À propos du contexte de données dans Knowledge Catalog

Le contexte des données dans Knowledge Catalog vous permet d'unifier les structures techniques, les règles métier et les modèles d'utilisation réels dans une couche de contexte active. Avec Knowledge Catalog, vous et vos applications d'IA pouvez découvrir, évaluer et interpréter des éléments de données de manière précise et sécurisée, sans validation manuelle ni hallucinations.

Qu'est-ce que le contexte ?

Le contexte est l'ensemble des détails structurels, opérationnels et sémantiques qui décrivent un élément de données. Au lieu de représenter une table comme un schéma autonome de noms et de types de données, le contexte fournit l'historique complet de vos données.

Knowledge Catalog organise le contexte en plusieurs couches :

  • Métadonnées techniques. Détails structurels ingérés directement à partir des systèmes sources, y compris les schémas de base de données, les types de champs, les clés de partitionnement et les tags de sécurité (tels que les stratégies IAM (Identity and Access Management)).

  • Métadonnées sémantiques. La signification métier des données, qui inclut les glossaires d'entreprise, les relations entre les métriques, les classifications, la terminologie du domaine et les requêtes de référence (questions en langage naturel validées et mappées aux instructions de code SQL correctes).

  • Métadonnées opérationnelles. Le comportement et l'état des données au fil du temps, y compris les profils d'exécution, les statistiques de profilage et les scores de qualité des données.

  • Relations. Liens inférés ou définis entre les tables de stockage sous-jacentes et les indicateurs d'activité conceptuels.

  • Signaux de confiance Indicateurs de validation, tels que des tampons de propriété et de certification, qui confirment qu'un élément est une source d'autorité.

  • Conseils pour les agents. Descriptions non structurées (telles que des fichiers README, des notes d'utilisation et des journaux d'exécution) qui indiquent aux outils autonomes comment et quand interroger une ressource.

En unifiant ces couches, Knowledge Catalog vous aide à vous assurer que vos données sont parfaitement comprises, ce qui vous permet d'éviter les goulots d'étranglement opérationnels et l'incertitude associés aux données cloisonnées et non documentées.

Différence entre le contexte des données et les métadonnées

Bien que les métadonnées fournissent les éléments de base, les métadonnées et le contexte ne sont pas interchangeables :

  • Métadonnées. Attributs descriptifs qui définissent la structure, l'emplacement et les propriétés techniques sous-jacents d'un élément de données isolé (par exemple, les noms de colonnes, les types de données, les clés de partition et les tailles de table).
  • Context. Le graphe de connaissances multidimensionnel synthétisé qui combine des schémas techniques, une sémantique métier, des relations de données, un comportement opérationnel et des signaux de confiance pour donner du sens aux données et guider le raisonnement.

Knowledge Catalog fait passer la gestion des métadonnées d'un catalogue passif à un plan de contrôle dynamique de contexte actif. Le tableau suivant met en évidence les principales différences entre les métadonnées passives et le contexte de données actif :

Dimension Métadonnées techniques Contexte de données actif
Objectif principal Spécifications sous-jacentes et format de stockage. Signification commerciale, comportement opérationnel et relations.
État Passif : stocké dans des registres de catalogue pour une recherche manuelle par les ingénieurs. Actif : enrichi en continu par l'IA, extrait de l'historique des requêtes et assemblé de manière dynamique pour les prompts de LLM.
Consommateurs principaux Les ingénieurs de bases de données, les ingénieurs de données et les auditeurs de conformité. Agents IA, grands modèles de langage (LLM), analystes commerciaux et interfaces conversationnelles.
Objectif principal Gestion du stockage, indexation et vérification de la conformité. Ancrer le raisonnement de l'agent, résoudre les jointures et éviter les hallucinations.

Exemple : Métadonnées par rapport au contexte

Pour comprendre comment le contexte s'étend aux métadonnées techniques, examinez comment Knowledge Catalog représente une colonne de transaction :

Métadonnées techniques seules

Les métadonnées techniques fournissent des informations structurelles, mais ne contiennent pas de logique métier ni de consignes opérationnelles :

  • Table : fact_orders
  • Colonne : disc_val
  • Type de données : NUMERIC
  • Propriétés de stockage : partitionné par order_date

Un agent IA n'utilisant que ces métadonnées techniques pourrait deviner que disc_val représente le total des remises client, mais il ne peut pas déterminer si cette valeur inclut les taxes, les remises du fabricant ou les bons de réduction.

Contexte des données enrichi

Knowledge Catalog enrichit les métadonnées techniques avec des couches sémantiques, relationnelles et opérationnelles dans une charge utile de contexte unifiée :

  • Schéma technique : fact_orders.disc_val (NUMERIC).
  • Définition sémantique : mappé au terme du glossaire d'entreprise "Remise promotionnelle", défini comme les remises client appliquées lors du paiement, à l'exclusion des remises du fabricant et des indemnités de livraison.
  • Relations découvertes : associe automatiquement fact_orders.customer_id à dim_customers.id et fact_orders.promo_id à dim_promotions.id.
  • Utilisation opérationnelle : l'historique des requêtes révèle que 90% des requêtes d'entreprise filtrent cette table par status = 'COMPLETED' et la joignent à dim_promotions.
  • Confiance et qualité : taux de validité de 99,8% obtenu par des analyses automatisées de la qualité des données, avec une fraîcheur des données vérifiée au cours des deux dernières heures.
  • Requête de référence : inclut un modèle SQL validé montrant comment calculer les revenus nets constatés à l'aide de disc_val.

Grâce à ce contexte complet, un agent IA ou un analyste de données peut générer des requêtes et interpréter des données avec précision, sans validation humaine manuelle ni hallucinations.

Les défis liés à l'utilisation de données sans contexte

Dans un patrimoine de données distribué, les données brutes sans contexte suffisent rarement à résoudre un problème métier. Lorsque les bases de données structurées, les journaux non structurés et les métriques analytiques n'ont pas de signification métier, les utilisateurs et les systèmes autonomes sont confrontés à un plafond de contexte qui rend les données difficiles à découvrir, à approuver ou à opérationnaliser pour l'IA. Les analystes humains doivent effectuer une validation manuelle pour vérifier les sources de données, tandis que les agents IA génèrent souvent des réponses inexactes (hallucinations) ou ne parviennent pas à exécuter des actions.

Sans contexte structuré, les organisations sont confrontées à plusieurs goulots d'étranglement opérationnels :

  • Tâches d'exploitation liées à la collaboration. L'absence de définitions métier claires oblige les équipes d'analyse et d'IA à effectuer des cycles de coordination manuels et continus avec des experts métier pour acquérir une compréhension de base des tables.

  • Dérive du contexte. La documentation standard reste statique et se dégrade au fil du temps. Sans surveillance continue, des métadonnées obsolètes entraînent des hypothèses incorrectes et des workflows d'agents IA défaillants.

  • Échecs de raisonnement. Les agents IA et les grands modèles de langage peuvent générer des requêtes SQL syntaxiquement correctes, mais ne pas respecter la logique d'entreprise sous-jacente, ce qui donne des calculs incorrects d'un point de vue commercial.

  • Cloisonnement de l'information. Les connaissances internes sur la façon de filtrer ou de joindre correctement les ensembles de données restent piégées dans des scripts ou des configurations de tableaux de bord non documentés, au lieu d'être enregistrées dans un inventaire centralisé.

Pour surmonter ces goulots d'étranglement opérationnels et rendre les données exploitables, les entreprises ont besoin d'un moteur de contexte fiable pour l'ensemble de leur patrimoine de données.

Piliers fondamentaux de la gestion du contexte

Pour maintenir ce moteur contextuel fiable dans l'ensemble de votre parc de données, Knowledge Catalog repose sur trois piliers :

Agrégation

Knowledge Catalog collecte automatiquement les métadonnées de vos bases de données intégrées, de vos catalogues Iceberg REST et de vos plates-formes tierces. Il regroupe ces entrées fragmentées dans une seule zone de gouvernance unifiée, ce qui permet de s'assurer que les règles de sécurité et les définitions de classification sont héritées de manière cohérente.

Enrichissement

À l'aide des interfaces Knowledge Studio, les intendants des données et les ingénieurs de contexte peuvent continuellement mettre à jour et organiser des ensembles de contexte spécifiques dans le graphe de contexte global. Knowledge Catalog explore automatiquement les journaux de transactions, les schémas de base de données et les modèles d'informatique décisionnelle pour découvrir les descriptions de colonnes et les relations entre les tables. Grâce à l'interface Knowledge Studio, cet apprentissage continu permet aux réviseurs humains de capturer leurs connaissances institutionnelles et de les appliquer à vos éléments de manière dynamique.

Recherche et récupération

Knowledge Catalog fournit une recherche sémantique de haute précision qui vous permet d'interroger votre parc de données en langage naturel. Comme Knowledge Catalog comprend les groupes d'autorisations (LCA) et la terminologie métier, les utilisateurs et les agents autonomes peuvent localiser le contexte de données pertinent avec une faible latence.

Comment les métadonnées et le contexte sont transmis à Knowledge Catalog

Pour créer un moteur contextuel fiable, Knowledge Catalog ingère et organise les informations via des connecteurs de plate-forme automatisés, un enrichissement continu par l'IA et des interfaces personnalisées extensibles.

Sources de données first party et collecte automatisée

Knowledge Catalog collecte automatiquement les métadonnées structurelles et opérationnelles des services Google Cloud principaux sans nécessiter de configuration manuelle :

  • Bases de données et entrepôts analytiques. Les services tels que BigQuery, Spanner, Cloud SQL et AlloyDB pour PostgreSQL synchronisent en continu les métadonnées techniques, y compris les schémas de table, les types de données de champ, les clés de partitionnement, les spécifications de clustering et les limites des ensembles de données.

  • Synchronisation sémantique de BI prête à l'emploi. Pour Looker (Google Cloud core), Knowledge Catalog synchronise automatiquement les éléments d'informatique décisionnelle :

    • Définitions sémantiques LookML. Modèles, explorations, vues, dimensions et mesures.
    • Éléments de tableau de bord d'informatique décisionnelle. Tableaux de bord, éléments de tableau de bord et Looks.

  • Intégration et transformations des données. Des services comme Datastream capturent les métadonnées des flux de capture des données modifiées (CDC), Dataform transmet les définitions de table et les transformations SQL, et Cortex Framework publie les produits de données enregistrés.

Curation continue du contexte basée sur l'IA

Au-delà des schémas techniques statiques, Knowledge Catalog met à jour dynamiquement son graphique de contexte à l'aide de moteurs d'intelligence intégrés :

  • Insights sur les données. Optimisé par Gemini dans BigQuery, les insights sur les données explorent les journaux de requêtes historiques, les transactions utilisateur et les modèles de schéma pour générer des descriptions de colonnes en langage naturel, découvrir les relations entre les tables (comme les clés de jointure) et proposer des exemples de requêtes vérifiés ("requêtes de référence") qui capturent la logique d'entreprise. Pour en savoir plus, consultez À propos des insights sur les données structurées.
  • Profilage et qualité des données automatisés. Les analyses calculent les distributions statistiques (telles que les nombres distincts, les ratios de valeurs nulles et les exemples de valeurs) et évaluent les données par rapport à des contrôles de qualité des données basés sur des règles, en associant des scores d'état en temps réel aux entrées de catalogue. Pour en savoir plus, consultez À propos de la qualité automatique des données.

Sélection human-in-the-loop (avec intervention humaine) avec Knowledge Studio

Pour gérer et orchestrer le graphe de contexte actif, les utilisateurs travaillent dans Knowledge Studio. Cette interface constitue le centre principal pour :

  • Ensembles de contextes. Regrouper des tables, des documents non structurés et des glossaires associés dans des bundles unifiés prêts à être utilisés par les agents IA.
  • Workflows d'enrichissement. Examiner les descriptions de colonnes suggérées par l'IA, appliquer les mappages de glossaire d'entreprise et certifier manuellement les éléments comme faisant autorité. Pour en savoir plus, consultez Gérer les exécutions d'enrichissement.
  • Organisation de l'environnement. S'assurer que les différentes équipes de domaine (comme la finance ou l'ingénierie) disposent de leurs propres zones isolées pour gérer les règles sémantiques.

Pour en savoir plus, consultez Enrichir le contexte avec Knowledge Studio.

Ingestion de métadonnées personnalisées et systèmes tiers

Pour les organisations disposant de bases de connaissances sur mesure, d'outils de gouvernance tiers ou de systèmes sur site, Knowledge Catalog fournit des mécanismes d'ingestion flexibles :

  • API Knowledge Catalog (opérations CRUD). Utilisez les méthodes d'API CreateEntry, UpdateEntry et CreateAspectType pour enregistrer de manière programmatique des éléments externes et associer des aspects de métadonnées personnalisés (tels que des évaluations de conformité ou de la documentation système).
  • Agents d'enrichissement personnalisés. Utilisez des frameworks d'agents tels que l'Agent Development Kit (ADK) ou LangChain pour créer des agents d'enrichissement personnalisés. Par exemple, un agent ADK peut ingérer de la documentation technique à partir de wikis internes ou de dépôts Git, utiliser un LLM pour l'analyser et la convertir en termes de glossaire d'entreprise standardisés, puis l'associer à des entrées de catalogue. Pour en savoir plus, consultez Créer un agent IA pour enrichir les métadonnées.
  • Opérations d'exportation et d'importation Utilisez des workflows d'exportation et d'importation groupées basés sur des fichiers (JSON ou CSV) pour examiner les définitions d'entreprise générées par l'IA, collaborer avec les gestionnaires de données et mettre à jour les métadonnées par lot. Pour en savoir plus, consultez Exporter les métadonnées.

Comment le contexte est utilisé dans les services first party et tiers

Les services et les applications interagissent avec Knowledge Catalog selon deux rôles distincts :

  • Fournisseurs de métadonnées. Services qui envoient des métadonnées techniques, des schémas et des définitions LookML à Knowledge Catalog (par exemple, Looker, Cloud SQL et Spanner). Les fournisseurs de métadonnées transmettent les métadonnées au catalogue, mais n'utilisent pas nécessairement les définitions du glossaire d'entreprise dans leurs propres interfaces utilisateur.
  • Consommateurs de contexte. Services, outils pour les développeurs et agents IA qui récupèrent les définitions d'entreprise, les profils opérationnels et les règles de gouvernance de Knowledge Catalog pour étayer leur raisonnement et leur exécution.

Avant que les applications et les agents puissent utiliser le contexte, vous devez établir des termes métier et des règles de qualité fondamentaux. Pour en savoir plus, consultez Établir un contexte de données de base et Créer un workflow de qualité des données Policy-as-Code.

Les applications et services d'IA consomment le contexte de Knowledge Catalog via les mécanismes suivants :

Intégrations first party (1P) intégrées

Plusieurs services Google Cloud interrogent Knowledge Catalog de manière native pour fournir des expériences d'IA contextuelles :

  • Gemini dans BigQuery (agent conversationnel). Lorsque vous saisissez des requêtes en langage naturel dans BigQuery Studio, Gemini interroge automatiquement en arrière-plan les définitions du glossaire d'entreprise de Knowledge Catalog, les descriptions de colonnes et les relations de requêtes historiques. Cela permet d'ancrer Gemini dans la terminologie de l'entreprise, ce qui garantit que les requêtes SQL générées utilisent les jointures de table et les définitions de métriques appropriées.
  • Agent d'ingénierie des données dans BigQuery. Découvre et interroge les tables Apache Iceberg et BigQuery, appelle automatiquement des recherches dans le catalogue sémantique pour résoudre les dépendances des éléments et génère des métadonnées de catalogue lors de l'exécution du pipeline.
  • Gemini et Agent Builder. Les agents d'IA générative et les applications de recherche personnalisés basés sur Gemini utilisent les métadonnées du catalogue et les règles métier pour ancrer le raisonnement du modèle dans des faits d'entreprise vérifiés.
  • Google Cloud Console et interface utilisateur Business. Les utilisateurs finaux et les intendants des données explorent les éléments à l'aide de la recherche sémantique en langage naturel, affichent des graphiques interactifs de relations entre les données et gèrent les glossaires d'entreprise.

Applications tierces et écosystèmes d'agents IA

Les services et les systèmes autonomes sans intégrations intégrées consomment le contexte via des protocoles ouverts et des API de récupération dédiées :

Protocole MCP (Model Context Protocol)

Le protocole MCP (Model Context Protocol) est une norme ouverte qui permet aux agents IA, aux outils pour les développeurs et aux IDE de se connecter directement aux outils Knowledge Catalog. Le protocole MCP fournit une interface standardisée pour inspecter les schémas de table, rechercher des définitions de glossaire et vérifier les scores de qualité des données.

Knowledge Catalog propose deux options de déploiement MCP :

Récupérer un contexte préformaté avec l'API LookupContext

Pour les pipelines d'IA personnalisés et les applications LLM, Knowledge Catalog fournit la méthode API LookupContext.

Au lieu d'exiger qu'un agent effectue plusieurs appels séquentiels pour inspecter les schémas, rechercher des termes du glossaire, récupérer les scores de qualité des données et inspecter les journaux de requêtes, la méthode LookupContext récupère un ensemble unifié et préformaté de métadonnées enrichies en une seule requête.

Voici les principales fonctionnalités de la méthode LookupContext :

  • Formats compatibles avec les LLM. Renvoie le contexte au format yaml (par défaut), json ou xml, conçu pour une insertion directe dans les prompts système du LLM.
  • Budgétisation des jetons (context_budget) : vous permet de spécifier un budget de caractères cible. Il s'agit d'un budget souple, ce qui signifie que l'API tronque et hiérarchise intelligemment les métadonnées pour essayer de les faire tenir dans la fenêtre de contexte de votre modèle, mais elle ne garantit pas de rester strictement sous la limite.
  • Vues contextuelles configurables.
    • BASIC. Renvoie les métadonnées d'entrée fondamentales, les schémas, les descriptions de colonnes, le texte de présentation et les consignes de l'agent.
    • STANDARD. En plus des métadonnées de base, parcourt le graphique de contexte pour inclure les relations de jointure multitables, les termes et synonymes du glossaire d'entreprise associé, ainsi que les exemples de requêtes validés.
  • Jointures découvertes et requêtes de référence. Inclut les conditions de jointure de table inférées (par exemple, orders.customer_id = customers.id) et les exemples de requêtes SQL vérifiés.

Pour en savoir plus, consultez Récupérer le contexte des éléments de données et la documentation de référence REST lookupContext.

Comment le contexte aide les utilisateurs finaux et les agents IA

Knowledge Catalog fournit un contexte universel dans son cloud de données agentique en unifiant les schémas techniques, la sémantique métier et les métriques de qualité dans une couche de contexte active. En exposant ces métadonnées via des interfaces ouvertes telles que le protocole MCP (Model Context Protocol), les API de récupération de contexte et la recherche sémantique, Knowledge Catalog aide à la fois les utilisateurs et les systèmes autonomes.

Éliminer les tâches manuelles de confiance pour les utilisateurs

Sans couche sémantique centralisée, vous devez examiner les bases de données sous-jacentes et l'historique des requêtes pour répondre aux questions de base de l'entreprise. Les catalogues standards agissent comme des inventaires passifs de schémas, ce qui vous oblige à rechercher manuellement les définitions de métriques ou à vérifier la propreté des tables.

Knowledge Catalog convertit cette gouvernance passive en intelligence active. En présentant des scores de qualité, des descriptions sémantiques et des avertissements d'utilisation directement à côté des éléments de données, Knowledge Catalog vous permet d'utiliser les données en toute confiance sans attendre les examens d'ingénierie.

Ancrez les agents autonomes et activez la gouvernance dynamique

Les agents IA et les grands modèles de langage (LLM) nécessitent des règles strictes et déterministes pour interagir avec les bases de données. Sans contexte sémantique explicite, les agents font des hypothèses incorrectes sur les noms de colonnes ou génèrent des requêtes SQL erronées.

De plus, le contexte actif fait passer la gestion des métadonnées d'un registre passif à une couche de gouvernance active. En définissant des règles métier, des métriques et des instructions d'agent validées directement dans Knowledge Catalog, les organisations peuvent contrôler la façon dont les agents récupèrent, évaluent et exploitent les données d'entreprise.

Knowledge Catalog comble cette lacune. Il exporte des profils de contexte actif unifiés vers vos applications d'IA via des interfaces standards telles que le protocole MCP (Model Context Protocol) ou l'API LookupContext. L'ancrage de vos modèles dans ces métadonnées minimise les hallucinations, applique les règles de gouvernance et permet de s'assurer que les actions autonomes sont basées sur une vérité organisationnelle vérifiée.

Comment les applications d'IA consomment les ensembles de contexte

Gemini Enterprise et d'autres applications d'IA consomment des ensembles de contexte via deux modèles principaux :

  • Découverte de contexte dynamique à l'aide de la recherche sémantique : dans les environnements d'analyse conversationnelle ou en libre-service, les utilisateurs posent des questions ad hoc en langage naturel (par exemple, Quel a été notre taux de rétention net trimestriel pour les comptes d'entreprise ?). Lorsqu'un utilisateur envoie une requête, l'agent émet une requête de recherche sémantique dans Knowledge Catalog pour localiser l'ensemble de contexte le plus pertinent correspondant au domaine de la question. L'agent injecte le contexte récupéré dans le prompt actif, ce qui lui permet de générer des requêtes SQL précises sur l'entrepôt de données sous-jacent.

  • Ensembles de contexte préconfigurés pour les applications dédiées : vous pouvez préconfigurer un agent avec une référence d'ensemble de contexte explicite en fournissant son URI de ressource lors de la configuration. La liaison d'un ensemble de contextes dédié fournit un ancrage déterministe, ce qui garantit que toutes les interactions futures utilisent systématiquement des définitions métier certifiées, sans surcharge de recherche d'exécution. Étant donné que les tâches d'enrichissement récurrentes affinent l'ensemble de contexte au fil du temps, l'application en aval hérite automatiquement de ces améliorations de qualité sans nécessiter de nouvelles requêtes manuelles ni de redéploiements d'application.

Knowledge Catalog minimise les hallucinations et applique des règles de gouvernance en exportant des profils de contexte actifs unifiés vers vos applications d'IA via des interfaces standards telles que le protocole MCP (Model Context Protocol) ou l'API LookupContext.

Coordonner des workflows multi-agents avec un contexte partagé

Dans un framework multi-agent (ou essaim), des agents spécialisés distincts collaborent pour exécuter des workflows complexes. Lorsque ces agents opèrent dans des environnements cloisonnés sans plan de contexte partagé, ils se heurtent à un plafond de contexte : ils peuvent utiliser des règles métier contradictoires, ne pas localiser les dépendances pertinentes ou dupliquer les efforts de récupération.

L'utilisation de Knowledge Catalog comme registre de contexte centralisé vous aide à coordonner et à faire évoluer les essaims multi-agents. L'ancrage de votre essaim dans Knowledge Catalog offre les avantages suivants :

  • Sémantique métier partagée. Tous les agents font référence aux mêmes significations et définitions métier. Par exemple, si un agent d'analyse de données et un agent de reporting récupèrent tous deux une table contenant des chiffres de ventes, ils utilisent la même définition de glossaire d'une métrique telle que Gross Merchandise Value (GMV) pour garantir la cohérence.

  • Résolution dynamique des dépendances. Les agents peuvent utiliser les relations de contexte pour découvrir des ressources en amont et en aval de manière programmatique. Cela permet à un agent de dépannage de pipeline de remonter jusqu'à la table source d'une défaillance de données et de transmettre la tâche à un agent de réparation sans coder en dur les règles de dépendance.

  • Interface de connexion unifiée. En utilisant le protocole MCP (Model Context Protocol), vous exposez un seul point de terminaison sémantique à l'ensemble de l'essaim. Vous n'avez donc plus besoin de configurer des intégrations d'API personnalisées pour chaque agent.

  • Gouvernance de la sécurité au niveau du périmètre. Knowledge Catalog vérifie les requêtes des agents par rapport aux rôles IAM préconfigurés. Cela permet de s'assurer que les agents ne récupèrent que le contexte de ressource auquel ils sont explicitement autorisés à accéder, ce qui évite l'exposition accidentelle de données dans l'essaim.

Cas d'utilisation du contexte de données

Pour comprendre comment le contexte des données résout les requêtes complexes, découvrez comment Knowledge Catalog applique concrètement les couches techniques, sémantiques et opérationnelles :

E-commerce : personnaliser les recommandations de recherche

Pour aligner les campagnes marketing saisonnières sur les inventaires de produits, les agents de recherche doivent comprendre comment les e-mails promotionnels non structurés sont liés aux catalogues de produits structurés et aux tables de transactions des utilisateurs. Knowledge Catalog cartographie ces entités, ce qui permet aux modèles de recommandation de suggérer des produits pertinents en temps réel.

Industrie : optimiser la maintenance des machines

Les modèles de maintenance prévisionnelle nécessitent l'intégration de journaux de pièces structurés avec des guides de réparation non structurés pour les techniciens et des flux de capteurs en direct. En mappant les relations entre les références et les chapitres du manuel, Knowledge Catalog permet aux systèmes d'analyse de prédire l'usure des équipements et de planifier les réparations avant que des pannes ne se produisent.

Santé : valider les données d'essais cliniques

Les centres de recherche clinique doivent vérifier que les statistiques des patients sont conformes aux règles strictes de l'étude et que les dossiers de consentement des patients correspondent directement aux ensembles de données des résultats des essais. Knowledge Catalog cartographie les relations contextuelles pour auditer les pipelines de consentement et alerte les chercheurs en cas d'anomalies dans les profils de données, ce qui permet de préserver l'intégrité des essais.

Services financiers : évaluer le risque de crédit

Les modèles de souscription de prêts utilisent les cotes de crédit, les historiques de transactions et les soldes de dettes actives des clients sur différents systèmes sources. Knowledge Catalog fournit un graphique unifié des métriques de prêt, ce qui permet aux outils de souscription de confirmer que les évaluations des risques utilisent des éléments certifiés et conformes.

Télécommunications : diagnostiquer les opérations réseau

Les systèmes et agents de gestion de réseau autonomes analysent les comportements des signaux en temps réel, détectent les dégradations des performances et appliquent des actions correctives d'autoréparation. En ancrant ces agents dans le contexte de Knowledge Catalog, les systèmes peuvent mapper en toute sécurité les relations entre les journaux techniques et les domaines de services métier.

Étapes suivantes

Concept

Découvrez comment orchestrer un contexte de données enrichi, créer des ensembles de contextes et ancrer des agents IA à l'aide des interfaces de Knowledge Studio.

Concept

Découvrez les conteneurs de contexte empaquetés de Knowledge Studio, utilisés pour ancrer de manière sécurisée vos agents IA en aval.

Concept

Découvrez comment configurer des workflows d'extraction de métadonnées basés sur l'IA pour créer automatiquement un contexte de données.

Tutoriel

Créez un glossaire d'entreprise, définissez des types d'aspects personnalisés et enrichissez les éléments dans BigQuery.

Intégration de l'IA

Découvrez comment le protocole MCP (Model Context Protocol) connecte les agents aux outils et ressources de Knowledge Catalog.

Api

Extrayez un contexte YAML ou JSON préformaté et adapté au budget de jetons pour l'injecter directement dans un prompt de LLM.