Sobre o contexto de dados no Knowledge Catalog

O contexto de dados no Knowledge Catalog permite unificar estruturas técnicas, regras de negócios e padrões de uso do mundo real em uma camada de contexto ativa. Com o Knowledge Catalog, você e seus aplicativos de IA podem descobrir, avaliar e interpretar recursos de dados com precisão e segurança, sem validação manual ou alucinações.

O que é contexto?

O contexto é a estrutura avançada de detalhes estruturais, operacionais e semânticos que descreve um recurso de dados. Em vez de representar uma tabela como um esquema independente de nomes e tipos de dados, o contexto fornece a história completa dos seus dados.

O Knowledge Catalog organiza o contexto nas seguintes camadas:

  • Metadados técnicos. Os detalhes estruturais ingeridos diretamente dos sistemas de origem, incluindo esquemas de banco de dados, tipos de campo, chaves de particionamento e tags de segurança (como políticas do Identity and Access Management (IAM)).

  • Metadados semânticos. O significado comercial dos dados, que inclui glossários empresariais, relações de métricas, classificações, terminologia de domínio e consultas de ouro (perguntas em linguagem natural verificadas mapeadas para as instruções de código SQL corretas).

  • Metadados operacionais. O comportamento e a integridade dos dados ao longo do tempo, incluindo perfis de execução, estatísticas de criação de perfil e pontuações de qualidade de dados.

  • Relacionamentos. Os links inferidos ou definidos entre as tabelas de armazenamento subjacentes e os indicadores de negócios conceituais.

  • Indicadores de confiança. Indicadores de verificação, como selos de propriedade e certificação, que confirmam se um recurso é uma fonte confiável.

  • Orientação do agente. Descrições não estruturadas (como arquivos README, notas de uso e registros de execução) que orientam as ferramentas autônomas sobre como e quando consultar um recurso.

Ao unificar essas camadas, o Knowledge Catalog ajuda a garantir que seus dados sejam totalmente compreendidos, ajudando a evitar os gargalos operacionais e a incerteza associados a dados isolados e não documentados.

Como o contexto de dados é diferente dos metadados

Embora os metadados forneçam os elementos básicos, metadados e contexto não são intercambiáveis:

  • Metadados. Atributos descritivos que definem a estrutura, o local e as propriedades técnicas de um recurso de dados isolado (por exemplo, nomes de colunas, tipos de dados, chaves de partição e tamanhos de tabela).
  • Context. O mapa de informações multidimensional sintetizado que combina esquemas técnicos, semântica de negócios, relações de dados, comportamento operacional e indicadores de confiança para dar significado aos dados e orientar o raciocínio.

O Knowledge Catalog faz a transição do gerenciamento de metadados de um catálogo passivo para um plano de controle dinâmico de contexto ativo. A tabela a seguir destaca as principais diferenças entre os metadados passivos e o contexto de dados ativos:

Dimensão Metadados técnicos Contexto de dados ativo
Foco principal Especificações e formato de armazenamento subjacentes. Significado comercial, comportamento operacional e relacionamentos.
Estado Passivo: armazenado em registros de catálogo para pesquisa manual por engenheiros. Ativo: continuamente enriquecido por IA, extraído de históricos de consultas e montado dinamicamente para comandos de LLM.
Consumidores primários Mecanismos de banco de dados, engenheiros de dados e auditores de compliance. Agentes de IA, modelos de linguagem grandes (LLMs), analistas de negócios e interfaces de conversação.
Finalidade principal Gerenciamento de armazenamento, indexação e verificação de compliance. Embasar o raciocínio do agente, resolver mesclagens e evitar alucinações.

Exemplo: metadados em comparação com o contexto

Para entender como o contexto expande os metadados técnicos, considere como o Knowledge Catalog representa uma coluna de transação:

Os metadados técnicos por si só

Os metadados técnicos fornecem informações estruturais, mas não têm lógica de negócios e diretrizes operacionais:

  • Tabela: fact_orders
  • Coluna: disc_val
  • Tipo de dados: NUMERIC
  • Propriedades de armazenamento: particionadas por order_date

Um agente de IA que usa apenas esses metadados técnicos pode adivinhar que disc_val representa o total de descontos do cliente, mas não pode determinar se esse valor inclui impostos, reembolsos do fabricante ou cupons promocionais.

Contexto de dados enriquecido

O Knowledge Catalog enriquece os metadados técnicos com camadas semânticas, relacionais e operacionais em um payload de contexto unificado:

  • Esquema técnico: fact_orders.disc_val (NUMERIC).
  • Definição semântica: mapeada para o termo do glossário empresarial "Desconto promocional", definido como descontos para clientes aplicados na finalização da compra, excluindo reembolsos do fabricante e descontos de frete.
  • Relacionamentos descobertos: vincula automaticamente fact_orders.customer_id a dim_customers.id e fact_orders.promo_id a dim_promotions.id.
  • Uso operacional: o histórico de consultas revela que 90% das consultas de negócios filtram essa tabela por status = 'COMPLETED' e a mesclam com dim_promotions.
  • Confiança e qualidade: pontuação de 99,8% de validade em verificações automatizadas de qualidade de dados, com atualização de dados verificada nas últimas 2 horas.
  • Consulta de ouro: inclui um modelo SQL verificado que demonstra como calcular a receita líquida reconhecida usando disc_val.

Com esse contexto completo, um agente de IA ou analista de dados pode gerar consultas com precisão e interpretar dados sem validação humana manual ou alucinações.

Os desafios de usar dados sem contexto

Em um patrimônio de dados distribuído, dados brutos sem contexto raramente são suficientes para resolver um problema de negócios. Quando bancos de dados estruturados, registros não estruturados e métricas analíticas não têm significado comercial, os usuários e os sistemas autônomos enfrentam um limite de contexto que dificulta a descoberta, a confiança ou a operacionalização dos dados para a IA. Os analistas humanos precisam realizar a validação manual para verificar as fontes de dados, enquanto os agentes de IA geralmente geram respostas imprecisas (alucinações) ou não executam ações.

Sem um contexto estruturado, as organizações enfrentam vários gargalos operacionais:

  • Trabalho de colaboração. A falta de definições de negócios claras força as equipes de análise e IA a realizar ciclos contínuos e manuais de coordenação com especialistas no assunto (SMEs, na sigla em inglês) para entender o básico das tabelas.

  • Desvio de contexto. A documentação padrão permanece estática e se deteriora com o tempo. Sem monitoramento contínuo, metadados desatualizados levam a suposições incorretas e fluxos de trabalho de agentes de IA corrompidos.

  • Falhas de raciocínio. Os agentes de IA e os modelos de linguagem grandes podem gerar consultas SQL sintaticamente corretas, mas não respeitam a lógica empresarial subjacente, gerando cálculos incorretos do ponto de vista dos negócios.

  • Informações em silos. O conhecimento interno sobre como filtrar ou mesclar conjuntos de dados corretamente fica preso em scripts não documentados ou configurações de painel, em vez de ser registrado em um inventário centralizado.

Para superar esses gargalos operacionais e tornar os dados acionáveis, as organizações precisam de um mecanismo contextual confiável em todo o patrimônio de dados.

Pilares do gerenciamento de contexto

Para manter esse mecanismo de contexto confiável em todo o seu patrimônio de dados, o Knowledge Catalog opera em três pilares:

Agregação

O Knowledge Catalog coleta automaticamente metadados de bancos de dados integrados, catálogos REST do Iceberg e plataformas de terceiros. Ele consolida essas entradas fragmentadas em uma única zona unificada de governança, ajudando a garantir que as políticas de segurança e as definições de classificação sejam herdadas de forma consistente.

Aprimoramento

Usando as interfaces do Knowledge Studio, os administradores de dados e os engenheiros de contexto podem atualizar e organizar continuamente conjuntos de contexto específicos no gráfico de contexto geral. O Knowledge Catalog extrai automaticamente registros de transações, esquemas de banco de dados e modelos de Business Intelligence para descobrir descrições de colunas e relações de tabelas. Com a interface do Knowledge Studio, esse aprendizado contínuo permite que os revisores humanos capturem o conhecimento institucional e o apliquem aos seus recursos de forma dinâmica.

Pesquisa e recuperação

O Knowledge Catalog oferece pesquisa semântica de alta precisão que permite consultar sua propriedade de dados em linguagem natural. Como o Knowledge Catalog entende grupos de permissões (ACLs) e terminologia de negócios, tanto os usuários quanto os agentes autônomos podem localizar o contexto de dados relevante com baixa latência.

Como os metadados e o contexto são inseridos no Knowledge Catalog

Para criar um mecanismo contextual confiável, o Knowledge Catalog ingere e organiza informações usando conectores de plataforma automatizados, enriquecimento contínuo de IA e interfaces personalizadas extensíveis.

Fontes de dados próprios e coleta automatizada

O Knowledge Catalog coleta automaticamente metadados estruturais e operacionais dos principais serviços do Google Cloud sem exigir configuração manual:

  • Bancos de dados e warehouses analíticos. Serviços como BigQuery, Spanner, Cloud SQL e AlloyDB para PostgreSQL sincronizam continuamente metadados técnicos, incluindo esquemas de tabela, tipos de dados de campo, chaves de particionamento, especificações de clustering e limites de conjuntos de dados.

  • Sincronização semântica de BI pronta para uso. Para o Looker ( Google Cloud core), o Knowledge Catalog sincroniza automaticamente os recursos de Business Intelligence:

    • Definições semânticas do LookML. Modelos, Análises, visualizações, dimensões e medições.
    • Recursos do painel de BI. Dashboards, elementos do dashboard e Looks.

  • Integração de dados e transformações. Serviços como o Datastream capturam metadados de stream de captura de dados alterados (CDC), o Dataform envia definições de tabela e transformações SQL, e o Cortex Framework publica produtos de dados registrados.

Curadoria contínua de contexto com tecnologia de IA

Além dos esquemas técnicos estáticos, o Knowledge Catalog atualiza dinamicamente o gráfico de contexto usando mecanismos de inteligência integrados:

  • Insights de dados: Com tecnologia do Gemini no BigQuery, os insights de dados analisam registros de consultas históricos, transações de usuários e padrões de esquema para gerar descrições de colunas em linguagem natural, descobrir relações entre tabelas (como chaves de mesclagem) e propor consultas de exemplo verificadas ("consultas de ouro") que capturam a lógica empresarial. Para mais informações, consulte Sobre insights de dados para dados estruturados.
  • Criação de perfil de dados e qualidade de dados automatizadas. As verificações calculam distribuições estatísticas (como contagens distintas, proporções nulas e valores de amostra) e avaliam os dados em relação a verificações de qualidade de dados baseadas em regras, anexando pontuações de integridade em tempo real às entradas do catálogo. Para mais informações, consulte Sobre a qualidade de dados automática.

Curadoria human-in-the-loop com o Knowledge Studio

Para controlar e organizar o gráfico de contexto ativo, os usuários operam no Knowledge Studio. Essa interface é o centro principal para:

  • Conjuntos de contexto. Agrupar tabelas relacionadas, documentos não estruturados e glossários em pacotes unificados que estão prontos para consumo pelo agente de IA.
  • Fluxos de trabalho de aprimoramento. Revisar as descrições de colunas sugeridas pela IA, aplicar mapeamentos de glossário empresarial e certificar manualmente os recursos como autoritativos. Para mais informações, consulte Gerenciar execuções de enriquecimento.
  • Organização do ambiente. Garantir que diferentes equipes de domínio (como Finanças ou Engenharia) tenham as próprias áreas isoladas para gerenciar regras semânticas.

Para mais informações, consulte Enriquecer o contexto com o Knowledge Studio.

Ingestão de metadados personalizados e sistemas de terceiros

Para organizações com bases de conhecimento personalizadas, ferramentas de governança de terceiros ou sistemas locais, o Knowledge Catalog oferece mecanismos de ingestão flexíveis:

  • APIs do Knowledge Catalog (operações CRUD). Use os métodos de API CreateEntry, UpdateEntry e CreateAspectType para registrar recursos externos de maneira programática e anexar aspectos de metadados personalizados, como classificações de conformidade ou documentação do sistema.
  • Agentes de enriquecimento personalizados. Use frameworks de agentes, como o Kit de Desenvolvimento de Agente (ADK) ou o LangChain, para criar agentes de enriquecimento personalizados. Por exemplo, um agente do ADK pode ingerir documentação técnica de wikis internos ou repositórios Git, usar um LLM para analisá-los em termos padronizados de glossário empresarial e anexá-los a entradas de catálogo. Para mais informações, consulte Criar um agente de IA para enriquecer metadados.
  • Operações de exportação e importação. Use fluxos de trabalho de exportação e importação em massa baseados em arquivos (JSON ou CSV) para revisar definições de negócios geradas por IA, colaborar com gestores de dados e atualizar metadados em lote. Para mais informações, consulte Exportar metadados.

Como o contexto é consumido em serviços próprios e de terceiros

Os serviços e aplicativos interagem com o Knowledge Catalog em dois papéis distintos:

  • Provedores de metadados. Serviços que enviam metadados técnicos, esquemas e definições do LookML para o Knowledge Catalog (por exemplo, Looker, Cloud SQL e Spanner). Os provedores de metadados enviam metadados para o catálogo, mas não necessariamente consomem definições do glossário empresarial nas próprias interfaces do usuário.
  • Consumidores de contexto. Serviços, ferramentas para desenvolvedores e agentes de IA que recuperam definições de negócios, perfis operacionais e regras de governança do Knowledge Catalog para fundamentar o raciocínio e a execução.

Antes que os aplicativos e agentes possam consumir o contexto, é necessário estabelecer termos de negócios e regras de qualidade fundamentais. Para mais informações, consulte Estabelecer o contexto de dados fundamental e Criar um fluxo de trabalho de qualidade de dados de política como código.

Os aplicativos e serviços de IA consomem contexto do Knowledge Catalog usando os seguintes mecanismos:

Integrações nativas de apps próprios

Vários serviços do Google Cloud consultam nativamente o Knowledge Catalog para oferecer experiências de IA que consideram o contexto:

  • Gemini no BigQuery (agente de conversação). Quando você insere comandos de linguagem natural no BigQuery Studio, o Gemini consulta automaticamente as definições do glossário empresarial do Knowledge Catalog, as descrições de colunas e as relações de consulta históricas em segundo plano. Isso embasa o Gemini na terminologia de negócios corporativos, garantindo que as consultas SQL geradas usem as junções de tabela e as definições de métricas corretas.
  • Agente de engenharia de dados no BigQuery. Descobre e consulta tabelas do Apache Iceberg e do BigQuery, invoca automaticamente pesquisas de catálogo semântico para resolver dependências de recursos e gera metadados de catálogo durante a execução do pipeline.
  • Gemini e Agent Builder. Os agentes de IA generativa personalizados e os aplicativos de pesquisa criados no Gemini usam metadados de catálogo e regras de negócios para fundamentar o raciocínio do modelo em fatos corporativos verificados.
  • Console doGoogle Cloud e interface empresarial. Os usuários finais e os gestores de dados exploram ativos usando a pesquisa semântica em linguagem natural, visualizam gráficos interativos de relacionamento de dados e gerenciam glossários empresariais.

Aplicativos de terceiros e ecossistemas de agentes de IA

Serviços e sistemas autônomos sem integrações integradas consomem contexto por meio de protocolos abertos e APIs de recuperação dedicadas:

Protocolo de Contexto de Modelo (MCP)

O Protocolo de Contexto de Modelo (MCP) é um padrão aberto que permite que agentes de IA, ferramentas para desenvolvedores e IDEs se conectem diretamente às ferramentas do Knowledge Catalog. O MCP oferece uma interface padronizada para inspecionar esquemas de tabelas, consultar definições de glossário e verificar pontuações de qualidade de dados.

O Knowledge Catalog oferece duas opções de implantação do MCP:

  • Servidor MCP remoto. Um endpoint gerenciado hospedado pelo Google Cloud (ou implantado no Cloud Run) para agentes nativos da nuvem, fluxos de trabalho sem servidor e plataformas multiagente. Para mais informações, consulte Usar o servidor MCP remoto do Knowledge Catalog.
  • MCP Toolbox local. Um proxy de CLI local que se integra aos ambientes de desenvolvimento integrado do desenvolvedor (como VS Code e Cursor) e aos fluxos de trabalho de desenvolvimento local. Para mais informações, consulte Usar o Knowledge Catalog com um servidor local do MCP Toolbox.

Recuperar contexto pré-formatado com a API LookupContext

Para pipelines de IA personalizados e aplicativos de LLM, o Knowledge Catalog fornece o método de API LookupContext.

Em vez de exigir que um agente faça várias chamadas sequenciais para inspecionar esquemas, pesquisar termos de glossário, buscar pontuações de qualidade de dados e inspecionar registros de consulta, o método LookupContext recupera um pacote unificado e pré-formatado de metadados avançados em uma única solicitação.

Os principais recursos do método LookupContext incluem:

  • Formatos prontos para LLM. Retorna o contexto formatado como yaml (padrão), json ou xml, projetado para inserção direta em comandos do sistema de LLM.
  • Orçamento de tokens (context_budget): permite especificar um orçamento de caracteres de destino. Esse é um orçamento flexível, o que significa que a API trunca e prioriza os metadados de forma inteligente para tentar se ajustar à janela de contexto do modelo, mas não garante que o limite seja respeitado.
  • Visualizações de contexto configuráveis.
    • BASIC. Retorna metadados de entrada fundamentais, esquemas, descrições de colunas, texto de visão geral e diretrizes do agente.
    • STANDARD. Além dos metadados básicos, ele percorre o gráfico de contexto para incluir relações de mesclagem de várias tabelas, termos e sinônimos do glossário empresarial anexado e consultas de amostra verificadas.
  • Junções descobertas e consultas de ouro. Inclui condições de mesclagem de tabelas inferidas (por exemplo, orders.customer_id = customers.id) e exemplos de consultas SQL verificadas.

Para mais informações, consulte Recuperar contexto para recursos de dados e a referência REST do lookupContext.

Como o contexto ajuda os usuários finais e os agentes de IA

O Knowledge Catalog fornece contexto universal na nuvem de dados agêntica ao unificar esquemas técnicos, semântica de negócios e métricas de qualidade em uma camada de contexto ativa. Ao expor esses metadados por meio de interfaces abertas, como o Protocolo de Contexto de Modelo (MCP), APIs de recuperação de contexto e pesquisa semântica, o Knowledge Catalog ajuda tanto usuários quanto sistemas autônomos.

Eliminar o trabalho manual de confiança para os usuários

Sem uma camada semântica centralizada, é preciso investigar os bancos de dados subjacentes e os históricos de consultas para responder a perguntas básicas de negócios. Os catálogos padrão atuam como inventários passivos de esquemas, o que exige que você procure manualmente as definições de métricas ou verifique a limpeza da tabela.

O Knowledge Catalog converte essa governança passiva em inteligência ativa. Ao apresentar pontuações de qualidade, descrições semânticas e avisos de uso diretamente ao lado dos recursos de dados, o Knowledge Catalog permite que você confie e use dados sem esperar por revisões de engenharia.

Embasar agentes autônomos e permitir a governança dinâmica

Os agentes de IA e os modelos de linguagem grandes (LLMs) exigem regras estritas e determinísticas para interagir com bancos de dados. Sem um contexto semântico explícito, os agentes fazem suposições incorretas sobre nomes de colunas ou geram consultas SQL com falhas.

Além disso, o contexto ativo faz a transição do gerenciamento de metadados de um registro passivo para uma camada de governança ativa. Ao definir regras de negócios, métricas e instruções de agentes verificadas diretamente no Knowledge Catalog, as organizações podem controlar como os agentes recuperam, avaliam e agem com base nos dados corporativos.

O Knowledge Catalog resolve essa lacuna. Ele exporta perfis de contexto ativo unificados para seus aplicativos de IA usando interfaces padrão, como o Protocolo de Contexto de Modelo (MCP) ou a API LookupContext. O embasamento dos modelos nesses metadados minimiza as alucinações, aplica regras de governança e ajuda a garantir que as ações autônomas sejam baseadas na verdade organizacional verificada.

Como os aplicativos de IA consomem conjuntos de contexto

O Gemini Enterprise e outros aplicativos de IA consomem conjuntos de contexto por meio de dois padrões principais:

  • Descoberta de contexto dinâmico usando a pesquisa semântica:em ambientes de análise de conversação ou de autoatendimento, os usuários fazem perguntas ad hoc em linguagem natural (por exemplo, Qual foi nossa taxa de retenção líquida trimestral em contas corporativas?). Quando um usuário envia um comando, o agente emite uma consulta de pesquisa semântica no Knowledge Catalog para localizar o conjunto de contexto mais relevante que corresponde ao domínio da pergunta. O agente injeta o contexto recuperado no comando ativo, permitindo que ele gere consultas SQL precisas no data warehouse subjacente.

  • Conjuntos de contexto pré-configurados para aplicativos dedicados:é possível pré-configurar um agente com uma referência explícita de conjunto de contexto fornecendo o URI do recurso durante a configuração. A vinculação de um conjunto de contexto dedicado fornece embasamento determinístico, garantindo que todas as interações futuras usem de forma consistente definições de negócios certificadas, sem sobrecarga de pesquisa no ambiente de execução. Como as tarefas de enriquecimento recorrentes refinam o conjunto de contexto ao longo do tempo, o aplicativo downstream herda automaticamente essas melhorias de qualidade sem exigir reenvios manuais de comandos ou reimplantações de aplicativos.

O Knowledge Catalog minimiza as alucinações e aplica regras de governança exportando perfis de contexto ativo unificados para seus aplicativos de IA por meio de interfaces padrão, como o Protocolo de Contexto de Modelo (MCP) ou a API LookupContext.

Coordenar fluxos de trabalho multiagente com contexto compartilhado

Em um framework multiagente (ou equipe), agentes especializados separados colaboram para executar fluxos de trabalho complexos. Quando esses agentes operam em ambientes isolados sem um plano de contexto compartilhado, eles enfrentam um limite de contexto: eles podem usar regras de negócios conflitantes, não localizar dependências relevantes ou duplicar o esforço de recuperação.

Usar o Knowledge Catalog como um registro de contexto centralizado ajuda a coordenar e escalonar enxames de vários agentes. O embasamento do seu swarm no Knowledge Catalog oferece os seguintes benefícios:

  • Semântica de negócios compartilhada. Todos os agentes usam os mesmos significados e definições de negócios. Por exemplo, se um agente de análise de dados e um agente de relatórios recuperarem uma tabela com números de vendas, eles vão usar a mesma definição de glossário de uma métrica como Gross Merchandise Value (GMV) para garantir a consistência.

  • Resolução de dependência dinâmica. Os agentes podem usar relações de contexto para descobrir recursos upstream e downstream de maneira programática. Isso permite que um agente de solução de problemas de pipeline rastreie uma falha de dados até a tabela de origem e transfira a tarefa para um agente de reparo sem codificar regras de dependência.

  • Interface de conexão unificada. Ao usar o Protocolo de Contexto de Modelo (MCP), você expõe um único endpoint semântico para todo o swarm. Isso elimina a necessidade de configurar integrações de API personalizadas para cada agente individual.

  • Governança de segurança no nível do perímetro. O Knowledge Catalog verifica as consultas do agente em relação aos papéis predefinidos do IAM. Isso ajuda a garantir que os agentes recuperem apenas o contexto de recursos que estão explicitamente autorizados a acessar, evitando a exposição acidental de dados em todo o swarm.

Casos de uso para o contexto de dados

Para entender como o contexto de dados resolve consultas complexas, considere como o Knowledge Catalog aplica camadas técnicas, semânticas e operacionais na prática:

E-commerce: personalizar recomendações de pesquisa

Para alinhar as campanhas de marketing sazonais com os inventários de produtos, os agentes de pesquisa precisam entender como os e-mails promocionais não estruturados se relacionam com os catálogos de produtos estruturados e as tabelas de transações dos usuários. O Knowledge Catalog mapeia essas entidades, permitindo que os modelos de recomendação sugiram produtos relevantes em tempo real.

Manufatura: otimizar a manutenção de maquinário

Os modelos de manutenção preditiva exigem a integração de registros de peças estruturados com guias de reparo de técnicos não estruturados e feeds de sensores em tempo real. Ao mapear as relações entre números de peças e capítulos de manuais, o Knowledge Catalog permite que os sistemas analíticos prevejam a fadiga do equipamento e programem reparos antes que ocorram falhas.

Saúde: validar dados de ensaios clínicos

Os centros de pesquisa clínica precisam verificar se as estatísticas dos pacientes estão em conformidade com as regras estritas do estudo e se os registros de consentimento dos pacientes estão mapeados diretamente para os conjuntos de dados de resultados dos testes. O Knowledge Catalog mapeia relações de contexto para auditar pipelines de consentimento e alerta os pesquisadores sobre anomalias no perfil de dados, ajudando a preservar a integridade do teste.

Serviços financeiros: avaliar o risco de crédito

Os modelos de subscrição de empréstimos usam scores de crédito, históricos de transações e saldos de dívidas ativas de clientes em sistemas de origem separados. O Knowledge Catalog fornece um gráfico unificado de métricas de empréstimos, permitindo que as ferramentas de subscrição confirmem que as avaliações de risco usam ativos certificados e em conformidade.

Telecomunicações: diagnosticar operações de rede

Os sistemas e agentes de gerenciamento de rede autônomos analisam comportamentos de sinal em tempo real, detectam degradações de desempenho e aplicam ações corretivas de autocorreção. Ao embasar esses agentes no contexto do Knowledge Catalog, os sistemas podem mapear com segurança as relações entre registros técnicos e áreas de serviços empresariais.

A seguir

Conceito

Saiba como organizar contextos de dados avançados, criar conjuntos de contexto e embasar agentes de IA usando as interfaces do Knowledge Studio.

Conceito

Aprenda mais sobre os contêineres de contexto empacotados do Knowledge Studio usados para embasar com segurança seus agentes de IA downstream.

Conceito

Saiba como configurar fluxos de trabalho de extração de metadados orientados por IA para criar contexto de dados automaticamente.

Tutorial

Criar um glossário empresarial, definir tipos de aspecto personalizados e enriquecer recursos no BigQuery.

Integração com IA

Saiba como o Protocolo de Contexto de Modelo conecta agentes a ferramentas e recursos do Knowledge Catalog.

API

Extraia o contexto YAML ou JSON pré-formatado e com orçamento de tokens para injeção direta de comandos de LLM.