os seguintes tipos de agentes de dados na guia Catálogo de agentes do console do Google Cloud :

  • Um agente de amostra predefinido para cada projeto Google Cloud .
  • Uma lista dos seus agentes criados, publicados e em 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 Conversational Analytics e o Looker Studio Pro, podem acessar os agentes de dados criados no BigQuery. Você também pode acessar um agente criado no console Google Cloud chamando-o usando a API Conversational Analytics.

Conversas

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

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

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

Quando você cria uma conversa direta com uma fonte de dados, a API Conversational Analytics interpreta sua pergunta sem o contexto e as instruções de processamento que um agente de dados oferece. Por isso, os resultados de conversas diretas podem ser menos precisos. Use agentes de dados para casos que exigem maior precisão.

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

Suporte do BigQuery ML

A análise de conversas é compatível com as seguintes funções do BigQuery ML em resposta a conversas com agentes e fontes de dados, além de consultas SQL verificadas que você cria.

Para usar as funções AI.GENERATE compatíveis, você precisa ter as permissões necessárias para executar consultas de IA generativa.

Casos de uso do BigQuery ML

Para ativar as funções compatíveis 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, use as funções compatíveis do BigQuery ML em uma consulta verificada para descrever os padrões e automatizar o relatório.
  • Quando você faz perguntas gerais 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 público
Previsão "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 em 2018 usando 2017 como base." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Geração de texto com LLM "Para cada artigo na categoria 'esportes', resuma a coluna 'corpo' em uma ou duas frases." bigquery-public-data.bbc_news.fulltext

Segurança

É possível gerenciar o acesso à análise de conversas no BigQuery usando permissões e papéis 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 dados de conversação opera globalmente. Não é possível escolher qual região usar.

Preços

A cobrança é feita de acordo com os preços de computação do BigQuery para consultas executadas quando você cria agentes de dados e conversa com eles ou com fontes de dados. Não há cobranças extras para criar e usar agentes de dados e conversas durante o período de pré-lançamento.

Práticas recomendadas

Ao usar a análise de dados de conversas, as consultas são executadas automaticamente para responder às suas perguntas. Você pode receber cobranças inesperadas 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, use junções.

Cota compartilhada dinâmica

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

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

A seguir