Best practice per i connettori Data Cloud che utilizzano l'analisi conversazionale

Quando connetti i connettori Data Cloud in modalità di query federata, Gemini Enterprise utilizza il Model Context Protocol (MCP) per eseguire query sulle origini dati in loco. Mentre le definizioni degli strumenti MCP forniscono all'assistente i meccanismi per eseguire SQL, rispondere a domande aziendali in linguaggio naturale con elevata precisione e bassa latenza richiede due livelli aggiuntivi di indicazioni:

  • Un harness analitico predefinito: competenze procedurali specifiche del motore che insegnano all'assistente Gemini Enterprise come pianificare le query, risolvere i valori dei filtri, utilizzare funzioni analitiche avanzate e gestire gli errori come un esperto analista di dati.
  • Contesto organizzativo: competenze specifiche del dominio, istruzioni personalizzate e metadati del Knowledge Catalog che mappano il vocabolario aziendale, le definizioni dei KPI e le misure di governance alle tabelle e ai modelli sottostanti corretti.

Questo documento descrive in che modo i connettori Data Cloud utilizzano le competenze analitiche integrate gestite da Google e in che modo puoi utilizzare Knowledge Catalog, competenze personalizzate e istruzioni dell'assistente per fornire il contesto organizzativo per i tuoi dati.

Informazioni sull'imbracatura analitica predefinita

Gli strumenti MCP preconfigurati espongono operazioni di basso livello (come l'elenco delle tabelle o l'esecuzione di una stringa SQL), che di per sé sono spesso insufficienti per analisi dei dati complesse in più passaggi. I connettori Data Cloud proprietari colmano questa lacuna raggruppando un imbracatura analitica predefinita, ovvero un insieme di competenze integrate e gestite da Google derivate dall'imbracatura dell'agente di analisi conversazionale. Queste competenze integrate gestiscono automaticamente le attività di analisi principali, come la generazione di query SELECT di sola lettura, il ripristino dagli errori del compilatore SQL e l'invocazione di funzioni AI, ML e grafiche integrate di BigQuery (come AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE e GRAPH_TABLE), senza richiedere alcuna configurazione o azione da parte tua.

Poiché Google controlla queste skill dei connettori integrati, non puoi modificare o aggiungere il contesto ai connettori direttamente. Puoi invece risolvere i problemi comuni di esecuzione delle query, latenza di ricerca e precisione delle metriche configurando le impostazioni del connettore, curando i metadati in Knowledge Catalog o creando e utilizzando competenze personalizzate nell'app Gemini Enterprise.

La seguente tabella descrive i problemi comuni che potresti riscontrare quando utilizzi i connettori Data Cloud e le opzioni per risolverli:

Problema Opzioni per la risoluzione
Garantire che tutte le query BigQuery vengano eseguite in un unico progetto

Configura l'ID progetto di fatturazione (in Opzioni avanzate) quando crei il datastore BigQuery. L'impostazione di un progetto di fatturazione garantisce che tutti i job di query BigQuery eseguiti tramite il connettore vengano eseguiti e fatturati nel progetto designato. Google Cloud

Riduzione della latenza di ricerca o assegnazione della priorità a dati specifici

Utilizza una o entrambe le seguenti opzioni per restringere l'ambito di ricerca e query dei dati dell'agente:

  • Crea una skill personalizzata: crea e condividi una skill nella tua app Gemini Enterprise che guidi l'agente a cercare o interrogare solo i dati in progetti, set di dati o tabelle Google Cloud specifici. Ad esempio, includi le seguenti istruzioni nella tua skill:

    "Quando rispondi a domande su vendite, entrate o attività dei clienti, cerca solo i metadati ed esegui query SQL sulle tabelle nel set di dati analytics-prod.sales_mart. Non eseguire la scansione di set di dati di staging, sandbox o archiviazione."

  • Crea un prodotto di dati Knowledge Catalog: organizza le tabelle di alta priorità in un prodotto di dati Knowledge Catalog (vedi Crea prodotti di dati) in modo che l'agente possa scoprire direttamente gli asset autorevoli.
Agente che utilizza la definizione errata di una metrica o che esegue il join su chiavi errate

Utilizza una o più delle seguenti opzioni per standardizzare le definizioni e la logica di unione:

Per confrontare i vantaggi dell'utilizzo di Knowledge Catalog rispetto alle skill personalizzate, consulta Scegliere dove definire le metriche aziendali: skill personalizzate o Knowledge Catalog. Per istruzioni passo passo sulla creazione e l'attivazione delle skill nella tua app, consulta Creare e gestire le skill e Gestire le skill.

Fornire il contesto organizzativo con le competenze e Knowledge Catalog

Poiché i connettori Data Cloud non sono limitati a un singolo set di dati o tabella, ma possono accedere a tutte le risorse nell'origine dati connessa su cui l'utente autenticato ha l'autorizzazione per eseguire query, l'assistente ha bisogno del contesto organizzativo per sapere quali asset sono autorevoli e come la tua attività calcola le metriche chiave.

Utilizza un approccio a più livelli che combini Knowledge Catalog, skill personalizzate a livello di organizzazione e personalizzazione per l'utente:

1. Rilevamento dei dati di base con Knowledge Catalog

Quando colleghi un connettore BigQuery o di database in modalità di query federata, Knowledge Catalog viene attivato automaticamente nella scheda Assistente dell'app Gemini Enterprise. Anziché effettuare chiamate esplorative sequenziali negli schemi di database non elaborati, l'agente utilizza gli strumenti di Knowledge Catalog per cercare i dati a cui l'utente ha accesso e cercare il contesto dei metadati avanzati in un unico flusso di lavoro.

Se la tua organizzazione cura i metadati in cataloghi di terze parti (come DataHub) o wiki di documentazione interni, sincronizza queste descrizioni in Knowledge Catalog o acquisisci regole aziendali essenziali in competenze personalizzate a livello di organizzazione in modo che l'agente possa scoprirle.

2. Scegliere dove definire le metriche aziendali: skill personalizzate o Knowledge Catalog

Per codificare regole analitiche specifiche dell'organizzazione e standardizzare le definizioni delle metriche aziendali e le formule SQL nelle conversazioni, puoi:

La definizione di una logica di calcolo e di regole di filtro esatte per i KPI aziendali garantisce che l'assistente non debba fare ipotesi. Ad esempio, puoi definire che "Cliente attivo" indica rigorosamente un account in analytics_prod.crm.user_events_log con più di 10 accessi alla piattaforma negli ultimi 30 giorni (event_type = 'LOGIN' e is_test_account = FALSE) o che il "Margine di contribuzione netto" deve escludere i regali promozionali (order_type != 'PROMO') e la riduzione dell'inventario (status != 'SHRINKAGE').

Quando scegli se implementare le definizioni delle metriche nelle skill personalizzate in Gemini Enterprise o in Knowledge Catalog, considera i seguenti compromessi:

  • Knowledge Catalog:
    • Vantaggi:
    • Applica i controlli dell'accesso di Identity and Access Management (IAM) in modo che utenti e agenti scoprano solo i metadati e le definizioni che hanno l'autorizzazione a visualizzare.
    • Possono essere riutilizzati in altri agent harness, strumenti e piattaforme al di fuori di Gemini Enterprise (come BigQuery Studio e client MCP).
    • Gestite centralmente dai team di governance dei dati senza richiedere ai singoli utenti dell'app di attivare un'abilità.
    • Svantaggi:
    • Fornisce un contesto di metadati descrittivi e query di esempio anziché istruzioni procedurali rigorose, quindi l'agente potrebbe aver bisogno di ulteriori prompt per flussi di calcolo complessi e in più passaggi.
  • Competenze personalizzate a livello di organizzazione in Gemini Enterprise:
    • Vantaggi:
    • Fornisce istruzioni procedurali specifiche e prescrittive e formule SQL esatte che l'agente segue in modo deterministico all'interno dell'app.
    • Possono essere creati e aggiornati rapidamente dagli amministratori dell'app Gemini Enterprise senza modificare le risorse del catalogo aziendale.
    • Svantaggi:
    • Deve essere condiviso con gli utenti e attivato in Gemini Enterprise e si applica solo all'interno di Gemini Enterprise anziché in altri strumenti o piattaforme.

3. Personalizzare l'analisi in base alle competenze dell'utente e alla personalizzazione

I singoli analisti e utenti aziendali possono sovrapporre il contesto personale alle competenze a livello di organizzazione:

  • Competenze create dagli utenti: gli utenti finali possono creare competenze personali per attività di analisi ricorrenti o impostazioni predefinite specifiche del team. Ad esempio, una competenza che indica che ogni volta che l'utente chiede "rendimento settimanale del prodotto", l'assistente deve filtrare automaticamente in base alla linea di prodotti, escludere il traffico QA e raggruppare i risultati per settimana fiscale.
  • Memoria e personalizzazione di Gemini Enterprise: quando la personalizzazione è attivata, l'assistente può conservare le preferenze e i chiarimenti specifici dell'utente tra le sessioni, riducendo nel tempo le richieste di disambiguazione ripetute.

Scegli dove configurare ogni tipo di contesto

Poiché Google controlla le competenze integrate associate ai connettori Data Cloud, non puoi aggiungere un contesto personalizzato direttamente a un connettore. Utilizza invece la seguente tabella per decidere dove configurare le regole analitiche e il contesto aziendale:

Livello di contesto Gestito da Ideale per Esempio
Metadati di Knowledge Catalog Data steward e amministratori del catalogo Rilevamento dinamico degli asset in grandi patrimoni di dati, descrizioni di tabelle e colonne, indicatori di qualità dei dati, glossari dei set di dati e query SQL di esempio verificate. Selezionare i termini del glossario aziendale e i prodotti di dati certificati in analytics_prod in modo che l'agente possa scoprire tabelle e definizioni di metriche autorevoli.
Skill personalizzate a livello di organizzazione e istruzioni dell'assistente Amministratori e operatori dei dati di Gemini Enterprise Definizioni deterministiche di progetti e dataset, definizioni di KPI a livello aziendale, regole di disambiguazione e convenzioni di risposta. Limitazione delle query a set di dati di produzione specifici; definizione del calcolo SQL esatto per "ARR netto ponderato".
Competenze dell'utente e personalizzazione Singoli utenti finali e analisti Filtri predefiniti specifici per ruolo, layout delle metriche preferiti e workflow ricorrenti del team. Applicazione automatica dei filtri per la regione EMEA e per il controllo qualità attivo quando un utente chiede le "metriche della pipeline mensile".

Passaggi successivi