Créer des agents de données

Aperçu

Cette fonctionnalité est soumise aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

Remarque : Pour envoyer des commentaires ou demander de l'aide concernant cette fonctionnalité, envoyez un e-mail à l'adresse [e-mail].

Ce document explique comment créer, modifier, gérer et supprimer des agents de données dans BigQuery.

Dans BigQuery, vous pouvez discuter avec des agents de données pour poser des questions sur les données BigQuery en langage naturel. Les agents de données contiennent des métadonnées de table et des instructions de traitement des requêtes spécifiques à un cas d'utilisation. Ces instructions définissent la meilleure façon de répondre aux questions des utilisateurs sur un ensemble de sources de connaissances, telles que des tables, des vues ou des fonctions définies par l'utilisateur (UDF) que vous sélectionnez.

Avant de commencer

1. Vérifiez que la facturation est activée pour votre projet Google Cloud .

2. Activez les API BigQuery, Gemini Data Analytics et Gemini pour Google Cloud .

   Rôles requis pour activer les API

   Pour activer les API, vous avez besoin du rôle IAM Administrateur Service Usage (roles/serviceusage.serviceUsageAdmin), qui contient l'autorisation serviceusage.services.enable. Découvrez comment attribuer des rôles.

   Activer les API

Rôles requis

Pour utiliser les agents de données, vous devez disposer de l'un des rôles Identity and Access Management pour l'API Conversational Analytics suivants :

• Créer, modifier, partager et supprimer tous les agents de données du projet : propriétaire d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentOwner) sur le projet.
• Créez, modifiez, partagez et supprimez vos propres agents de données dans le projet : Créateur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentCreator) sur le projet. Ce rôle vous attribue automatiquement le rôle de propriétaire d'agent de données des analyses de données Gemini sur les agents de données que vous créez.
• Afficher et modifier tous les agents de données du projet : Éditeur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentEditor) au niveau du projet.
• Affichez tous les agents de données du projet : lecteur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentViewer).

De plus, vous devez disposer des rôles suivants pour créer ou modifier un agent de données :

• Utilisateur sans état du chat des analyses de données Gemini (roles/geminidataanalytics.dataAgentStatelessUser).
• Lecteur de données BigQuery (roles/bigquery.dataViewer) sur toutes les tables que l'agent de données utilise comme source de connaissances.
• Lecteur Data Catalog ( roles/datacatalog.catalogViewer) sur le projet
• Si une table de données utilise le contrôle des accès au niveau des colonnes, le rôle Lecteur détaillé (roles/datacatalog.categoryFineGrainedReader) doit être attribué au tag de stratégie approprié. Pour en savoir plus, consultez Rôles utilisés avec le contrôle des accès au niveau des colonnes.
• Si une table de données utilise le contrôle des accès au niveau des lignes, vous devez disposer de la règle d'accès au niveau des lignes pour cette table. Pour en savoir plus, consultez Créer ou mettre à jour des règles d'accès au niveau des lignes.
• Si une table de données utilise le masquage des données, le rôle Lecteur masqué (roles/bigquerydatapolicy.maskedReader) doit être attribué pour la stratégie de données appropriée. Pour en savoir plus, consultez Rôles permettant d'interroger des données masquées.

Pour travailler avec des ressources BigQuery, comme afficher des tables ou exécuter des requêtes, consultez Rôles BigQuery.

Bonnes pratiques

L'analyse conversationnelle exécute automatiquement des requêtes en votre nom pour répondre à vos questions. Tenez compte des facteurs suivants qui peuvent augmenter le coût des requêtes :

• Grandes tailles de tables
• Utilisation des jointures de données dans les requêtes
• Appels fréquents aux fonctions d'IA dans les requêtes

Générer des insights

Vous pouvez éventuellement générer des insights sur les données dans Knowledge Catalog pour n'importe quelle table que vous souhaitez utiliser comme source de connaissances.

Les insights générés fournissent des métadonnées de tableau que l'agent de données peut utiliser pour générer des réponses à vos questions.

Si vous ne générez pas d'insights au préalable, le système les génère automatiquement lorsque vous sélectionnez une table comme source de connaissances lors de la création d'un agent de données.

Utiliser l'agent d'exemple de données

Si vous ne savez pas comment configurer des agents pour l'analyse conversationnelle, vous pouvez éventuellement afficher l'exemple d'agent prédéfini généré pour chaque projetGoogle Cloud . Vous pouvez discuter avec lui et afficher ses paramètres pour voir comment il a été créé, mais vous ne pouvez pas le modifier.

Pour afficher l'agent exemple, procédez comme suit :

1. Dans la console Google Cloud , accédez à la page Agents de BigQuery.

   Accéder aux agents

2. Sélectionnez l'onglet Catalogue d'agents.

3. Dans la section Exemples d'agents par Google, cliquez sur la fiche de l'exemple d'agent.

Créer un agent de données

Les sections suivantes décrivent comment créer un agent de données.

Une fois que vous avez créé un agent, vous pouvez modifier ses paramètres.

Remarque : Si vous êtes en conversation avec une source de données, vous pouvez également créer un agent à partir de cette conversation.

Premières étapes

1. Dans la console Google Cloud , accédez à la page Agents de BigQuery.

   Accéder aux agents

2. Sélectionnez l'onglet Catalogue d'agents.

3. Cliquez sur New agent (Nouvel agent). La page Nouvel agent s'ouvre.

4. Dans la section Éditeur, dans le champ Nom de l'agent, saisissez un nom descriptif pour l'agent de données (par exemple, Q4 sales data ou User activity logs).

5. Dans le champ Description de l'agent, saisissez une description de l'agent de données. Une bonne description explique ce que fait l'agent, les données qu'il utilise et vous aide à savoir quand il s'agit de l'agent de données approprié pour discuter (par exemple, Ask questions about customer orders and revenue).

6. Dans la section Sources de connaissances, cliquez sur Ajouter une source. La page Ajouter une source de connaissances s'ouvre.

7. Dans la section Récents, sélectionnez les tables, vues ou UDF que vous souhaitez utiliser comme sources de connaissances. Les UDF sont précédées d'un indicateur "fx" dans la consoleGoogle Cloud .

8. Pour afficher d'autres sources de connaissances, sélectionnez Afficher plus.

9. Facultatif : Ajoutez une source de connaissances qui ne figure pas dans la section Récents :

   1. Dans la section Rechercher, saisissez le nom de la source dans le champ Rechercher des tables, puis appuyez sur Entrée. Le nom de la source n'a pas besoin d'être exact.

   2. Dans la section Résultats de recherche, sélectionnez une ou plusieurs sources.

10. Cliquez sur Ajouter. La page du nouvel agent s'ouvre à nouveau.

Personnaliser les descriptions des tables et des champs

Pour améliorer la précision de l'agent de données, vous pouvez éventuellement fournir des métadonnées de table supplémentaires. Seul l'agent de données utilise ces métadonnées, qui n'ont aucune incidence sur la table source.

Suivez ces bonnes pratiques lorsque vous créez des descriptions de tableaux et de champs :

• Utilisez ces descriptions pour comprendre comment l'agent de données interprète le schéma. Si les descriptions suggérées par l'agent sont correctes, vous pouvez les accepter.

• Si l'agent de données ne semble pas comprendre le schéma après que vous avez configuré ces descriptions, ajustez-les manuellement pour fournir les informations correctes.

Pour configurer les descriptions des tables et des champs, procédez comme suit :

1. Dans la section Sources de connaissances, cliquez sur le lien Personnaliser pour un tableau.

2. Crée une description de table. Vous pouvez saisir une description dans le champ Description de la table ou accepter la suggestion de Gemini.

3. Dans la section Champs, examinez les descriptions de champs suggérées par Gemini.

4. Sélectionnez les descriptions de champ que vous souhaitez accepter, puis cliquez sur Accepter les suggestions. Sélectionnez les descriptions que vous souhaitez refuser, puis cliquez sur Refuser les suggestions.

5. Modifiez manuellement la description d'un champ en cliquant sur Modifier à côté du champ. Le volet Modifier le champ s'ouvre.

   1. Dans le champ Description, saisissez une description du champ.
   2. Pour enregistrer la description du champ, cliquez sur Mettre à jour.

6. Pour enregistrer la description et les modifications apportées aux champs, cliquez sur Mettre à jour. La nouvelle page de l'agent s'ouvre à nouveau.

7. Répétez ces étapes pour chaque tableau à personnaliser.

Créer des instructions pour l'agent

L'agent doit comprendre le contexte des questions des utilisateurs sans avoir besoin d'instructions personnalisées. Ne créez des instructions personnalisées pour l'agent que si vous devez modifier son comportement ou améliorer le contexte d'une manière qui n'est pas déjà prise en charge par d'autres fonctionnalités de contexte (par exemple, les métadonnées personnalisées des tables et des champs, ou les requêtes validées).

Dans la section Instructions, saisissez les instructions pour l'agent de données dans le champ Instructions pour l'agent. Étant donné que l'agent de données utilise ces instructions pour comprendre le contexte des questions des utilisateurs et fournir des réponses, veillez à ce qu'elles soient aussi claires que possible.

Si vous n'obtenez pas de réponse satisfaisante de l'agent, ajoutez du contexte structuré, comme des descriptions, des exemples ou des termes de glossaire. Si vous n'obtenez toujours pas de réponse satisfaisante, ajoutez des instructions personnalisées comme dans les exemples du tableau ci-dessous.

Pour obtenir d'autres exemples d'instructions, cliquez sur Afficher des exemples.

Type d'information	Description	Exemples
Champs clés	Champs les plus importants pour l'analyse.	"Les champs les plus importants de ce tableau sont : "Numéro client", "ID produit" et "Date de la commande"."
Filtrer et regrouper	Champs que l'agent doit utiliser pour filtrer et regrouper les données.	"Lorsqu'une question porte sur une chronologie ou sur une période, utilisez toujours la colonne order_created_date." "Quand quelqu'un dit 'par produit', regroupe les données par colonne product_category."
Filtrage par défaut	Champs sur lesquels filtrer par défaut.	"Sauf indication contraire, filtrez toujours les données sur order_status = 'Complete'."
Synonymes et termes commerciaux	Termes alternatifs pour les champs clés.	"Si quelqu'un pose des questions sur les revenus ou les ventes, utilisez la colonne "total_sale_amount"." "Nous considérons comme "fidèles" les clients dont le nombre d'achats est supérieur à 5."
Champs exclus	Champs que l'agent de données doit éviter d'utiliser.	"Ne jamais utiliser ces champs : "Date de transaction déduite", "Ville déduite"."
Relations de jointure	La façon dont deux tables ou plus sont liées entre elles, et les colonnes utilisées pour les joindre. L'agent doit utiliser des jointures SQL standard sur des paires de colonnes pour combiner les données. Consultez la colonne d'exemple.	Activité client order_items.user_id = users.id (pour associer les ventes aux clients) events.user_id = users.id (pour associer l'activité sur le site Web aux clients connectés)

Créer des requêtes validées

Un agent utilise les requêtes validées de deux manières :

• Si un agent peut utiliser une requête validée pour répondre à une question que vous lui posez, il l'invoque exactement telle qu'elle est écrite pour vous fournir une réponse fiable.
• Si l'agent ne peut pas utiliser la requête validée pour répondre à une question, il l'utilise quand même comme référence pour comprendre les données et les bonnes pratiques pour les interroger.

Vous pouvez sélectionner des requêtes validées dans une liste générée par le système ou créer les vôtres.

Remarque : Pour créer une requête validée paramétrée, consultez Créer des requêtes validées paramétrées.

Pour créer une requête validée pour l'agent de données, anciennement appelée requête de référence, procédez comme suit :

1. Sélectionnez une ou plusieurs requêtes validées suggérées par Gemini :

   1. Dans la section Requêtes validées, cliquez sur Examiner les suggestions. La page Consulter les requêtes validées suggérées s'ouvre.
   2. Examinez les requêtes validées suggérées. Sélectionnez toutes les options qui s'appliquent à votre cas d'utilisation.
   3. Cliquez sur Ajouter. La page du nouvel agent s'ouvre à nouveau.

2. Pour créer votre propre requête validée, cliquez sur Ajouter une requête. La page Ajouter une requête validée s'ouvre.

   1. Dans le champ Question, saisissez la question de l'utilisateur à laquelle la requête validée répond.
   2. Cliquez sur Générer du code SQL pour que Gemini génère une requête validée correspondant à la question de l'utilisateur que vous avez spécifiée.
   3. Si vous le souhaitez, modifiez la requête validée.
   4. Cliquez sur Exécuter et vérifiez que la requête renvoie les résultats attendus.
   5. Cliquez sur Ajouter. La page du nouvel agent s'ouvre à nouveau.

3. Répétez ces étapes autant de fois que nécessaire pour créer d'autres requêtes validées.

Créer des requêtes validées paramétrées

Les requêtes validées paramétrées extraient les valeurs de la question d'un utilisateur pour l'agent d'analyse conversationnelle et fournissent des résultats personnalisés.

Les analystes et les développeurs peuvent créer des modèles SQL réutilisables contenant des espaces réservés pour ces valeurs. Les modèles substituent dynamiquement les paramètres au moment de l'exécution pour répondre à un plus large éventail de questions des utilisateurs que les requêtes validées standards.

Lorsqu'un utilisateur pose une question qui correspond au modèle, l'agent d'analyse conversationnelle extrait les valeurs des paramètres de la question (par exemple, le nom du produit, la région et la date). Il injecte ensuite ces valeurs dans la requête SQL paramétrée. Les réponses correspondantes du modèle de requête s'affichent comme validées.

Les requêtes validées paramétrées améliorent considérablement la puissance et la flexibilité des requêtes validées. Ils garantissent des réponses cohérentes et fiables pour différentes entrées, et réduisent le nombre de requêtes individuelles à gérer. Pour en savoir plus, consultez les ressources suivantes :

• Pour créer une requête validée paramétrée, consultez Créer des requêtes validées paramétrées.
• Pour en savoir plus sur les requêtes paramétrées en général, consultez Exécuter des requêtes paramétrées.

Fonctionnement

Un expert, tel qu'un analyste de données, définit une requête validée à l'aide d'une question modèle, par exemple "Quelles ont été les ventes de @product en @region ?". L'expert crée ou modifie ensuite la requête validée à l'aide de paramètres SQL, comme le montre l'exemple suivant :

SELECT * FROM sales WHERE region = @region AND product = @product

Une fois la requête validée enregistrée, un utilisateur peut poser une question à l'agent d'analyse conversationnelle en langage naturel, par exemple "Quelles ont été les ventes d'ordinateurs portables en Amérique du Nord ?".

Pour répondre à la question de l'utilisateur, l'agent conversationnel effectue les étapes suivantes :

1. Fait correspondre la question au modèle associé à la requête validée paramétrée. L'agent utilise la compréhension du langage naturel (NLU) pour identifier et extraire les valeurs de @region (Amérique du Nord) et @product (ordinateurs portables) à partir de la question de l'utilisateur.
2. Remplace les valeurs extraites dans les espaces réservés @region et @product du modèle SQL.
3. Exécute la requête SQL complète (par exemple, SELECT * FROM sales WHERE region = 'North America' AND product = 'Laptops').
4. Il renvoie les résultats à l'utilisateur. Les correspondances sont toujours marquées comme validées.

Conseils pour créer des requêtes paramétrées efficaces

• Utilisez des noms de paramètres clairs. Utilisez des noms descriptifs pour les paramètres (par exemple, @start_date au lieu de @d1).
• Créez des descriptions détaillées des paramètres. Le grand modèle de langage (LLM) pour l'analyse conversationnelle utilise des descriptions de paramètres pour identifier les paramètres et leurs valeurs à partir des questions des utilisateurs. Par exemple, num_enrollments est un nom de paramètre efficace, mais number of student enrollments from ages 5-14 est une description de paramètre qui fournit plus de contexte sur la requête.
• Assurez-vous que les types de données sont cohérents. Assurez-vous que les types de données attendus par la requête SQL correspondent aux types de données susceptibles d'être extraits de la question de l'utilisateur.
• Définissez précisément le champ d'application. Créez des modèles pour les types de questions courants et importants dont la construction de la requête est complexe ou dont la logique est peu intuitive. Cela permet au LLM de renvoyer des résultats optimaux.
• Testez minutieusement. Testez différentes formulations en langage naturel pour vous assurer que les paramètres sont extraits correctement.

Créer une requête validée paramétrée

Vous pouvez sélectionner des requêtes validées dans une liste générée par le système ou créer les vôtres.

Avant de créer ou de modifier une requête, rédigez-la en tenant compte du modèle de langage naturel et de votre question. Par exemple, si vous demandez "Connaissons-nous le stock total de bananes bio dans l'entrepôt US-EAST ?", vous pouvez reformuler la question en requête validée paramétrée : "Quel est le stock total de @product dans l'entrepôt @region ?" L'agent d'analyse conversationnelle transforme cette question en requête SQL que vous mettez à jour avec des valeurs par défaut.

Pour créer une requête validée paramétrée pour un agent de données, vous pouvez soit créer une requête lorsque vous créez un agent, soit modifier une requête validée existante pour un agent nouveau ou existant.

Les instructions suivantes utilisent un exemple de requête validée pour configurer des paramètres.

Sélectionner une requête validée suggérée par Gemini

1. Dans la section Requêtes validées d'un agent nouveau ou existant, cliquez sur Examiner les suggestions. La page Consulter les requêtes validées suggérées s'ouvre.
2. Cochez la case à côté d'une requête validée suggérée.
3. Dans la fenêtre de requête, cliquez sur Afficher plus  pour développer la description de la requête.
4. Pour ouvrir la requête existante, cliquez sur Modifier.
5. Pour terminer la configuration de la requête, consultez Configurer les paramètres de la requête validée.

Créer un agent, puis une requête validée

1. Consultez Étapes initiales et suivez les autres étapes de configuration pour Requêtes validées.
2. Dans la console Google Cloud , dans la section Requêtes validées du nouvel agent, cliquez sur Ajouter une requête. La page Ajouter une requête validée s'ouvre.
3. Pour terminer la configuration de la requête, consultez Configurer les paramètres de la requête validée.

Configurer les paramètres de la requête validée

1. Dans le champ Question, saisissez la question de l'utilisateur à laquelle la requête validée répond.
2. Pour spécifier des paramètres, utilisez le symbole @ suivi d'un nom de paramètre. Cette syntaxe identifie un espace réservé qui ingère une valeur à partir de la question de l'utilisateur. Utilisez une question en langage naturel qui montre comment les paramètres seront utilisés dans les questions des utilisateurs. Par exemple : "Quel est le stock total de @product dans l'entrepôt @region ?"

3. Cliquez sur Generate SQL (Générer SQL). Le code SQL ressemble à l'exemple suivant :

      SELECT
          SUM(stock) AS total_stock
      FROM
          inventory
      WHERE
          product_id = @product
          AND region = @region;
   

4. Pour ajouter des valeurs par défaut aux espaces réservés de la requête, cliquez sur Gérer les paramètres de requête, puis sur Ajouter un paramètre de requête.

5. Pour le premier paramètre, quatre champs s'affichent : Nom, Type, Valeur et Description.

   • Dans le champ Nom, copiez @product à partir de votre question et collez-le dans ce champ.
   • Dans le champ Type, sélectionnez STRING.
   • Pour Valeur, saisissez organic bananas.
   • Dans le champ Description, saisissez une description aussi précise que possible. Par exemple, un produit situé dans un entrepôt régional.

6. Pour le deuxième paramètre, cliquez sur Ajouter un paramètre de requête.

   • Dans le champ Nom, copiez @region à partir de votre question et collez-le dans ce champ.
   • Dans le champ Type, sélectionnez STRING.
   • Pour Valeur, saisissez US-EAST.
   • Dans le champ Description, saisissez une description aussi précise que possible (par exemple, a regional warehouse where products are located.).

7. Lorsque vous avez renseigné les champs pour les deux paramètres, cliquez sur Enregistrer.

Tester la requête validée paramétrée

1. Cliquez sur Exécuter et vérifiez que la requête renvoie les résultats attendus.
2. Pour tester la requête pour les utilisateurs sur un écran ultérieur, copiez l'intégralité du champ de question.
3. Cliquez sur Enregistrer pour quitter l'écran Ajouter une requête et revenir à la page Modifier de l'agent.
4. Sur la page Modifier de l'agent, collez le champ de question que vous avez copié précédemment dans la fenêtre Aperçu.
   1. Remplacez la variable @product par organic bananas.
   2. Remplacez la variable @region par US-EAST.
5. Appuyez sur la touche "Entrée". Vérifiez le résultat. Dans ce cas, une réponse valide correspond au nombre total de bananes en stock dans la région US-EAST (par exemple, 1 000).
6. Pour créer ou modifier d'autres requêtes validées, répétez ces étapes si nécessaire.

Maintenant que vous avez enregistré la requête, un utilisateur peut poser la question "Connaissons-nous le stock total de bananes biologiques dans l'entrepôt US-EAST ?". Conversational Analytics effectue ensuite les opérations suivantes :

1. Associe cette question au modèle.
2. Extrait le paramètre @product sous la forme @product = "bananes bio" et le paramètre @region = "US-EAST" à partir de la question.
3. Exécute la requête : SELECT SUM(stock) AS total_stock FROM inventory WHERE product_id = 'organic bananas' AND region = 'US-EAST';
4. Renvoie le total_stock calculé.

Créer ou examiner des termes de glossaire

Vous pouvez créer des termes de glossaire BigQuery personnalisés pour un agent ou consulter les termes de glossaire métier importés du catalogue de connaissances qui s'appliquent aux sources de connaissances que vous avez sélectionnées pour un agent.

• Étant donné que les termes du glossaire d'entreprise du Knowledge Catalog s'appliquent globalement aux ressources BigQuery, si vous utilisez le Knowledge Catalog, créez et gérez les termes du glossaire d'entreprise dans le Knowledge Catalog plutôt que pour des agents individuels.
• Si vous devez modifier des termes du glossaire d'entreprise importés depuis Knowledge Catalog, vous devez les modifier dans Knowledge Catalog, puis revenir à l'analyse conversationnelle pour les afficher.
• Les termes de glossaire personnalisés BigQuery restent dans BigQuery. Ils n'apparaissent pas dans le catalogue de connaissances.
• Si vous n'utilisez pas Knowledge Catalog, vous pouvez créer des termes de glossaire BigQuery personnalisés pour les termes que vous devez définir pour un agent spécifique.

Pour créer des termes de glossaire personnalisés pour un agent :

1. Dans la section Glossaire de la page Éditeur de l'agent, cliquez sur Ajouter un terme.
2. Dans la section Termes personnalisés, vous pouvez modifier ou supprimer les termes personnalisés existants.
3. Pour créer un ou plusieurs termes, cliquez sur Créer un terme.
   1. Saisissez un terme, une définition et un ou plusieurs synonymes séparés par une virgule.
   2. Pour créer le terme, cliquez sur Ajouter.
   3. Si vous souhaitez supprimer le nouveau terme, cliquez sur Supprimer.
4. Pour créer d'autres termes personnalisés, répétez ces étapes.

Pour afficher les termes du glossaire d'entreprise importés depuis Knowledge Catalog, procédez comme suit :

1. Dans la section Glossaire de la page Éditeur de l'agent, cliquez sur Ajouter un terme.
2. Accédez à la section de la page intitulée Importé du catalogue de connaissances.
3. Pour modifier les termes importés dans le catalogue de connaissances, vous devez cliquer sur le lien "Accéder aux glossaires du catalogue de connaissances".
4. Une fois que vous avez modifié les termes dans le catalogue de connaissances, vous pouvez revenir à la page Éditeur de l'agent pour afficher les termes modifiés.

Configurer les paramètres

Dans la section Paramètres, vous pouvez configurer les paramètres facultatifs suivants :

1. Créez des libellés pour organiser vos ressourcesGoogle Cloud . Les étiquettes sont des paires clé/valeur qui vous permettent de regrouper des objets associés ou de les combiner à d'autres Google Cloud ressources.

   1. Dans la section Paramètres, cliquez sur Gérer les libellés.
   2. Cliquez sur Ajouter une étiquette.
   3. Dans les champs key et value, saisissez la paire clé/valeur pour le libellé.
   4. Si vous souhaitez ajouter d'autres libellés, cliquez à nouveau sur Ajouter un libellé.
   5. Pour supprimer un libellé, cliquez sur Supprimer.
   6. Lorsque vous avez terminé, cliquez sur Ajouter. La page du nouvel agent s'ouvre à nouveau.

2. Facultatif : Définissez une limite de taille pour les requêtes traitées par l'agent de données. Dans la section Paramètres, saisissez une valeur dans le champ Nombre maximal d'octets facturés. Vous devez définir cette limite sur 10485760 ou plus, sinon le message d'erreur suivant s'affiche :

Value error. In BigQuery on-demand pricing charges are
rounded up to the nearest MB, with a minimum of 10 MB of data processed
per query. So, max bytes billed must be set to greater or equal to
10485760.

Si vous ne spécifiez pas de valeur, maximum bytes billed est défini par défaut sur le quota d'utilisation des requêtes par jour du projet. Le quota d'utilisation par jour est illimité, sauf si vous avez spécifié un quota personnalisé.

Passez à la section suivante pour placer l'agent en mode brouillon ou le publier.

Prévisualiser et publier l'agent

1. Dans la section Prévisualisation, saisissez un exemple de question d'utilisateur dans le champ Poser une question, puis appuyez sur Entrée. Pour vérifier que l'agent de données renvoie les données attendues, examinez sa réponse. Si la réponse ne correspond pas à vos attentes, modifiez les paramètres de la section Éditeur pour affiner la configuration de l'agent de données jusqu'à obtenir des réponses satisfaisantes. Vous pouvez continuer à tester et à modifier votre agent pour affiner ses résultats.

2. Cliquez sur Enregistrer.

3. Pour placer l'agent de données en mode brouillon, que vous pourrez modifier ultérieurement, cliquez sur Retour pour revenir à la page Catalogue d'agents. Comme votre agent est désormais en mode brouillon, il s'affiche dans la section Mes agents brouillons de l'onglet Catalogue d'agents.

   Pour publier votre agent, restez sur la page de création de l'agent et passez à l'étape suivante.

4. Cliquez sur Publier pour publier l'agent de données et le rendre disponible dans le projet. Vous pouvez créer des conversations avec l'agent de données à l'aide de BigQuery Studio ou de Data Studio. Vous pouvez également créer votre propre interface pour discuter avec l'agent de données à l'aide de l'API Conversational Analytics.

5. Facultatif : Dans la boîte de dialogue Votre agent a été publié, cliquez sur Partager pour partager l'agent de données avec d'autres utilisateurs.

   1. Dans le volet Autorisations de partage, cliquez sur Ajouter un compte principal.

   2. Dans le champ Nouveaux comptes principaux, saisissez un ou plusieurs comptes principaux.

   3. Cliquez sur la liste Sélectionner un rôle.

   4. Dans la liste Rôle, sélectionnez l'un des rôles suivants :

      • Utilisateur d'agent des données Gemini Data Analytics (roles/geminidataanalytics.dataAgentUser) : accorde l'autorisation de discuter avec l'agent de données.
      • Éditeur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentEditor) : permet de modifier l'agent de données.
      • Lecteur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentViewer) : accorde l'autorisation d'afficher l'agent de données.

6. Cliquez sur Enregistrer.

7. Pour revenir à la page du nouvel agent, cliquez sur Fermer. Immédiatement après avoir enregistré ou publié votre agent, vous pouvez le voir dans le catalogue d'agents.

Gérer les agents de données

Vous trouverez les agents existants dans l'onglet Catalogue d'agents, qui se compose de trois sections :

• Mes agents : liste de tous les agents que vous créez et publiez. Vous pouvez modifier et partager des agents publiés avec d'autres utilisateurs.
• Mes brouillons d'agents : agents que vous n'avez pas encore publiés. Vous ne pouvez pas partager les agents en brouillon.
• Partagés par d'autres membres de votre organisation : agents créés et partagés avec vous par d'autres membres. Si d'autres utilisateurs vous accordent des autorisations, vous pouvez modifier ces agents partagés.

Modifier un agent de données

Pour modifier un agent de données, procédez comme suit :

1. Accédez à la page Agents de BigQuery.

   Accéder aux agents

2. Sélectionnez l'onglet Catalogue d'agents.

3. Recherchez la fiche de l'agent de données que vous souhaitez modifier.

4. Pour ouvrir l'agent de données dans l'éditeur d'agents, cliquez sur Ouvrir les actions > cliquez sur Modifier sur la fiche de l'agent.

5. Modifiez la configuration de l'agent de données si nécessaire.

6. Pour enregistrer vos modifications sans les publier, cliquez sur Enregistrer.

7. Pour publier vos modifications, cliquez sur Publier . Dans la boîte de dialogue Partager, vous pouvez partager l'agent avec d'autres utilisateurs ou cliquer sur Annuler.

8. Pour revenir au volet Agents, cliquez sur Retour.

   

Partager un agent de données

Pour partager un agent de données publié, procédez comme suit. Vous ne pouvez pas partager d'agents brouillons.

1. Accédez à la page Agents de BigQuery.

   Accéder aux agents

2. Sélectionnez l'onglet Catalogue d'agents.

3. Recherchez la fiche de l'agent de données que vous souhaitez modifier.

4. Pour ouvrir l'agent de données dans l'éditeur d'agents, cliquez sur Ouvrir les actions > cliquez sur Modifier sur la fiche de l'agent.

5. Pour partager l'agent de données avec d'autres utilisateurs, cliquez sur Partager.

6. Dans le volet Autorisations de partage, cliquez sur Ajouter un compte principal.

7. Dans le champ Nouveaux comptes principaux, saisissez un ou plusieurs comptes principaux.

8. Cliquez sur la liste Sélectionner un rôle.

9. Dans la liste Rôle, sélectionnez l'un des rôles suivants :

   • Utilisateur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentUser) : permet de discuter avec l'agent de données.
   • Éditeur d'agent de données des analyses de données Gemini (roles/geminidataanalytics.dataAgentEditor) : permet de modifier l'agent de données.
   • Lecteur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentViewer) : autorise l'affichage de l'agent de données.

10. Cliquez sur Enregistrer.

11. Pour revenir à la page de modification de l'agent, cliquez sur Fermer.

12. Pour revenir au volet Agents, cliquez sur Retour.

    

Supprimer un agent de données

1. Accédez à la page Agents de BigQuery.

   Accéder aux agents

2. Sélectionnez l'onglet Catalogue d'agents.

3. Dans la section Mes agents ou Mes agents brouillons de l'onglet Catalogue d'agents, recherchez la fiche de l'agent de données que vous souhaitez supprimer.

4. Cliquez sur Ouvrir les actions > Supprimer.

5. Dans la boîte de dialogue Supprimer l'agent ?, cliquez sur Supprimer.

Emplacements

Les analyses conversationnelles fonctionnent à l'échelle mondiale. Vous ne pouvez pas choisir la région à utiliser.

Étapes suivantes

• En savoir plus sur Conversational Analytics dans BigQuery
• En savoir plus sur l'API Conversational Analytics
• Analyser les données avec des conversations
• Découvrez comment le rôle Lecteur d'agent des données des analyses de données Gemini (roles/geminidataanalytics.dataAgentViewer) accorde l'autorisation d'afficher l'agent de données.