Descripción general del Agente de ingeniería de datos

El agente de ingeniería de datos te permite crear, modificar y solucionar problemas de canalizaciones de datos en BigQuery con instrucciones de lenguaje natural. El agente de ingeniería de datos ofrece las siguientes capacidades para optimizar tus flujos de trabajo de ingeniería de datos y transferir datos a BigQuery:

  • Integración de Dataform: El agente genera y organiza el código de la canalización de datos directamente en los repositorios y espacios de trabajo de Dataform.
  • Generación de planes: El agente puede resumir su razonamiento y generar un plan que te permita revisar y verificar el plan del agente antes de continuar.
  • Validación de código: El agente valida y corrige automáticamente los errores de compilación de cualquier código generado para garantizar que la canalización de datos funcione correctamente.
  • Tratamiento automático de datos: El agente realiza el tratamiento de datos y transforma los datos sin procesar en tablas estructuradas sin intervención manual.
  • Instrucciones personalizadas: El agente admite instrucciones personalizadas que te permiten definir reglas específicas y lineamientos reutilizables en lenguaje natural.
  • Contexto externo: El agente se integra con el Knowledge Catalog para obtener contexto adicional.
  • Control de la canalización: Puedes revisar y personalizar los planes del agente generados antes de que se ejecute cualquier acción.
  • Optimización: El agente puede optimizar el rendimiento en tu canalización de datos.
  • Solución de problemas y reparación: El agente puede solucionar problemas de fallas en la canalización y corregir su código.

Dónde puedes usar el agente de ingeniería de datos

Puedes usar el Agente de ingeniería de datos con los siguientes métodos:

Cómo usa tus datos el agente de ingeniería de datos

Para producir respuestas de mayor calidad, el agente de ingeniería de datos puede recuperar datos y metadatos adicionales de BigQuery y Knowledge Catalog, incluidas filas de muestra de tablas de BigQuery y perfiles de análisis de datos generados en Knowledge Catalog. El agente no usa estos datos para el entrenamiento, sino solo como contexto adicional durante las conversaciones con el agente para fundamentar sus respuestas.

Dónde procesa tus datos el agente de ingeniería de datos

Para obtener más información sobre las ubicaciones en las que el Agente de Ingeniería de Datos procesa tus datos, consulta Dónde Gemini en BigQuery procesa tus datos.

Limitaciones

El Agente de Ingeniería de Datos tiene las siguientes limitaciones:

  • El agente de ingeniería de datos no admite comandos en lenguaje natural para los siguientes tipos de archivos:
    • Notebooks
    • Preparación de datos
  • El agente de ingeniería de datos no puede ejecutar canalizaciones. Debes revisar y ejecutar o programar canalizaciones.
  • El agente de ingeniería de datos no puede buscar vínculos web ni URLs proporcionados a través de instrucciones o mensajes directos.
  • Cuando importas archivos en un archivo de instrucciones del agente, la sintaxis de importación @ solo admite rutas de acceso que comienzan con ./, / o una letra.
  • La función de vista previa de datos solo se admite para tablas, declaraciones o consultas con la marca hasOutput establecida en true.
  • El Agente de ingeniería de datos está sujeto a las limitaciones generales de la tecnología de IA.

Funciones y personalizaciones del agente

En las siguientes secciones, se describen las capacidades adicionales del agente y otros métodos para personalizar el Agente de Ingeniería de Datos.

Instrucciones del agente

Las instrucciones del agente son instrucciones en lenguaje natural para el agente de ingeniería de datos que te permiten almacenar instrucciones persistentes para que el agente siga un conjunto de reglas personalizadas predefinidas. Usa instrucciones del agente si deseas que los resultados del agente sean coherentes en toda tu organización, por ejemplo, con convenciones de nomenclatura o para aplicar una guía de estilo.

Para crear instrucciones del agente para el Agente de Ingeniería de Datos, crea un archivo de contexto GEMINI.MD como archivo de instrucciones del agente.

Prácticas recomendadas para usar archivos de instrucciones del agente

Cuando uses instrucciones del agente, te recomendamos que sigas estas indicaciones:

  • Todas las rutas de acceso a los archivos en Dataform son relativas a la raíz del repositorio. Usa rutas relativas para cualquier sintaxis de @file.md para importar correctamente las instrucciones a GEMINI.md.
  • Los archivos importados en GEMINI.md pueden contener importaciones, lo que puede crear una estructura anidada. Para evitar la recursión infinita, GEMINI.md tiene una profundidad máxima de importación de cinco niveles.
  • Para compartir instrucciones entre canalizaciones de datos, almacénalas en un repositorio central de Dataform y vincúlalas al repositorio de trabajo de Dataform. Puedes usar instrucciones locales para anular las reglas centrales del comportamiento específico de la canalización.
  • Para garantizar la coherencia en tu proyecto, puedes vincular archivos de convenciones de nomenclatura o guías de estilo, y darle instrucciones al agente para que siga estos lineamientos cuando trabaje con tus canalizaciones de datos.
  • Puedes sugerir capas de datos en el archivo de instrucciones para agrupar diferentes tipos de datos.
  • Usar encabezados y listas en el archivo de instrucciones del agente puede ayudar a organizar y aclarar las instrucciones para el agente de Ingeniería de datos.
  • Proporciona nombres de archivo significativos y agrupa las instrucciones similares en un archivo. Organiza las reglas de forma lógica por categoría, función o funcionalidad con encabezados de Markdown.
  • Para evitar instrucciones contradictorias, define claramente las condiciones específicas en las que se aplica cada instrucción.
  • Itera y define mejor tus instrucciones y tu flujo de trabajo. El comportamiento del agente cambia con el tiempo a medida que se lanzan agentes y se actualizan los modelos, por lo que te recomendamos que realices iteraciones en tus reglas con diferentes instrucciones para identificar las áreas que podrían necesitar mejoras. Mantén tu archivo de reglas sincronizado con cualquier cambio en tu canalización de datos.

En el siguiente ejemplo, se muestra un archivo de instrucciones del agente llamado GEMINI.md que utiliza nuestras prácticas recomendadas para el uso eficaz del agente de Ingeniería de datos:

  ### Naming Conventions

  * Datasets: [business_domain]_[use_case] (e.g., ecommerce_sales)

  * Tables:
      - Raw/External: raw_[source_name]
      - Staging: stg_[business_entity]
      - Dimension: dim_[dimension_name]
      - Fact: fct_[fact_name]

  * Dataform Folders:
      - sources
      - staging
      - marts
      - dataProducts

  * Views: vw_[view_name]

  * Columns: snake_case (e.g., order_id, customer_name)

  ## Cloud Storage data load
  * When ingesting data from Cloud Storage, create external tables.

  ## Null handling
  * Filter out null id values

  ## String normalization
  * Standardize string columns by converting to lower case

  ## Data Cleaning Guidelines
  @./generic_cleaning.md

Importa archivos locales adicionales como instrucciones para el agente

También puedes importar otros archivos de instrucciones para el agente de ingeniería de datos en el archivo GEMINI.md con la sintaxis @file.md. Para obtener más información, consulta Procesador de importación de memoria.

Tratamiento automático de datos

Puedes usar el agente de ingeniería de datos para transformar datos sin procesar en tablas estructuradas aptas para el análisis de datos. Cuando se solicita, el agente primero toma muestras de hasta 1,000,000 de registros de cada tabla estándar o externa. Luego, el agente realiza un análisis profundo de los datos ejecutando consultas de creación de perfiles en esta muestra. Después de generar transformaciones de datos, el agente repite este proceso de muestreo y creación de perfiles para evaluar la calidad de las transformaciones. Estas transformaciones de tratamiento de datos pueden incluir la corrección de inconsistencias, valores atípicos o discrepancias de tipos de datos. Luego, el agente de Ingeniería de datos crea un plan que describe los pasos de organización de datos propuestos para que los revises y definas antes de que se realice cualquier acción.

El agente de Ingeniería de datos también inicia el análisis de tratamiento de datos cada vez que agregas una tabla sin procesar, como una tabla externa basada en CSV. Puedes revisar el plan de organización de datos y ajustarlo con comandos de conversación.

El muestreo y la creación de perfiles de datos usan recursos de BigQuery y están sujetos a los precios de BigQuery.

El Agente de ingeniería de datos admite las siguientes transformaciones de tratamiento de datos:

  • Limpieza de datos El agente puede analizar datos sin procesar y sugerir oportunidades de limpieza, como quitar valores atípicos, completar valores faltantes o incoherentes (imputación de datos), corregir datos duplicados o estandarizar formatos de datos (por ejemplo, números de teléfono o direcciones).
  • Transformaciones estructurales Cuando se proporciona un esquema de destino, el agente puede anular el anidamiento o extraer valores de los tipos JSON, ARRAY o STRUCT; combinar varias columnas en una; o dividir una columna en varias.
  • Detección y conversión de tipos de datos El agente puede analizar los datos para determinar los tipos de campos adecuados. Luego, el agente puede realizar una conversión de tipo segura para resolver cualquier inconsistencia de formato en los campos de fecha, hora, fecha y hora o marca de tiempo.
  • Conversiones de unidades El agente puede convertir automáticamente varias unidades dentro de un campo en una unidad coherente para estandarizar tus datos.

Para garantizar la precisión, el agente usa muestras representativas de tus datos para detectar problemas y validar su lógica de transformación.

Genera y revisa planes de agentes

El agente de ingeniería de datos puede generar planes de agentes que proporcionan un resumen y una descripción general de los objetivos y los pasos que se deben seguir para completar una solicitud. Cuando le pidas al agente que realice solicitudes complejas que requieran muchos cambios, te recomendamos que le pidas que te proporcione un plan para que puedas revisar sus intenciones antes de que realice cualquier acción. En general, un plan del Agente de ingeniería de datos consta de lo siguiente:

  • El objetivo del agente para una solicitud en particular
  • Una descripción general de alto nivel de los pasos que el agente planea seguir
  • Las suposiciones que hace el agente
  • Archivos que el agente planea modificar
  • Los pasos de optimización o limpieza que planea realizar
  • Un plan de ejecución por fases

En tu instrucción, puedes incluir la necesidad de revisar y aprobar el plan para que el agente no realice ninguna acción sin tu aprobación explícita. Por ejemplo:

Create a plan for a pipeline that finds the
top N pick up and drop off locations in NYC. I want to review the plan and
approve it before you create the pipeline.

El agente también puede generar un plan automáticamente y solicitar tu aprobación. Este resultado puede ocurrir cuando una instrucción es demasiado ambigua o si el agente necesita más claridad para cumplir con tu solicitud.

Para conocer las prácticas recomendadas sobre el uso de planes de agentes, consulta Prácticas recomendadas.

Cómo agregar contexto desde Knowledge Catalog

El agente de Data Engineering usa Knowledge Catalog adjuntando términos del glosario a las tablas y columnas de BigQuery, y generando análisis de perfiles de datos. Los términos del glosario pueden etiquetar columnas que requieren contexto adicional, como las que contienen información de identificación personal (PII) que requiere instrucciones de manejo especiales, o bien identificar columnas coincidentes con nombres diferentes en las tablas.

Knowledge Catalog también utiliza el perfilado de datos, que le proporciona al agente una mejor comprensión de la distribución de los datos dentro de las columnas de la tabla y lo ayuda a crear aserciones de calidad de los datos más específicas.

Agrega verificaciones de calidad de los datos a una tabla existente

Cuando le pides al agente que agregue verificaciones de calidad, este infiere verificaciones razonables para la tabla según el esquema y las muestras. También puedes agregar aserciones basadas en opiniones como parte de la instrucción. Por ejemplo:

  Add data quality checks for bigquery-public-data.thelook_ecommerce.users.

Optimiza las canalizaciones de datos

Puedes solicitarle al agente que optimice tus canalizaciones de datos. Cuando se genera DDL para tablas nuevas, el agente de Ingeniería de datos recomienda la partición y la agrupación en clústeres según los patrones de uso de datos analizados. Además, el agente puede aplicar automáticamente otras optimizaciones de la canalización. Estos son algunos ejemplos de posibles optimizaciones:

  • Eliminación de columnas para reducir la lectura de datos del almacenamiento y actuar como un factor principal de costos y rendimiento.
  • Envío de predicados para filtrar los datos en una etapa temprana del plan de ejecución y reducir significativamente el volumen procesado por las operaciones posteriores
  • Eliminación de subexpresiones comunes para mejorar la eficiencia, ya que identifica y calcula la lógica de transformación compartida solo una vez, lo que evita prácticas ineficientes, como analizar y unir tablas grandes varias veces.
  • Modelos incrementales para procesar solo los datos nuevos o modificados desde la última ejecución, en lugar de volver a compilar tablas completas con cada ejecución

Prácticas recomendadas

Para mejorar los resultados cuando trabajes con Data Engineering Agent y Dataform, te recomendamos que hagas lo siguiente:

Usa instrucciones del agente para solicitudes comunes. Si sueles aplicar ciertas técnicas o si con frecuencia realizas las mismas correcciones al agente, usa las instrucciones del agente como una ubicación centralizada para almacenar instrucciones y solicitudes comunes.

Utiliza planes de agentes. Los planes de agentes pueden ser útiles para desglosar tareas complejas de la canalización. Los planes del agente también pueden mostrarte las suposiciones y las intenciones del agente, por lo que te recomendamos que revises esos planes para asegurarte de que se le proporcione el contexto correcto.

Después de revisar un plan, puedes editarlo solicitándole al agente de ingeniería de datos comentarios y cambios. Por ejemplo:

In the plan, ensure that all of the intermediate tables are views.

En algunos casos, puede ser útil pedirle al agente que genere un plan que no necesite tu aprobación explícita. El hecho de hacer que el agente planifique obliga al agente de ingeniería de datos a desglosar sus acciones, lo que a menudo genera mejores resultados. Puedes obligar al agente a generar un plan y ejecutarlo automáticamente. Por ejemplo:

Create a plan for a pipeline that finds the
top N pick up and drop off locations in NYC. You have my explicit pre-approval
to go ahead and execute this plan.

Escribe con claridad. Expresa tu solicitud con claridad y evita ser impreciso. Cuando sea posible, proporciona fuentes de datos de origen y destino cuando realices la solicitud, como se muestra en el siguiente ejemplo:

  Extract data from the sales.customers table in the us_west_1 region, and load
  it into the reporting.dim_customers table in BigQuery. Match the schema of the
  destination table.

Proporciona solicitudes directas y específicas. Haz una pregunta a la vez y mantén las instrucciones concisas. En el caso de las instrucciones con más de una pregunta, enumera cada parte distinta de la pregunta para mejorar la claridad, como se muestra en el siguiente ejemplo:

  1. Create a new table named staging.events_cleaned. Use raw.events as the
     source. This new table should filter out any records where the user_agent
     matches the pattern '%bot%'. All original columns should be included.

  2. Next, create a table named analytics.user_sessions. Use
     staging.events_cleaned as the source. This table should calculate the
     duration for each session by grouping by session_id and finding the
     difference between the MAX(event_timestamp) and MIN(event_timestamp).

Proporciona instrucciones explícitas y enfatiza los términos clave. Puedes agregar énfasis a los términos o conceptos clave en tus instrucciones y etiquetar ciertos requisitos como importantes, como se muestra en el siguiente ejemplo:

  When creating the staging.customers table, it is *VERY IMPORTANT* that you
  transform the email column from the source table bronze.raw_customers.
  Coalesce any NULL values in the email column to an empty string ''.

Especifica el orden de las operaciones. En el caso de las tareas ordenadas, estructura tu instrucción en listas, en las que los elementos enumerados se dividan en pasos pequeños y enfocados, como se muestra en el siguiente ejemplo:

  Create a pipeline with the following steps:
  1. Extract data from the ecomm.orders table.
  2. Join the extracted data with the marts.customers table on customer_id.
  3. Load the final result into the reporting.customer_orders table.

Define mejor e itera. Sigue probando diferentes frases y enfoques para ver cuál genera los mejores resultados. Si el agente genera código SQL no válido o comete otros errores, guíalo con ejemplos o documentación pública.

  The previous query was incorrect because it removed the timestamp. Please
  correct the SQL. Use the TIMESTAMP_TRUNC function to truncate the
  event_timestamp to the nearest hour, instead of casting it as a DATE. For
  example: TIMESTAMP_TRUNC(event_timestamp, HOUR).