Informazioni sul contesto dei dati in Knowledge Catalog

Il contesto dei dati in Knowledge Catalog ti consente di unificare strutture tecniche, regole aziendali e pattern di utilizzo reali in un livello di contesto attivo. Con Knowledge Catalog, tu e le tue applicazioni di AI potete scoprire, valutare e interpretare gli asset di dati in modo accurato e sicuro senza convalida manuale o allucinazioni.

Che cos'è il contesto?

Il contesto è il ricco tessuto di dettagli strutturali, operativi e semantici che descrive un asset di dati. Anziché rappresentare una tabella come uno schema autonomo di nomi e tipi di dati, il contesto fornisce la storia completa dei tuoi dati.

Knowledge Catalog organizza il contesto nei seguenti livelli:

  • Metadati tecnici. I dettagli strutturali importati direttamente dai sistemi di origine, inclusi schemi di database, tipi di campi, chiavi di partizionamento e tag di sicurezza (come le policy di Identity and Access Management (IAM)).

  • Metadati semantici. Il significato aziendale dei dati, che include glossari aziendali, relazioni tra metriche, classificazioni, terminologia di dominio e query di riferimento (domande in linguaggio naturale verificate mappate alle istruzioni di codice SQL corrette).

  • Metadati operativi. Il comportamento e l'integrità dei dati nel tempo, inclusi i profili di esecuzione, le statistiche di profilazione e i punteggi di qualità dei dati.

  • Relazioni. I collegamenti dedotti o definiti tra le tabelle di archiviazione sottostanti e gli indicatori aziendali concettuali.

  • Indicatori di fiducia. Indicatori di verifica, come timbri di proprietà e certificazione, che verificano se un asset è una fonte autorevole.

  • Guida per gli agenti. Descrizioni non strutturate (come file README, note di utilizzo e log di esecuzione) che guidano gli strumenti autonomi su come e quando eseguire query su una risorsa.

Unificando questi livelli, Knowledge Catalog contribuisce a garantire che i dati siano compresi appieno, aiutandoti a evitare i colli di bottiglia operativi e l'incertezza associati ai dati isolati e non documentati.

Differenza tra contesto dei dati e metadati

Sebbene i metadati forniscano gli elementi di base, metadati e contesto non sono intercambiabili:

  • Metadata. Attributi descrittivi che definiscono la struttura, la posizione e le proprietà tecniche sottostanti di un asset di dati isolato (ad esempio, nomi delle colonne, tipi di dati, chiavi di partizione e dimensioni delle tabelle).
  • Contesto. Il knowledge graph sintetizzato e multidimensionale che combina schemi tecnici, semantica aziendale, relazioni tra i dati, comportamento operativo e indicatori di attendibilità per dare significato ai dati e guidare il ragionamento.

Knowledge Catalog trasforma la gestione dei metadati da un catalogo passivo a un control plane dinamico di contesto attivo. La seguente tabella evidenzia le principali differenze tra i metadati passivi e il contesto dei dati attivi:

Dimensioni Metadati tecnici Contesto dei dati attivo
Focus principale Specifiche e formato di archiviazione sottostanti. Significato aziendale, comportamento operativo e relazioni.
Stato Passiva: archiviata nei registri del catalogo per la ricerca manuale da parte degli ingegneri. Attiva: arricchita continuamente dall'AI, estratta dalle cronologie delle query e assemblata dinamicamente per i prompt LLM.
Consumatori principali Motori del database, data engineer e revisori della conformità. Agenti AI, modelli linguistici di grandi dimensioni (LLM), business analyst e interfacce di conversazione.
Scopo principale Gestione dello spazio di archiviazione, indicizzazione e verifica della conformità. Grounding del ragionamento dell'agente, risoluzione dei join e prevenzione delle allucinazioni.

Esempio: metadati rispetto al contesto

Per capire in che modo il contesto espande i metadati tecnici, considera come Knowledge Catalog rappresenta una colonna di transazione:

Solo metadati tecnici

I metadati tecnici forniscono informazioni strutturali, ma non contengono logica di business e linee guida operative:

  • Tabella: fact_orders
  • Colonna: disc_val
  • Tipo di dati: NUMERIC
  • Proprietà di archiviazione: partizionate per order_date

Un agente AI che utilizza solo questi metadati tecnici potrebbe supporre che disc_val rappresenti gli sconti totali per i clienti, ma non può determinare se questo valore include imposte, rimborsi parziali del produttore o coupon promozionali.

Contesto dei dati arricchito

Knowledge Catalog arricchisce i metadati tecnici con livelli semantici, relazionali e operativi in un payload di contesto unificato:

  • Schema tecnico: fact_orders.disc_val (NUMERIC).
  • Definizione semantica: mappato al termine del glossario aziendale "Sconto promozionale", definito come sconti per i clienti applicati al momento del pagamento, esclusi i rimborsi parziali del produttore e le indennità di spedizione.
  • Relazioni rilevate: collega automaticamente fact_orders.customer_id a dim_customers.id e fact_orders.promo_id a dim_promotions.id.
  • Utilizzo operativo: la cronologia delle query rivela che il 90% delle query aziendali filtra questa tabella in base a status = 'COMPLETED' e la unisce a dim_promotions.
  • Affidabilità e qualità: punteggio di validità del 99,8% ottenuto tramite scansioni automatiche della qualità dei dati, con aggiornamento dei dati verificato nelle ultime 2 ore.
  • Query di riferimento: include un modello SQL verificato che mostra come calcolare le entrate riconosciute nette utilizzando disc_val.

Con questo contesto completo, un agente AI o un data analyst può generare query e interpretare i dati in modo accurato senza convalida umana manuale o allucinazioni.

Le sfide legate all'utilizzo dei dati senza contesto

In un patrimonio di dati distribuito, i dati non elaborati senza contesto raramente sono sufficienti per risolvere un problema aziendale. Quando i database strutturati, i log non strutturati e le metriche analitiche non hanno un significato aziendale, gli utenti e i sistemi autonomi si trovano di fronte a un limite di contesto che rende difficile scoprire, considerare attendibili o rendere operativi i dati per l'AI. Gli analisti umani devono eseguire la convalida manuale per verificare le origini dati, mentre gli agenti AI spesso generano risposte imprecise (allucinazioni) o non riescono a eseguire le azioni.

Senza un contesto strutturato, le organizzazioni devono affrontare diversi colli di bottiglia operativi:

  • Toil di collaborazione. La mancanza di definizioni aziendali chiare costringe i team di analisi e AI a cicli di coordinamento manuali continui con esperti in materia (SME) per creare una comprensione di base delle tabelle.

  • Drift del contesto. La documentazione standard rimane statica e decade nel tempo. Senza un monitoraggio continuo, i metadati obsoleti portano a ipotesi errate e a workflow degli agenti AI interrotti.

  • Errori di ragionamento. Gli agenti AI e i modelli linguistici di grandi dimensioni (LLM) potrebbero generare query SQL sintatticamente corrette, ma non rispettare la logica aziendale sottostante, producendo calcoli errati dal punto di vista aziendale.

  • Informazioni isolate. Le conoscenze interne su come filtrare o unire correttamente i set di dati rimangono intrappolate in script o configurazioni di dashboard non documentati, anziché essere registrate in un inventario centralizzato.

Per superare questi colli di bottiglia operativi e rendere i dati utilizzabili, le organizzazioni hanno bisogno di un motore di contesto affidabile per tutto il loro patrimonio di dati.

Pilastri fondamentali della gestione del contesto

Per mantenere questo motore contestuale affidabile in tutto il tuo patrimonio di dati, Knowledge Catalog opera su tre pilastri:

Aggregazione

Knowledge Catalog raccoglie automaticamente i metadati dai database integrati, dai cataloghi Iceberg REST e dalle piattaforme di terze parti. Consolida questi input frammentati in un'unica zona di governance unificata, contribuendo a garantire che le policy di sicurezza e le definizioni di classificazione vengano ereditate in modo coerente.

Arricchimento

Utilizzando le interfacce di Knowledge Studio, i data steward e i context engineer possono aggiornare e curare continuamente set di contesti specifici all'interno del grafico del contesto complessivo. Knowledge Catalog estrae automaticamente i log delle transazioni, gli schemi dei database e i modelli di business intelligence per scoprire le descrizioni delle colonne e le relazioni tra le tabelle. Tramite l'interfaccia di Knowledge Studio, questo apprendimento continuo consente ai revisori umani di acquisire le proprie conoscenze istituzionali e applicarle ai tuoi asset in modo dinamico.

Ricerca e recupero

Knowledge Catalog fornisce una ricerca semantica ad alta precisione che ti consente di eseguire query sul tuo patrimonio di dati in linguaggio naturale. Poiché Knowledge Catalog comprende i gruppi di autorizzazioni (ACL) e la terminologia aziendale, sia gli utenti che gli agenti autonomi possono individuare il contesto dei dati pertinente con una bassa latenza.

Come vengono inseriti i metadati e il contesto in Knowledge Catalog

Per creare un motore contestuale affidabile, Knowledge Catalog acquisisce e cura le informazioni tramite connettori di piattaforma automatizzati, arricchimento continuo dell'AI e interfacce personalizzate estensibili.

Origini dati proprietari e raccolta automatizzata

Knowledge Catalog raccoglie automaticamente i metadati strutturali e operativi dai servizi Google Cloud principali senza richiedere la configurazione manuale:

  • Database e data warehouse analitici. Servizi come BigQuery, Spanner, Cloud SQL e AlloyDB per PostgreSQL sincronizzano continuamente i metadati tecnici, inclusi schemi di tabelle, tipi di dati dei campi, chiavi di partizionamento, specifiche di clustering e limiti dei set di dati.

  • Sincronizzazione semantica della BI pronta all'uso. Per Looker (Google Cloud core), Knowledge Catalog sincronizza automaticamente gli asset di business intelligence:

    • Definizioni semantiche di LookML. Modelli, esplorazioni, visualizzazioni, dimensioni e misure.
    • Asset della dashboard di BI. Dashboard, elementi della dashboard e Look.

  • Integrazione dei dati e trasformazioni. Servizi come Datastream acquisiscono i metadati dello stream Change Data Capture (CDC), Dataform esegue il push delle definizioni delle tabelle e delle trasformazioni SQL e Cortex Framework pubblica i prodotti di dati registrati.

Curatela continua del contesto basata sull'AI

Oltre agli schemi tecnici statici, Knowledge Catalog aggiorna dinamicamente il suo grafico di contesto utilizzando motori di intelligence integrati:

  • Insight sui dati. Basato su Gemini in BigQuery, gli insight dei dati analizzano i log delle query storiche, le transazioni degli utenti e i pattern degli schemi per generare descrizioni delle colonne in linguaggio naturale, scoprire le relazioni tra le tabelle (come le chiavi di join) e proporre query di esempio verificate ("query di riferimento") che acquisiscono la logica aziendale. Per saperne di più, consulta Informazioni sugli insight sui dati per i dati strutturati.
  • Profilazione e qualità dei dati automatizzate. Le scansioni calcolano le distribuzioni statistiche (come conteggi distinti, rapporti nulli e valori di esempio) e valutano i dati rispetto ai controlli di qualità dei dati basati su regole, allegando punteggi di integrità in tempo reale alle voci del catalogo. Per saperne di più, consulta Informazioni sulla qualità dei dati automatica.

Curatela human-in-the-loop con Knowledge Studio

Per gestire e orchestrare il grafico del contesto attivo, gli utenti operano all'interno di Knowledge Studio. Questa interfaccia fornisce il centro principale per:

  • Set di contesti. Raggruppamento di tabelle correlate, documenti non strutturati e glossari in bundle unificati pronti per l'utilizzo da parte degli agenti AI.
  • Workflow di arricchimento. Revisione delle descrizioni delle colonne suggerite dall'AI, applicazione delle mappature del glossario aziendale e certificazione manuale degli asset come autorevoli. Per saperne di più, consulta Gestisci le esecuzioni di arricchimento.
  • Organizzazione dell'ambiente. Garantire che i diversi team di dominio (come Finanza o Engineering) abbiano le proprie aree isolate per gestire le regole semantiche.

Per saperne di più, consulta Arricchisci il contesto con Knowledge Studio.

Importazione di metadati personalizzati e sistemi di terze parti

Per le organizzazioni con knowledge base personalizzate, strumenti di governance di terze parti o sistemi on-premise, Knowledge Catalog offre meccanismi di importazione flessibili:

  • API Knowledge Catalog (operazioni CRUD). Utilizza i metodi API CreateEntry, UpdateEntry e CreateAspectType per registrare in modo programmatico gli asset esterni e allegare aspetti dei metadati personalizzati (come valutazioni di conformità o documentazione di sistema).
  • Agenti di arricchimento personalizzati. Utilizza framework per agenti come Agent Development Kit (ADK) o LangChain per creare agenti di arricchimento personalizzati. Ad esempio, un agente ADK può importare la documentazione tecnica da wiki interni o repository Git, utilizzare un LLM per analizzarla in termini di glossario aziendale standardizzati e allegarli alle voci del catalogo. Per saperne di più, consulta Crea un agente AI per arricchire i metadati.
  • Operazioni di esportazione e importazione. Utilizza i flussi di lavoro di esportazione e importazione collettiva basati su file (JSON o CSV) per esaminare le definizioni aziendali generate dall'AI, collaborare con i data steward e aggiornare i metadati in batch. Per saperne di più, consulta Esporta i metadati.

Come viene utilizzato il contesto nei servizi proprietari e di terze parti

I servizi e le applicazioni interagiscono con Knowledge Catalog in due ruoli distinti:

  • Fornitori di metadati. Servizi che inviano metadati tecnici, schemi e definizioni LookML a Knowledge Catalog (ad esempio Looker, Cloud SQL e Spanner). I provider di metadati li inviano al catalogo, ma non necessariamente utilizzano le definizioni del glossario aziendale nelle proprie interfacce utente.
  • Consumer di contesto. Servizi, strumenti per sviluppatori e agenti AI che recuperano definizioni aziendali, profili operativi e regole di governance da Knowledge Catalog per basare il loro ragionamento e la loro esecuzione.

Prima che le applicazioni e gli agenti possano utilizzare il contesto, devi stabilire termini aziendali e regole di qualità di base. Per saperne di più, consulta Stabilisci il contesto dei dati di base e Crea un flusso di lavoro per la qualità dei dati basato su policy-as-code.

Le applicazioni e i servizi di AI utilizzano il contesto di Knowledge Catalog tramite i seguenti meccanismi:

Integrazioni proprietarie (1P) integrate

Diversi servizi Google Cloud eseguono query in modo nativo su Knowledge Catalog per fornire esperienze di AI sensibili al contesto:

  • Gemini in BigQuery (agente conversazionale). Quando inserisci prompt in linguaggio naturale in BigQuery Studio, Gemini esegue automaticamente query sulle definizioni del glossario aziendale di Knowledge Catalog, sulle descrizioni delle colonne e sulle relazioni delle query storiche in background. In questo modo, Gemini si basa sulla terminologia aziendale, garantendo che le query SQL generate utilizzino i join delle tabelle e le definizioni delle metriche corretti.
  • Agente di data engineering in BigQuery. Rileva ed esegue query sulle tabelle Apache Iceberg e BigQuery, richiama automaticamente le ricerche nel catalogo semantico per risolvere le dipendenze degli asset e genera i metadati del catalogo durante l'esecuzione della pipeline.
  • Gemini e Agent Builder. Gli agenti di AI generativa personalizzati e le applicazioni di ricerca basate su Gemini utilizzano i metadati del catalogo e le regole aziendali per fondare il ragionamento del modello su fatti aziendali verificati.
  • ConsoleGoogle Cloud e UI aziendale. Gli utenti finali e i data steward esplorano gli asset utilizzando la ricerca semantica in linguaggio naturale, visualizzano grafici interattivi delle relazioni tra i dati e gestiscono i glossari aziendali.

Applicazioni di terze parti ed ecosistemi di agenti AI

I servizi e i sistemi autonomi senza integrazioni integrate utilizzano il contesto tramite protocolli aperti e API di recupero dedicate:

Model Context Protocol (MCP)

Model Context Protocol (MCP) è uno standard aperto che consente ad agenti AI, strumenti per sviluppatori e IDE di connettersi direttamente agli strumenti di Knowledge Catalog. MCP fornisce un'interfaccia standardizzata per ispezionare gli schemi delle tabelle, cercare le definizioni del glossario e verificare i punteggi di qualità dei dati.

Knowledge Catalog supporta due opzioni di deployment di MCP:

Recupera il contesto preformattato con l'API LookupContext

Per le pipeline AI personalizzate e le applicazioni LLM, Knowledge Catalog fornisce il metodo API LookupContext.

Anziché richiedere a un agente di effettuare più chiamate sequenziali per ispezionare gli schemi, cercare i termini del glossario, recuperare i punteggi di qualità dei dati e ispezionare i log delle query, il metodo LookupContext recupera un bundle unificato e preformattato di metadati avanzati in un'unica richiesta.

Le funzionalità principali del metodo LookupContext includono:

  • Formati pronti per l'LLM. Restituisce il contesto formattato come yaml (predefinito), json o xml, progettato per l'inserimento diretto nei prompt di sistema LLM.
  • Budgeting dei token (context_budget). Consente di specificare un budget di caratteri target. Si tratta di un budget flessibile, il che significa che l'API tronca e assegna la priorità ai metadati in modo intelligente per cercare di rientrare nella finestra di contesto del modello, ma non garantisce di rimanere rigorosamente al di sotto del limite.
  • Visualizzazioni di contesto configurabili.
    • BASIC. Restituisce i metadati di base della voce, gli schemi, le descrizioni delle colonne, il testo della panoramica e le linee guida dell'agente.
    • STANDARD. Oltre ai metadati di base, attraversa il grafico del contesto per includere relazioni di join tra più tabelle, termini e sinonimi del glossario aziendale allegati e query di esempio verificate.
  • Join rilevati e query di riferimento. Include condizioni di join delle tabelle dedotte (ad esempio orders.customer_id = customers.id) e query SQL di esempio verificate.

Per saperne di più, consulta Recupera il contesto per gli asset di dati e il riferimento REST lookupContext.

In che modo il contesto aiuta gli utenti finali e gli agenti AI

Knowledge Catalog fornisce un contesto universale all'interno del suo cloud di dati agentico unificando schemi tecnici, semantica aziendale e metriche di qualità in un livello di contesto attivo. Esponendo questi metadati tramite interfacce aperte come il Model Context Protocol (MCP), le API di recupero del contesto e la ricerca semantica, Knowledge Catalog assiste sia gli utenti sia i sistemi autonomi.

Elimina le attività manuali di attendibilità per gli utenti

Senza un livello semantico centralizzato, devi esaminare i database sottostanti e le cronologie delle query per rispondere alle domande aziendali di base. I cataloghi standard fungono da inventari passivi di schemi, il che richiede la ricerca manuale delle definizioni delle metriche o la verifica della pulizia delle tabelle.

Knowledge Catalog converte questa governance passiva in intelligence attiva. Presentando punteggi di qualità, descrizioni semantiche e avvisi di utilizzo direttamente accanto agli asset di dati, Knowledge Catalog ti consente di utilizzare i dati in modo affidabile senza attendere le revisioni di ingegneria.

Fonda gli agenti autonomi e abilita la governance dinamica

Gli agenti AI e i modelli linguistici di grandi dimensioni (LLM) richiedono regole rigide e deterministiche per interagire con i database. Senza un contesto semantico esplicito, gli agenti fanno ipotesi errate sui nomi delle colonne o generano query SQL errate.

Inoltre, il contesto attivo trasforma la gestione dei metadati da un registro passivo a un livello di governance attivo. Definendo regole aziendali, metriche e istruzioni per gli agenti verificate direttamente all'interno di Knowledge Catalog, le organizzazioni possono controllare il modo in cui gli agenti recuperano, valutano e agiscono sui dati aziendali.

Knowledge Catalog colma questa lacuna. Esporta profili di contesto attivo unificati nelle tue applicazioni AI tramite interfacce standard come il Model Context Protocol (MCP) o l'API LookupContext. Il grounding dei modelli in questi metadati riduce al minimo le allucinazioni, applica le regole di governance e contribuisce a garantire che le azioni autonome si basino su informazioni aziendali verificate.

In che modo le applicazioni di AI utilizzano i set di contesto

Gemini Enterprise e altre applicazioni di AI utilizzano i set di contesto tramite due pattern principali:

  • Rilevamento dinamico del contesto tramite la ricerca semantica: negli ambienti di analisi conversazionali o self-service, gli utenti pongono domande ad hoc in linguaggio naturale (ad esempio, Qual è stato il nostro tasso di fidelizzazione netto trimestrale negli account aziendali?). Quando un utente invia un prompt, l'agente invia una query di ricerca semantica a Knowledge Catalog per individuare il set di contesto più pertinente che corrisponde al dominio della domanda. L'agente inserisce il contesto recuperato nel prompt attivo, consentendogli di generare query SQL accurate sul data warehouse sottostante.

  • Set di contesti preconfigurati per applicazioni dedicate: puoi preconfigurare un agente con un riferimento esplicito al set di contesti fornendo l'URI della risorsa durante la configurazione. L'associazione di un set di contesti dedicato fornisce un grounding deterministico, garantendo che tutte le interazioni future utilizzino in modo coerente le definizioni aziendali certificate, senza l'overhead di ricerca in fase di runtime. Poiché le attività di arricchimento ricorrenti perfezionano il set di contesto nel tempo, l'applicazione downstream eredita automaticamente questi miglioramenti della qualità senza richiedere nuovi prompt manuali o nuovi deployment dell'applicazione.

Knowledge Catalog riduce al minimo le allucinazioni e applica le regole di governance esportando profili di contesto attivi unificati nelle tue applicazioni AI tramite interfacce standard come il Model Context Protocol (MCP) o l'API LookupContext.

Coordina i workflow multi-agente con un contesto condiviso

In un framework multi-agente (o swarm), agenti specializzati separati collaborano per eseguire workflow complessi. Quando questi agenti operano in ambienti isolati senza un piano di contesto condiviso, si trovano di fronte a un limite di contesto: potrebbero utilizzare regole aziendali in conflitto, non riuscire a individuare le dipendenze pertinenti o duplicare l'impegno di recupero.

L'utilizzo di Knowledge Catalog come registro di contesto centralizzato ti aiuta a coordinare e scalare gli sciami multi-agente. Il grounding dello swarm in Knowledge Catalog offre i seguenti vantaggi:

  • Semantica aziendale condivisa. Tutti gli agenti fanno riferimento agli stessi significati e alle stesse definizioni aziendali. Ad esempio, se un agente di analisi dei dati e un agente di reporting recuperano entrambi una tabella contenente i dati di vendita, utilizzano la stessa definizione del glossario di una metrica come Gross Merchandise Value (GMV) per garantire la coerenza.

  • Risoluzione dinamica delle dipendenze. Gli agenti possono utilizzare le relazioni di contesto per scoprire le risorse upstream e downstream in modo programmatico. In questo modo, un agente per la risoluzione dei problemi della pipeline può risalire alla tabella di origine di un errore dei dati e trasferire l'attività a un agente di riparazione senza impostare come hardcoded le regole di dipendenza.

  • Interfaccia di connessione unificata. Utilizzando il Model Context Protocol (MCP), esponi un singolo endpoint semantico all'intero swarm. In questo modo, non è necessario configurare integrazioni API personalizzate per ogni singolo agente.

  • Governance della sicurezza a livello di perimetro. Knowledge Catalog confronta le query degli agenti con i ruoli IAM preconfigurati. In questo modo, gli agenti recuperano solo il contesto delle risorse a cui sono esplicitamente autorizzati ad accedere, evitando l'esposizione accidentale dei dati nello swarm.

Casi d'uso per l'utilizzo del contesto dei dati

Per capire in che modo il contesto dei dati risolve richieste complesse, considera come Knowledge Catalog applica i livelli tecnici, semantici e operativi nella pratica:

E-commerce: personalizza i consigli di ricerca

Per allineare le campagne di marketing stagionali con gli inventari dei prodotti, gli agenti di ricerca devono capire in che modo le email promozionali non strutturate sono correlate ai cataloghi dei prodotti strutturati e alle tabelle delle transazioni degli utenti. Knowledge Catalog mappa queste entità, consentendo ai modelli di suggerimento di consigliare prodotti pertinenti in tempo reale.

Produzione: ottimizza la manutenzione dei macchinari

I modelli di manutenzione predittiva richiedono l'integrazione di log dei componenti strutturati con guide di riparazione dei tecnici non strutturate e feed dei sensori in tempo reale. Mappando le relazioni tra i numeri di parte e i capitoli del manuale, Knowledge Catalog consente ai sistemi analitici di prevedere l'usura delle apparecchiature e di pianificare le riparazioni prima che si verifichino guasti.

Sanità: convalida i dati delle sperimentazioni cliniche

I centri di ricerca clinica devono verificare che le statistiche sui pazienti siano conformi a regole di studio rigorose e che i record di consenso dei pazienti siano mappati direttamente ai set di dati dei risultati dei trial. Knowledge Catalog mappa le relazioni di contesto per controllare le pipeline di consenso e avvisa i ricercatori di anomalie nei profili dei dati, contribuendo a preservare l'integrità della sperimentazione.

Servizi finanziari: valuta il rischio di credito

I modelli di sottoscrizione dei prestiti utilizzano l'affidabilità creditizia dei clienti, le cronologie delle transazioni e i saldi dei debiti attivi in sistemi di origine separati. Knowledge Catalog fornisce un grafico unificato delle metriche dei prestiti, consentendo agli strumenti di sottoscrizione di confermare che le analisi del rischio utilizzino asset certificati e conformi.

Telecomunicazioni: diagnostica le operazioni di rete

Gli agenti e i sistemi di gestione della rete autonomi analizzano i comportamenti dei segnali in tempo reale, rilevano i peggioramenti delle prestazioni e applicano azioni correttive di autoriparazione. Basando questi agenti sul contesto di Knowledge Catalog, i sistemi possono mappare in modo sicuro le relazioni tra i log tecnici e le aree dei servizi aziendali.

Passaggi successivi

Concetto

Scopri come orchestrare un contesto di informazioni aggiuntive, creare set di contesti e fare il grounding degli agenti AI utilizzando le interfacce di Knowledge Studio.

Concetto

Scopri i container di contesto pacchettizzati di Knowledge Studio utilizzati per eseguire il grounding in modo sicuro degli agenti AI downstream.

Concetto

Scopri come configurare workflow di estrazione dei metadati basati sull'AI per creare automaticamente il contesto dei dati.

Tutorial

Crea un glossario aziendale, definisci tipi di aspetti personalizzati e arricchisci gli asset in BigQuery.

Integrazione dell'AI

Scopri come il Model Context Protocol connette gli agenti agli strumenti e alle risorse di Knowledge Catalog.

Api

Estrai il contesto YAML o JSON preformattato e con budget di token per l'inserimento diretto dei prompt LLM.