Konversationelle Analysen für Spanner – Übersicht

Mit der konversationellen Analyse in Spanner können Sie sich in natürlicher Sprache mit KI-Agents über Ihre Datenbankdaten unterhalten. So erhalten Sie Antworten zu Ihren Daten:

  • Erstellen Sie Daten-Agents für eine Reihe von Wissensquellen, z. B. Tabellen und Ansichten, die Sie auswählen.
  • [Optional] Kontext und Anweisungen für einen Agenten erstellen, um den Daten-KI-Agenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

Bevor Sie einen Agent anpassen, empfehlen wir Ihnen, zuerst mit dem Kontext und den Anweisungen zu arbeiten, die der Agent erstellt.

Konversationelle Analysen bieten die folgenden Arten von Kontext:

  • Geführt: Sie erstellen diesen Kontext in der Google Cloud -Konsole. Diese Option eignet sich gut für Nutzer, die nicht direkt Code schreiben möchten.
  • Erweitert: Sie erstellen diesen Kontext in der Gemini CLI oder in Ihrer IDE. Wir empfehlen diesen Ansatz für Nutzer, die mehr Kontrolle über die Qualität von Kundenservicemitarbeitern haben möchten. Dieser Kontext verwendet den Kontext für die QueryData-Methode wieder.

Nachdem Sie KI-Datenagenten erstellt haben, können Sie sich mit ihnen unterhalten und Fragen zu Spanner-Daten in natürlicher Sprache stellen.

Die konversationelle Analyse basiert auf Gemini für Google Cloud.

Weitere Informationen dazu, wie und wann Gemini für Google Cloud Ihre Daten verwendet

Da es sich bei Gemini für Google Cloud -Produkte um Technologie in einem frühen Entwicklungsstadium handelt, kann es zu Ergebnissen kommen, die zwar plausibel erscheinen, aber faktisch falsch sind. Ausgaben von Gemini für Google Cloud -Produkte sollten daher vor der Verwendung geprüft werden. Weitere Informationen finden Sie unter Gemini für Google Cloud und verantwortungsbewusste Anwendung von KI.

KI-Agenten für Datenverarbeitung

KI-Datenagenten bestehen aus einer oder mehreren Wissensquellen und einer Reihe von anwendungsfallspezifischen Anweisungen zur Verarbeitung dieser Datenbankdaten. Wenn Sie einen KI-Datenagenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

  • Verwenden Sie Wissensquellen wie Tabellen und Ansichten mit einem KI-Datenagenten.
  • Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Datenbankdaten 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
  • Geben Sie mithilfe der geführten oder erweiterten Kontexterstellung strukturierte Kontexte an, die der Daten-KI-Agent verwenden kann, um die Antwortstruktur eines KI-Agenten zu gestalten und die Geschäftslogik zu erlernen, die Ihre Organisation verwendet.

Daten-Agents verwalten

Sie können die folgenden Arten von Daten-KI-Agenten auf dem Tab Agent 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 Agenten, die von anderen Personen erstellt und für Sie freigegeben wurden.

Weitere Informationen finden Sie unter Daten-Agents erstellen.

Andere Dienste im Projekt, die KI-Datenagenten unterstützen, z. B. die Conversational Analytics API, können auf KI-Datenagenten zugreifen, die Sie in Spanner erstellen. Sie können auch über die Conversational Analytics API auf einen in der Google Cloud Console erstellten Agent zugreifen.

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenbankdatenquelle. Sie können Daten-Agents mehrteilige Fragen mit gängigen Begriffen wie „Umsatz“ oder „beliebteste“ stellen, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Datenbankdaten definieren zu müssen.

Die Chatantwort, die Sie erhalten, bietet die folgenden Funktionen:

  • Die Antwort auf Ihre Frage als Text, Code oder Diagramme (falls zutreffend)
  • Die Begründung des KI-Agenten für die Ergebnisse.
  • Metadaten zur Unterhaltung, z. B. die verwendeten Agent- und Datenbankdatenquellen.

Wenn Sie eine direkte Unterhaltung mit einer Datenbankdatenquelle 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 Spanner über die Google Cloud Console erstellen und verwalten. Weitere Informationen finden Sie unter Daten mit Unterhaltungen analysieren.

Sicherheit

Sie können den Zugriff auf Conversational Analytics in Spanner mit IAM-Rollen und ‑Berechtigungen für die Conversational Analytics API verwalten. Informationen zu den Rollen, die für bestimmte Vorgänge erforderlich sind, finden Sie unter Erforderliche Rollen für Data-Agent und Erforderliche Rollen für Unterhaltungen.

Standorte

Wenn Sie einen Agent mit Conversational Analytics erstellen, verwendet die Steuerungsebene, die den Workflow plant, verwaltet und Tools aufruft (Orchestration), nur einen globalen Endpunkt. Die Datenebene, die die tatsächlichen Datenbankdatensätze und Vektordokumente abruft und verarbeitet, verwendet einen regionalen Endpunkt.

Preise

Für Abfragen, die ausgeführt werden, wenn Sie Daten-Agents erstellen und Unterhaltungen mit Daten-Agents oder Datenbankdatenquellen führen, werden Ihnen die Spanner-Preise für Rechenkapazität in Rechnung gestellt. Für das Erstellen und Verwenden von Data Agents und Unterhaltungen während des Vorschauzeitraums fallen keine zusätzlichen Kosten an.

Dynamisches freigegebenes 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 ein festes projektbezogenes Limit für den Modelldurchsatz gilt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gesamten freigegebenen Pool kann es gelegentlich zu vorübergehenden 429 Resource Exhausted-Fehlern kommen. Diese Fehler weisen darauf hin, dass die Kapazität des freigegebenen Pools vorübergehend eingeschränkt ist. Sie bedeuten jedoch nicht, 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