Présentation de l'analyse conversationnelle pour Cloud SQL pour PostgreSQL

L'analyse conversationnelle dans Cloud SQL pour PostgreSQL vous permet de discuter avec des agents au sujet des données de votre base de données en langage naturel. Pour obtenir des réponses sur vos données :

  • Créez des agents de données pour un ensemble de sources de connaissances, telles que des tables et des vues, que vous sélectionnez.
  • [Facultatif] Créez un contexte et des instructions pour un agent afin de configurer l'agent de données de manière à répondre efficacement aux questions pour des cas d'utilisation spécifiques.

Avant de personnaliser un agent, nous vous recommandons de travailler d'abord avec le contexte et les instructions qu'il crée.

L'analyse conversationnelle fournit les types de contexte suivants :

  • Guidé : vous créez ce contexte dans la console Google Cloud . Cette option est bien adaptée aux utilisateurs qui ne souhaitent pas écrire de code directement.
  • Avancé : vous créez ce contexte dans Gemini CLI ou dans votre IDE. Nous recommandons cette approche aux utilisateurs qui souhaitent mieux contrôler la qualité de l'agent. Ce contexte réutilise le contexte pour la méthode QueryData.

Après avoir créé des agents de données, vous pouvez discuter avec eux pour poser des questions sur les données Cloud SQL pour PostgreSQL en langage naturel.

Conversational Analytics est optimisé par Gemini pour Google Cloud.

Découvrez comment et quand Gemini pour Google Cloud utilise vos données.

Cette technologie étant à un stade précoce, il se peut que les produits Gemini pour Google Cloud génèrent des résultats qui semblent plausibles, mais qui sont en fait incorrects. Nous vous recommandons de vérifier tous les résultats des produits Gemini pour Google Cloud avant de les utiliser. Pour en savoir plus, consultez Gemini pour Google Cloud et l'IA responsable.

Agents de données

Les agents de données se composent d'une ou de plusieurs sources de connaissances, ainsi que d'un ensemble d'instructions spécifiques à un cas d'utilisation pour traiter les données de cette base de données. Lorsque vous créez un agent de données, vous pouvez le configurer à l'aide des options suivantes :

  • Utilisez des sources de connaissances telles que des tables et des vues avec un agent de données.
  • Fournissez des métadonnées de table et de champ personnalisées pour décrire les données de la base de données de la manière la plus appropriée pour le cas d'utilisation donné.
  • Fournissez des instructions pour interpréter et interroger les données, par exemple en définissant les éléments suivants :
    • Synonymes et termes métier pour les noms de champs
    • Champs les plus importants et valeurs par défaut pour le filtrage et le regroupement
  • À l'aide de la génération de contexte guidée ou avancée, fournissez des contextes structurés que l'agent de données peut utiliser pour définir la structure de réponse d'un agent et pour apprendre la logique métier utilisée par votre organisation.

Gérer les agents de données

Vous pouvez créer, gérer et utiliser les types d'agents de données suivants sur la page Conversations de la console Google Cloud  :

  • Un exemple d'agent prédéfini pour chaque projet Google Cloud .
  • Liste de vos agents (brouillons, créés et publiés).
  • Liste des agents que d'autres personnes créent et partagent avec vous.

Pour en savoir plus, consultez Créer des agents de données.

Les autres services du projet qui sont compatibles avec les agents de données, comme l'API Conversational Analytics, peuvent accéder aux agents de données que vous créez dans Cloud SQL pour PostgreSQL. Vous pouvez également accéder à un agent créé dans la console Google Cloud en l'appelant à l'aide de l'API Conversational Analytics.

Conversations

Les conversations sont des discussions persistantes avec un agent de données ou une source de données de base de données. Vous pouvez poser aux agents de données des questions en plusieurs parties qui utilisent des termes courants tels que "ventes" ou "les plus populaires", sans avoir à spécifier les noms des champs de table ni à définir des conditions pour filtrer les données de la base de données.

La réponse de chat qui vous est renvoyée offre les fonctionnalités suivantes :

  • La réponse à votre question sous forme de texte, de code ou de graphiques (le cas échéant)
  • Le raisonnement de l'agent derrière les résultats.
  • Métadonnées sur la conversation, telles que les sources de données de l'agent et de la base de données utilisées.

Lorsque vous créez une conversation directe avec une source de données de base de données, l'API Conversational Analytics interprète votre question sans le contexte ni les instructions de traitement qu'un agent de données propose. Par conséquent, les résultats de la conversation directe peuvent être moins précis. Utilisez des agents de données pour les cas nécessitant une plus grande précision.

Vous pouvez créer et gérer des conversations dans Cloud SQL pour PostgreSQL à l'aide de la console Google Cloud . Pour en savoir plus, consultez Analyser des données avec des conversations.

Sécurité

Vous pouvez gérer l'accès à l'analyse conversationnelle dans Cloud SQL pour PostgreSQL à l'aide des rôles et autorisations IAM de l'API Conversational Analytics. Pour en savoir plus sur les rôles requis pour des opérations spécifiques, consultez les rôles requis pour l'agent de données et les rôles requis pour la conversation.

Emplacements

Lorsque vous utilisez l'analyse conversationnelle pour créer un agent, le plan de contrôle, qui planifie, gère le workflow et appelle les outils (orchestration), n'utilise qu'un point de terminaison global. Le plan de données, qui récupère, extrait et traite les enregistrements de base de données et les documents vectoriels réels, utilise un point de terminaison régional.

Tarifs

Les requêtes exécutées lorsque vous créez des agents de données et que vous discutez avec des agents de données ou des sources de données de base de données vous sont facturées au tarif de calcul de Cloud SQL pour PostgreSQL. La création et l'utilisation d'agents de données et de conversations pendant la période de preview n'entraînent aucuns frais supplémentaires.

Quota partagé dynamique

Le quota partagé dynamique (DSQ) dans Vertex AI gère la capacité du modèle Gemini. Contrairement aux quotas classiques, le DSQ vous permet d'accéder à un grand pool de ressources partagé sans limite fixe par projet pour le débit du modèle.

Les performances, telles que la latence, peuvent varier en fonction de la charge globale du système. En période de forte demande sur le pool partagé, vous pouvez parfois rencontrer des erreurs 429 Resource Exhausted temporaires. Ces erreurs indiquent que la capacité du pool partagé est momentanément limitée, mais pas que vous avez atteint une limite de quota spécifique sur votre projet. Pour vérifier la capacité, relancez la requête après un court délai.

Étapes suivantes