Acerca del contexto de datos en Knowledge Catalog

El contexto de datos en Knowledge Catalog te permite unificar estructuras técnicas, reglas empresariales y patrones de uso del mundo real en una capa de contexto activa. Con Knowledge Catalog, tú y tus aplicaciones de IA pueden descubrir, evaluar e interpretar los recursos de datos de forma precisa y segura sin validación manual ni alucinaciones.

¿Qué es el contexto?

El contexto es el tejido enriquecido de detalles estructurales, operativos y semánticos que describen un recurso de datos. En lugar de representar una tabla como un esquema independiente de nombres y tipos de datos, el contexto proporciona la historia completa de tus datos.

Knowledge Catalog organiza el contexto en las siguientes capas:

  • Metadatos técnicos. Los detalles estructurales transferidos directamente desde los sistemas de origen, incluidos los esquemas de bases de datos, los tipos de campos, las claves de partición y las etiquetas de seguridad (como las políticas de Identity and Access Management [IAM]).

  • Metadatos semánticos. El significado empresarial de los datos, que incluye glosarios empresariales, relaciones de métricas, clasificaciones, terminología de dominio y consultas de referencia (preguntas en lenguaje natural verificadas asignadas a sentencias de código SQL correctas).

  • Metadatos operativos. El comportamiento y el estado de los datos a lo largo del tiempo, incluidos los perfiles de ejecución, las estadísticas de creación de perfiles y las puntuaciones de calidad de los datos.

  • Relaciones. Los vínculos inferidos o definidos entre las tablas de almacenamiento subyacentes y los indicadores empresariales conceptuales.

  • Indicadores de confianza. Indicadores de verificación, como sellos de propiedad y certificación, que verifican si un recurso es una fuente confiable

  • Orientación para agentes. Descripciones no estructuradas (como archivos README, notas de uso y registros de ejecución) que guían a las herramientas autónomas sobre cómo y cuándo consultar un recurso.

Al unificar estas capas, Knowledge Catalog ayuda a garantizar que tus datos se comprendan por completo, lo que te ayuda a evitar los cuellos de botella operativos y la incertidumbre asociados con los datos aislados y no documentados.

En qué se diferencia el contexto de los datos de los metadatos

Si bien los metadatos proporcionan los componentes básicos, los metadatos y el contexto no son intercambiables:

  • Metadatos. Son atributos descriptivos que definen la estructura subyacente, la ubicación y las propiedades técnicas de un recurso de datos aislado (por ejemplo, nombres de columnas, tipos de datos, claves de partición y tamaños de tablas).
  • Context. Es el gráfico de conocimiento multidimensional sintetizado que combina esquemas técnicos, semántica empresarial, relaciones de datos, comportamiento operativo y señales de confianza para dar significado a los datos y guiar el razonamiento.

Knowledge Catalog realiza la transición de la administración de metadatos de un catálogo pasivo a un plano de control dinámico de contexto activo. En la siguiente tabla, se destacan las diferencias clave entre los metadatos pasivos y el contexto de datos activos:

Dimensión Metadatos técnicos Contexto de datos activo
Enfoque principal Especificaciones subyacentes y formato de almacenamiento. Significado empresarial, comportamiento operativo y relaciones.
Estado Pasivo: Se almacena en registros de catálogo para que los ingenieros realicen búsquedas manuales. Activa: Se enriquece continuamente con IA, se extrae de los historiales de consultas y se ensambla de forma dinámica para las instrucciones de LLM.
Consumidores principales Motores de bases de datos, ingenieros de datos y auditores de cumplimiento. Agentes de IA, modelos de lenguaje grandes (LLM), analistas de negocios e interfaces conversacionales.
Propósito principal Administración del almacenamiento, indexación y verificación del cumplimiento Fundamentar el razonamiento del agente, resolver uniones y evitar alucinaciones.

Ejemplo: Metadatos en comparación con el contexto

Para comprender cómo el contexto expande los metadatos técnicos, considera cómo Knowledge Catalog representa una columna de transacciones:

Solo metadatos técnicos

Los metadatos técnicos proporcionan información estructural, pero carecen de lógica empresarial y lineamientos operativos:

  • Tabla: fact_orders
  • Columna: disc_val
  • Tipo de datos: NUMERIC
  • Propiedades de almacenamiento: Particionado por order_date

Un agente de IA que use solo estos metadatos técnicos podría adivinar que disc_val representa los descuentos totales de los clientes, pero no puede determinar si ese valor incluye impuestos, reembolsos del fabricante o cupones promocionales.

Contexto de datos enriquecido

Knowledge Catalog enriquece los metadatos técnicos con capas semánticas, relacionales y operativas en una carga útil de contexto unificada:

  • Esquema técnico: fact_orders.disc_val (NUMERIC).
  • Definición semántica: Se asigna al término del glosario empresarial "Descuento promocional", que se define como los descuentos para clientes que se aplican en la confirmación de la compra, sin incluir los reembolsos del fabricante ni las asignaciones de envío.
  • Relaciones descubiertas: Vincula automáticamente fact_orders.customer_id con dim_customers.id y fact_orders.promo_id con dim_promotions.id.
  • Uso operativo: El historial de consultas revela que el 90% de las consultas empresariales filtran esta tabla por status = 'COMPLETED' y la unen con dim_promotions.
  • Confianza y calidad: Se calificó con una puntuación de validez del 99.8% según los análisis automatizados de calidad de los datos, con una actualidad de los datos verificada en las últimas 2 horas.
  • Consulta de referencia: Incluye una plantilla de SQL verificada que demuestra cómo calcular los ingresos netos reconocidos con disc_val.

Con este contexto completo, un agente de IA o un analista de datos puede generar consultas y, además, interpretar datos con precisión sin validación humana manual ni alucinaciones.

Los desafíos de usar datos sin contexto

En un patrimonio de datos distribuido, los datos sin procesar y sin contexto rara vez son suficientes para resolver un problema empresarial. Cuando las bases de datos estructuradas, los registros no estructurados y las métricas analíticas carecen de significado empresarial, los usuarios y los sistemas autónomos se enfrentan a un límite de contexto que dificulta el descubrimiento, la confianza o la puesta en marcha de los datos para la IA. Los analistas humanos deben realizar una validación manual para verificar las fuentes de datos, mientras que los agentes de IA suelen generar respuestas imprecisas (alucinaciones) o no ejecutar acciones.

Sin un contexto estructurado, las organizaciones enfrentan varios cuellos de botella operativos:

  • Trabajo repetitivo de colaboración. La falta de definiciones empresariales claras obliga a los equipos de análisis y de IA a realizar ciclos de coordinación manuales y continuos con expertos en la materia (SME) para comprender de forma básica las tablas.

  • Desvío de contexto. La documentación estándar permanece estática y se deteriora con el tiempo. Sin una supervisión continua, los metadatos desactualizados generan suposiciones incorrectas y flujos de trabajo de agentes de IA interrumpidos.

  • Fallas de razonamiento. Los agentes de IA y los modelos de lenguaje grandes pueden generar consultas en SQL sintácticamente correctas, pero no respetar la lógica empresarial subyacente, lo que genera cálculos incorrectos desde una perspectiva empresarial.

  • Información aislada. El conocimiento interno sobre cómo filtrar o unir conjuntos de datos de forma correcta permanece atrapado en secuencias de comandos o configuraciones de paneles no documentados, en lugar de registrarse en un inventario centralizado.

Para superar estos cuellos de botella operativos y hacer que los datos sean prácticos, las organizaciones necesitan un motor contextual confiable en todo su patrimonio de datos.

Pilares fundamentales de la administración de contexto

Para mantener este motor contextual confiable en todo tu patrimonio de datos, Knowledge Catalog opera en tres pilares:

Agregación

Knowledge Catalog recopila automáticamente metadatos de tus bases de datos integradas, catálogos de Iceberg REST y plataformas de terceros. Consolida estas entradas fragmentadas en una sola zona de administración unificada, lo que ayuda a garantizar que las políticas de seguridad y las definiciones de clasificación se hereden de manera coherente.

Enriquecimiento

Con las interfaces de Knowledge Studio, los administradores de datos y los ingenieros de contexto pueden actualizar y seleccionar de forma continua conjuntos de contexto específicos dentro del gráfico de contexto general. Knowledge Catalog extrae automáticamente los registros de transacciones, los esquemas de bases de datos y los modelos de inteligencia empresarial para descubrir las descripciones de las columnas y las relaciones de las tablas. A través de la interfaz de Knowledge Studio, este aprendizaje continuo permite que los revisores humanos capturen su conocimiento institucional y lo apliquen a tus recursos de forma dinámica.

Búsqueda y recuperación

Knowledge Catalog proporciona una búsqueda semántica de alta precisión que te permite consultar tu patrimonio de datos en lenguaje natural. Debido a que Knowledge Catalog comprende los grupos de permisos (LCA) y la terminología empresarial, tanto los usuarios como los agentes autónomos pueden ubicar el contexto de los datos relevantes con baja latencia.

Cómo se ingresan los metadatos y el contexto en Knowledge Catalog

Para crear un motor contextual confiable, Knowledge Catalog ingiere y selecciona información a través de conectores de plataforma automatizados, enriquecimiento continuo con IA y, además, interfaces personalizadas extensibles.

Fuentes de datos propios y recopilación automatizada

Knowledge Catalog recopila automáticamente los metadatos estructurales y operativos de los servicios principales de Google Cloud sin necesidad de realizar una configuración manual:

  • Bases de datos y almacenes analíticos. Los servicios como BigQuery, Spanner, Cloud SQL y AlloyDB para PostgreSQL sincronizan continuamente los metadatos técnicos, incluidos los esquemas de tablas, los tipos de datos de campos, las claves de partición, las especificaciones de agrupamiento en clústeres y los límites de los conjuntos de datos.

  • Sincronización semántica de IE lista para usar. En el caso de Looker ( Google Cloud básico), Knowledge Catalog sincroniza automáticamente los recursos de inteligencia empresarial:

    • Definiciones semánticas de LookML Modelos, exploraciones, vistas, dimensiones y mediciones.
    • Recursos del panel de IE. Paneles, elementos de paneles y vistas.

  • Integración y transformaciones de datos. Los servicios como Datastream capturan los metadatos de transmisión de la captura de datos modificados (CDC), Dataform envía definiciones de tablas y transformaciones de SQL, y Cortex Framework publica productos de datos registrados.

Selección continua de contexto impulsada por IA

Más allá de los esquemas técnicos estáticos, Knowledge Catalog actualiza de forma dinámica su gráfico de contexto con motores de inteligencia integrados:

  • Estadísticas de datos. Con la tecnología de Gemini en BigQuery, las estadísticas de datos extraen registros de consultas históricos, transacciones de usuarios y patrones de esquemas para generar descripciones de columnas en lenguaje natural, descubrir relaciones entre tablas (como claves de unión) y proponer consultas de ejemplo verificadas ("consultas de referencia") que capturan la lógica empresarial. Para obtener más información, consulta Acerca de las estadísticas de datos para datos estructurados.
  • Creación de perfiles y calidad de los datos automatizadas. Los análisis calculan las distribuciones estadísticas (como recuentos distintos, proporciones nulas y valores de muestra) y evalúan los datos en función de las verificaciones de calidad de los datos basadas en reglas, lo que adjunta puntuaciones de estado en vivo a las entradas del catálogo. Para obtener más información, consulta Acerca de la calidad de los datos automáticos.

Selección con intervención humana con Knowledge Studio

Para controlar y organizar el gráfico de contexto activo, los usuarios operan dentro de Knowledge Studio. Esta interfaz proporciona el centro principal para lo siguiente:

  • Conjuntos de contextos. Agrupar tablas relacionadas, documentos no estructurados y glosarios en paquetes unificados que estén listos para que los consuman los agentes de IA
  • Flujos de trabajo de enriquecimiento. Revisar las descripciones de columnas sugeridas por la IA, aplicar asignaciones de glosarios empresariales y certificar manualmente los recursos como autorizados. Para obtener más información, consulta Administra ejecuciones de enriquecimiento.
  • Organización del entorno. Garantizar que los diferentes equipos de dominio (como Finanzas o Ingeniería) tengan sus propias áreas aisladas para administrar las reglas semánticas.

Para obtener más información, consulta Enriquece el contexto con Knowledge Studio.

Transferencia de metadatos personalizados y sistemas de terceros

Para las organizaciones con bases de conocimiento personalizadas, herramientas de administración de terceros o sistemas locales, Knowledge Catalog proporciona mecanismos de transferencia flexibles:

  • APIs de Knowledge Catalog (operaciones CRUD). Usa los métodos de la API de CreateEntry, UpdateEntry y CreateAspectType para registrar de forma programática recursos externos y adjuntar aspectos de metadatos personalizados (como calificaciones de cumplimiento o documentación del sistema).
  • Agentes de enriquecimiento personalizados. Usa frameworks de agentes, como el Kit de desarrollo de agentes (ADK) o LangChain, para crear agentes de enriquecimiento personalizados. Por ejemplo, un agente del ADK puede transferir documentación técnica de wikis internas o repositorios de Git, usar un LLM para analizarlos y convertirlos en términos de glosario empresarial estandarizados, y adjuntarlos a las entradas del catálogo. Para obtener más información, consulta Crea un agente de IA para enriquecer los metadatos.
  • Operaciones de importación y exportación. Usa flujos de trabajo de importación y exportación masiva basados en archivos (JSON o CSV) para revisar las definiciones empresariales generadas por IA, colaborar con los administradores de datos y actualizar los metadatos por lotes. Para obtener más información, consulta Exporta metadatos.

Cómo se consume el contexto en los servicios de origen y de terceros

Los servicios y las aplicaciones interactúan con Knowledge Catalog en dos roles distintos:

  • Proveedores de metadatos. Servicios que envían metadatos técnicos, esquemas y definiciones de LookML a Knowledge Catalog (por ejemplo, Looker, Cloud SQL y Spanner). Los proveedores de metadatos envían metadatos al catálogo, pero no necesariamente consumen definiciones del glosario empresarial en sus propias interfaces de usuario.
  • Consumidores de contexto. Son servicios, herramientas para desarrolladores y agentes de IA que recuperan definiciones empresariales, perfiles operativos y reglas de administración de Knowledge Catalog para fundamentar su razonamiento y ejecución.

Antes de que las aplicaciones y los agentes puedan consumir contexto, debes establecer términos empresariales y reglas de calidad fundamentales. Para obtener más información, consulta Establece el contexto de los datos fundamentales y Crea un flujo de trabajo de calidad de los datos de política como código.

Las aplicaciones y los servicios de IA consumen contexto de Knowledge Catalog a través de los siguientes mecanismos:

Integraciones propias (1P) incorporadas

Varios servicios de Google Cloud consultan de forma nativa Knowledge Catalog para proporcionar experiencias de IA que tienen en cuenta el contexto:

  • Gemini en BigQuery (agente conversacional). Cuando ingresas instrucciones en lenguaje natural en BigQuery Studio, Gemini consulta automáticamente las definiciones del glosario empresarial de Knowledge Catalog, las descripciones de las columnas y las relaciones de consultas históricas en segundo plano. Esto fundamenta a Gemini en la terminología empresarial, lo que garantiza que las consultas en SQL generadas usen las uniones de tablas y las definiciones de métricas correctas.
  • Agente de ingeniería de datos en BigQuery. Descubre y consulta tablas de Apache Iceberg y BigQuery, invoca automáticamente búsquedas de catálogos semánticos para resolver dependencias de recursos y genera metadatos de catálogo durante la ejecución de la canalización.
  • Gemini y Agent Builder. Los agentes de IA generativa y las aplicaciones de búsqueda personalizados creados en Gemini usan metadatos de catálogo y reglas empresariales para fundamentar el razonamiento del modelo en hechos empresariales verificados.
  • Consola deGoogle Cloud y la IU de Business. Los usuarios finales y los administradores de datos exploran los recursos con la búsqueda semántica en lenguaje natural, ven gráficos interactivos de relaciones de datos y administran glosarios empresariales.

Aplicaciones de terceros y ecosistemas de agentes de IA

Los servicios y los sistemas autónomos sin integraciones integradas consumen contexto a través de protocolos abiertos y APIs de recuperación dedicadas:

Protocolo de contexto del modelo (MCP)

El Protocolo de contexto del modelo (MCP) es un estándar abierto que permite que los agentes de IA, las herramientas para desarrolladores y los IDE se conecten directamente a las herramientas de Knowledge Catalog. El MCP proporciona una interfaz estandarizada para inspeccionar esquemas de tablas, buscar definiciones de glosario y verificar las puntuaciones de calidad de los datos.

Knowledge Catalog admite dos opciones de implementación de MCP:

  • Servidor de MCP remoto. Un extremo administrado alojado por Google Cloud (o implementado en Cloud Run) para agentes nativos de la nube, flujos de trabajo sin servidores y plataformas de varios agentes. Para obtener más información, consulta Usa el servidor de MCP remoto de Knowledge Catalog.
  • Local MCP Toolbox. Un proxy de CLI local que se integra en los IDE de desarrolladores (como VS Code y Cursor) y los flujos de trabajo de desarrollo locales. Para obtener más información, consulta Usa Knowledge Catalog con un servidor local de MCP Toolbox.

Recupera el contexto con formato previo con la API de LookupContext

Para las canalizaciones de IA personalizadas y las aplicaciones de LLM, Knowledge Catalog proporciona el método de la API LookupContext.

En lugar de requerir que un agente realice varias llamadas secuenciales para inspeccionar esquemas, buscar términos del glosario, recuperar puntuaciones de calidad de los datos y, además, inspeccionar registros de consultas, el método LookupContext recupera un paquete unificado y con formato previo de metadatos enriquecidos en una sola solicitud.

Estas son algunas de las funciones clave del método LookupContext:

  • Formatos listos para LLM. Devuelve el contexto con el formato yaml (predeterminado), json o xml, diseñado para la inserción directa en las instrucciones del sistema del LLM.
  • Asignación de presupuesto de tokens (context_budget). Te permite especificar un presupuesto de caracteres objetivo. Este es un presupuesto flexible, lo que significa que la API trunca y prioriza de forma inteligente los metadatos para intentar ajustarse a la ventana de contexto de tu modelo, pero no garantiza que se mantenga estrictamente por debajo del límite.
  • Vistas de contexto configurables.
    • BASIC. Devuelve metadatos de entrada fundamentales, esquemas, descripciones de columnas, texto de descripción general y lineamientos del agente.
    • ESTÁNDAR. Además de los metadatos básicos, recorre el gráfico de contexto para incluir relaciones de unión de varias tablas, términos y sinónimos del glosario empresarial adjunto y consultas de muestra verificadas.
  • Uniones descubiertas y consultas de referencia. Incluye condiciones de unión de tablas inferidas (por ejemplo, orders.customer_id = customers.id) y consultas en SQL de ejemplo verificadas.

Para obtener más información, consulta Recupera el contexto de los recursos de datos y la referencia de REST de lookupContext.

Cómo el contexto ayuda a los usuarios finales y a los agentes de IA

Knowledge Catalog proporciona un contexto universal dentro de su nube de datos con agentes unificando esquemas técnicos, semántica empresarial y métricas de calidad en una capa de contexto activa. Exponiendo estos metadatos a través de interfaces abiertas, como el Protocolo de contexto del modelo (MCP), las APIs de recuperación de contexto y la búsqueda semántica, Knowledge Catalog ayuda tanto a los usuarios como a los sistemas autónomos.

Elimina el trabajo manual de confianza para los usuarios

Sin una capa semántica centralizada, debes investigar las bases de datos subyacentes y los historiales de consultas para responder preguntas empresariales básicas. Los catálogos estándar actúan como inventarios pasivos de esquemas, lo que requiere que busques manualmente las definiciones de las métricas o verifiques la limpieza de las tablas.

Knowledge Catalog convierte esta administración pasiva en inteligencia activa. Con la presentación de puntuaciones de calidad, descripciones semánticas y advertencias de uso directamente junto con los recursos de datos, Knowledge Catalog te permite confiar en los datos y usarlos sin esperar las revisiones de ingeniería.

Conecta a tierra los agentes autónomos y habilita la administración dinámica

Los agentes de IA y los modelos de lenguaje grandes (LLM) requieren reglas estrictas y determinísticas para interactuar con las bases de datos. Sin un contexto semántico explícito, los agentes hacen suposiciones incorrectas sobre los nombres de las columnas o generan consultas en SQL defectuosas.

Además, el contexto activo transiciona la administración de metadatos de un registro pasivo a una capa de administración activa. Si definen reglas de negocio, métricas e instrucciones para agentes verificadas directamente en Knowledge Catalog, las organizaciones pueden controlar cómo los agentes recuperan, evalúan y usan los datos corporativos.

Knowledge Catalog resuelve esta brecha. Exporta perfiles de contexto activo unificados a tus aplicaciones de IA a través de interfaces estándar, como el Protocolo de contexto del modelo (MCP) o la API de LookupContext. Basar tus modelos en estos metadatos minimiza las alucinaciones, aplica reglas de administración y ayuda a garantizar que las acciones autónomas se basen en la verdad verificada de la organización.

Cómo las aplicaciones de IA consumen conjuntos de contexto

Gemini Enterprise y otras aplicaciones de IA consumen conjuntos de contexto a través de dos patrones principales:

  • Descubrimiento dinámico de contexto con la búsqueda semántica: En entornos de análisis conversacionales o de autoservicio, los usuarios hacen preguntas ad hoc en lenguaje natural (por ejemplo, ¿Cuál fue nuestra tasa de retención neta trimestral en las cuentas empresariales?). Cuando un usuario envía una instrucción, el agente emite una consulta de búsqueda semántica en Knowledge Catalog para ubicar el conjunto de contexto más relevante que coincida con el dominio de la pregunta. El agente inserta el contexto recuperado en la instrucción activa, lo que le permite generar consultas en SQL precisas en el almacén de datos subyacente.

  • Conjuntos de contexto preconfigurados para aplicaciones dedicadas: Puedes preconfigurar un agente con una referencia de conjunto de contexto explícita proporcionando su URI de recurso durante la configuración. La vinculación de un conjunto de contexto dedicado proporciona una base determinística, lo que garantiza que todas las interacciones futuras usen de forma coherente las definiciones empresariales certificadas, sin sobrecarga de búsqueda en el entorno de ejecución. Debido a que las tareas de enriquecimiento recurrentes perfeccionan el conjunto de contexto con el tiempo, la aplicación downstream hereda automáticamente estas mejoras de calidad sin necesidad de volver a preguntar de forma manual ni volver a implementar la aplicación.

Knowledge Catalog minimiza las alucinaciones y aplica reglas de administración exportando perfiles de contexto activos unificados a tus aplicaciones de IA a través de interfaces estándar, como el Protocolo de contexto del modelo (MCP) o la API de LookupContext.

Coordinar flujos de trabajo multiagente con contexto compartido

En un framework multiagente (o enjambre), agentes especializados independientes colaboran para ejecutar flujos de trabajo complejos. Cuando estos agentes operan en entornos aislados sin un plano de contexto compartido, se enfrentan a un límite de contexto: pueden usar reglas empresariales en conflicto, no encontrar dependencias relevantes o duplicar el esfuerzo de recuperación.

Usar Knowledge Catalog como un registro de contexto centralizado te ayuda a coordinar y escalar enjambres de múltiples agentes. Fundamentar tu enjambre en Knowledge Catalog ofrece los siguientes beneficios:

  • Semántica empresarial compartida. Todos los agentes hacen referencia a los mismos significados y definiciones empresariales. Por ejemplo, si un agente de análisis de datos y un agente de informes recuperan una tabla que contiene cifras de ventas, usan la misma definición del glosario de una métrica como Gross Merchandise Value (GMV) para ayudar a garantizar la coherencia.

  • Resolución dinámica de dependencias. Los agentes pueden usar las relaciones de contexto para descubrir recursos ascendentes y descendentes de manera programática. Esto permite que un agente de solución de problemas de canalización rastree una falla de datos hasta su tabla de origen y asigne la tarea a un agente de reparación sin codificar reglas de dependencia.

  • Interfaz de conexión unificada. Con el Protocolo de contexto del modelo (MCP), expones un solo extremo semántico a todo el enjambre. Esto elimina la necesidad de configurar integraciones de APIs personalizadas para cada agente individual.

  • Gobernanza de seguridad a nivel del perímetro. Knowledge Catalog verifica las consultas de los agentes con los roles de IAM preconfigurados. Esto ayuda a garantizar que los agentes recuperen solo el contexto de los recursos al que tienen autorización explícita para acceder, lo que evita la exposición accidental de datos en todo el enjambre.

Casos de uso para usar el contexto de datos

Para comprender cómo el contexto de los datos resuelve las consultas complejas, considera cómo Knowledge Catalog aplica capas técnicas, semánticas y operativas en la práctica:

Comercio electrónico: Personaliza las recomendaciones de búsqueda

Para alinear las campañas de marketing de temporada con los inventarios de productos, los agentes de búsqueda deben comprender cómo se relacionan los correos electrónicos promocionales no estructurados con los catálogos de productos estructurados y las tablas de transacciones de los usuarios. Knowledge Catalog asigna estas entidades, lo que permite que los modelos de recomendación sugieran productos relevantes en tiempo real.

Fabricación: Optimiza el mantenimiento de la maquinaria

Los modelos de mantenimiento predictivo requieren integrar registros de piezas estructurados con guías de reparación de técnicos no estructuradas y feeds de sensores en vivo. Asignando relaciones entre números de pieza y capítulos de manuales, Knowledge Catalog permite que los sistemas analíticos predigan el desgaste de los equipos y programen reparaciones antes de que se produzcan fallas.

Atención médica: Valida los datos de ensayos clínicos

Los centros de investigación clínica deben verificar que las estadísticas de los pacientes cumplan con las reglas estrictas del estudio y que los registros de consentimiento de los pacientes se asignen directamente a los conjuntos de datos de los resultados de los ensayos. Knowledge Catalog asigna relaciones de contexto para auditar las canalizaciones de consentimiento y alerta a los investigadores sobre anomalías en los perfiles de datos, lo que ayuda a preservar la integridad de los ensayos.

Servicios financieros: Evalúa el riesgo crediticio

Los modelos de suscripción de préstamos usan las calificaciones crediticias de los clientes, los historiales de transacciones y los saldos de deudas activas en sistemas de origen independientes. Knowledge Catalog proporciona un gráfico unificado de las métricas de préstamos, lo que permite que las herramientas de suscripción confirmen que las evaluaciones de riesgos usan activos certificados y que cumplen con las normativas.

Telecomunicaciones: Diagnostica las operaciones de red

Los sistemas y agentes de administración de redes autónomos analizan los comportamientos de las señales en tiempo real, detectan las disminuciones del rendimiento y aplican medidas correctivas de autorreparación. Cuando se basan estos agentes en el contexto de Knowledge Catalog, los sistemas pueden asignar de forma segura las relaciones entre los registros técnicos y las áreas de servicios empresariales.

¿Qué sigue?

Concepto

Aprende a organizar el contexto de datos enriquecidos, crear conjuntos de contexto y fundamentar agentes de IA con las interfaces de Knowledge Studio.

Concepto

Obtén información sobre los contenedores de contexto empaquetados de Knowledge Studio que se usan para fundamentar de forma segura tus agentes de IA downstream.

Concepto

Aprende a configurar flujos de trabajo de extracción de metadatos basados en IA para crear contexto de datos automáticamente.

Instructivo

Crear un glosario empresarial, definir tipos de aspectos personalizados y enriquecer los recursos en BigQuery

Integración de la IA

Obtén información sobre cómo el Protocolo de contexto del modelo conecta a los agentes con las herramientas y los recursos de Knowledge Catalog.

API

Extrae contexto en formato YAML o JSON con un presupuesto de tokens para la inyección directa de instrucciones en LLM.