Datenkontext in Knowledge Catalog

Mit dem Datenkontext in Knowledge Catalog können Sie technische Strukturen, Geschäftsregeln und reale Nutzungsmuster in einer aktiven Kontextebene zusammenführen. Mit Knowledge Catalog können Sie und Ihre KI-Anwendungen Daten-Assets genau und sicher erkennen, bewerten und interpretieren, ohne dass eine manuelle Validierung oder Halluzinationen erforderlich sind.

Was ist Kontext?

Kontext ist das komplexe Geflecht aus strukturellen, operativen und semantischen Details, die ein Daten-Asset beschreiben. Anstatt eine Tabelle als eigenständiges Schema von Namen und Datentypen darzustellen, liefert der Kontext die vollständige Geschichte Ihrer Daten.

Knowledge Catalog organisiert den Kontext in den folgenden Ebenen:

  • Technische Metadaten: Die direkt aus Quellsystemen aufgenommenen strukturellen Details, einschließlich Datenbankschemas, Feldtypen, Partitionierungsschlüssel und Sicherheitstags (z. B. IAM-Richtlinien).

  • Semantische Metadaten: Die geschäftliche Bedeutung der Daten, einschließlich Geschäftsglossare, Beziehungen zwischen Messwerten, Klassifizierungen, Fachterminologie und Golden Queries (bestätigte Fragen in natürlicher Sprache, die korrekten SQL-Codeanweisungen zugeordnet sind).

  • Betriebsmetadaten: Das Verhalten und die Integrität der Daten im Zeitverlauf, einschließlich der Daten-Lineage auf Spaltenebene, Ausführungsprofile, Profiling-Statistiken und Datenqualitätswerte.

  • Beziehungen Die abgeleiteten oder definierten Verknüpfungen zwischen physischen Speichertabellen und konzeptionellen Geschäftsindikatoren.

  • Device-Trust-Signale: Bestätigungsindikatoren wie Eigentums- und Zertifizierungsstempel, die bestätigen, ob ein Asset eine zuverlässige Quelle ist.

  • Unterstützung durch KI-Agenten: Unstrukturierte Beschreibungen (z. B. README-Dateien, Nutzungshinweise und Ausführungsprotokolle), die autonomen Tools zeigen, wie und wann eine Ressource abgefragt werden soll.

Durch die Vereinheitlichung dieser Ebenen trägt Knowledge Catalog dazu bei, dass Ihre Daten vollständig verstanden werden. So können Sie die betrieblichen Engpässe und Unsicherheiten vermeiden, die mit isolierten und nicht dokumentierten Daten verbunden sind.

Wie sich Datenkontext von Metadaten unterscheidet

Metadaten sind zwar die grundlegenden Bausteine, aber Metadaten und Kontext sind nicht austauschbar:

  • Metadaten: Beschreibende Attribute, die die physische Struktur, den Speicherort und die technischen Eigenschaften eines isolierten Daten-Assets definieren (z. B. Spaltennamen, Datentypen, Partitionsschlüssel und Tabellengrößen).
  • Context ist. Der synthetisierte, mehrdimensionale Knowledge Graph, der technische Schemas, Geschäftssemantik, Datenbeziehungen, Betriebsverhalten und Vertrauenssignale kombiniert, um Daten Bedeutung zu verleihen und die Argumentation zu steuern.

Knowledge Catalog wandelt die Metadatenverwaltung von einem passiven Katalog in eine dynamische Steuerungsebene mit aktivem Kontext um. In der folgenden Tabelle werden die wichtigsten Unterschiede zwischen passiven Metadaten und dem aktiven Datenkontext hervorgehoben:

Dimension Technische Metadaten Aktiver Datenkontext
Hauptfokus Physische Spezifikationen und Speicherformat. Geschäftliche Bedeutung, Betriebsverhalten und Beziehungen.
Bundesland Passiv: In Katalog-Registries gespeichert, damit Entwickler sie manuell abrufen können. Aktiv: Wird kontinuierlich durch KI angereichert, aus dem Suchverlauf extrahiert und dynamisch für LLM-Prompts zusammengestellt.
Hauptnutzer Datenbankmodule, Data Engineers und Compliance-Prüfer. KI-Agents, Large Language Models (LLMs), Business-Analysten und Konversationsschnittstellen.
Hauptzweck Speicherverwaltung, Indexierung und Compliance-Prüfung. Fundierung der Problemlösung des KI-Agenten, Auflösung von Joins und Vermeidung von Halluzinationen.

Beispiel: Metadaten im Vergleich zum Kontext

Um zu verstehen, wie der Kontext technische Metadaten erweitert, sehen wir uns an, wie Knowledge Catalog eine Transaktionsspalte darstellt:

1. Nur technische Metadaten

Technische Metadaten enthalten zwar Strukturinformationen, aber keine Geschäftslogik und keine operativen Richtlinien:

  • Tabelle: fact_orders
  • Spalte: disc_val
  • Datentyp: NUMERIC
  • Speicherattribute: Partitioniert nach order_date

Ein KI-Agent, der nur diese technischen Metadaten verwendet, könnte vermuten, dass disc_val die gesamten Kundenrabatte darstellt. Er kann jedoch nicht feststellen, ob dieser Wert Steuern, Herstellerrabatte oder Gutscheine enthält.

2. Angereicherter Datenkontext

Knowledge Catalog reichert die technischen Metadaten mit semantischen, relationalen und betrieblichen Ebenen in einer einheitlichen Kontextnutzlast an:

  • Technisches Schema: fact_orders.disc_val (NUMERIC).
  • Semantische Definition: Zugeordnet dem Begriff „Rabatt“ im Unternehmensglossar, der als Kundenrabatte definiert wird, die an der Kasse angewendet werden, mit Ausnahme von Herstellerrabatten und Versandrabatten.
  • Erkannte Beziehungen: fact_orders.customer_id wird automatisch mit dim_customers.id und fact_orders.promo_id mit dim_promotions.id verknüpft.
  • Betriebliche Nutzung: Der Abfrageverlauf zeigt, dass 90% der geschäftlichen Anfragen diese Tabelle nach status = 'COMPLETED' filtern und mit dim_promotions verknüpfen.
  • Vertrauen und Qualität: Durch automatisierte Datenqualitätsprüfungen mit einer Gültigkeitsbewertung von 99, 8% bewertet.Die Datenaktualität wurde innerhalb der letzten 2 Stunden überprüft.
  • Golden Query: Enthält eine geprüfte SQL-Vorlage, die zeigt, wie der Nettoumsatz mit disc_val berechnet wird.

Mit diesem vollständigen Kontext kann ein KI-Agent oder Datenanalyst Anfragen genau generieren und Daten interpretieren, ohne dass eine manuelle Überprüfung durch Menschen oder Halluzinationen erforderlich sind.

Die Herausforderungen bei der Verwendung von Daten ohne Kontext

In einem verteilten Datenbestand reichen Rohdaten ohne Kontext selten aus, um ein Geschäftsproblem zu lösen. Wenn strukturierten Datenbanken, unstrukturierten Protokollen und Analyse-Messwerten die geschäftliche Bedeutung fehlt, stoßen Nutzer und autonome Systeme auf eine Kontextgrenze, die es erschwert, Daten für KI zu finden, ihnen zu vertrauen oder sie zu operationalisieren. Menschliche Analysten müssen Datenquellen manuell validieren, während KI-Agenten oft ungenaue Antworten (Halluzinationen) generieren oder Aktionen nicht ausführen können.

Ohne strukturierten Kontext stehen Unternehmen vor mehreren operativen Engpässen:

  • Aufwand für die Zusammenarbeit: Wenn keine klaren Geschäftsdefinitionen vorhanden sind, müssen Analyse- und KI-Teams in kontinuierlichen, manuellen Koordinierungszyklen mit Fachexperten zusammenarbeiten, um ein grundlegendes Verständnis von Tabellen zu entwickeln.

  • Kontextabweichung: Die Standarddokumentation bleibt statisch und veraltet mit der Zeit. Ohne kontinuierliches Monitoring führen veraltete Metadaten zu falschen Annahmen und fehlerhaften KI-Agenten-Workflows.

  • Fehler beim logischen Denken. KI-Agents und Large Language Models können zwar syntaktisch korrekte SQL-Abfragen generieren, berücksichtigen aber möglicherweise nicht die zugrunde liegende Unternehmenslogik, was zu Berechnungen führt, die aus geschäftlicher Sicht falsch sind.

  • Siloed information. Internes Wissen zum korrekten Filtern oder Verknüpfen von Datasets ist in undokumentierten Skripten oder Dashboard-Einrichtungen enthalten, anstatt in einem zentralen Inventar registriert zu werden.

Um diese betrieblichen Engpässe zu überwinden und Daten nutzbar zu machen, benötigen Unternehmen eine zuverlässige Kontext-Engine für ihre Daten.

Die wichtigsten Säulen des Kontextmanagements

Damit diese zuverlässige Kontext-Engine in Ihrem gesamten Datenbestand verfügbar ist, basiert Knowledge Catalog auf drei Säulen:

Aggregation

Knowledge Catalog erfasst automatisch Metadaten aus Ihren integrierten Datenbanken, Iceberg REST-Katalogen und Drittanbieterplattformen. Diese fragmentierten Eingaben werden in einer einzigen, einheitlichen Governance-Zone zusammengefasst, damit Sicherheitsrichtlinien und Klassifizierungsdefinitionen einheitlich übernommen werden.

Anreichern

Knowledge Catalog aktualisiert und kuratiert Ihren Kontextgraphen mithilfe von KI-gestützter Aufnahme kontinuierlich. Durch die Analyse von Transaktionsprotokollen, Datenbankschemas und Business Intelligence-Modellen ermittelt Knowledge Catalog automatisch Spaltenbeschreibungen und Tabellenbeziehungen. Durch dieses kontinuierliche Lernen wird das institutionelle Wissen der Dateninhaber erfasst und dynamisch auf Ihre Assets angewendet.

Suchen und abrufen

Knowledge Catalog bietet eine hochpräzise semantische Suche, mit der Sie Ihren Datenbestand in natürlicher Sprache abfragen können. Da im Knowledge Catalog Berechtigungsgruppen (ACLs) und geschäftliche Terminologie berücksichtigt werden, können sowohl Nutzer als auch autonome Agents relevanten Datenkontext mit geringer Latenz finden.

So werden Metadaten und Kontext in Knowledge Catalog eingespeist

Um eine zuverlässige Kontext-Engine zu erstellen, erfasst und kuratiert Knowledge Catalog Informationen über automatisierte Plattform-Connectors, kontinuierliche KI-Anreicherung und erweiterbare benutzerdefinierte Schnittstellen.

Quellen für selbst erhobene Daten und automatisierte Erfassung

Knowledge Catalog erfasst automatisch strukturelle und operative Metadaten aus zentralen Google Cloud -Diensten, ohne dass eine manuelle Konfiguration erforderlich ist:

  • Datenbanken und analytische Data Warehouses: Dienste wie BigQuery, Spanner, Cloud SQL und AlloyDB for PostgreSQL synchronisieren kontinuierlich technische Metadaten, einschließlich Tabellenschemas, Felddatentypen, Partitionierungsschlüssel, Clustering-Spezifikationen und Dataset-Grenzen.
  • Out-of-the-box-Synchronisierung von BI-Semantik und ‑Abstammung: Für Looker (Google Cloud core) werden Business Intelligence-Assets automatisch mit Knowledge Catalog synchronisiert:
    • Semantische LookML-Definitionen Modelle, Explores, Ansichten, Dimensionen und Measures.
    • BI-Dashboard-Assets: Dashboards, Dashboardelemente und Looks.
    • Durchgängige Verfolgbarkeit der Data Lineage: Beziehungen, die den Datenfluss von zugrunde liegenden BigQuery-Tabellen bis hin zu nachgelagerten Looker-Dashboards nachvollziehen. Weitere Informationen finden Sie unter Looker (Google Cloud Core)-Ressourcen mit Knowledge Catalog verwalten.
  • Datenintegration und ‑transformationen: Dienste wie Datastream erfassen Metadaten und Herkunft von CDC-Streams (Change Data Capture), Dataform überträgt Tabellendefinitionen und SQL-Transformationen und Cortex Framework veröffentlicht registrierte Datenprodukte.

Kontinuierliche KI-basierte Kontextkuration

Der Knowledge Catalog aktualisiert seinen Kontextgraphen nicht nur mit statischen technischen Schemas, sondern auch dynamisch mit integrierten KI-Engines:

  • Data Insights Die Datenanalyse basiert auf Gemini in BigQuery und durchsucht historische Abfrageprotokolle, Nutzertransaktionen und Schemamuster, um Spaltenbeschreibungen in natürlicher Sprache zu generieren, Tabellenbeziehungen (z. B. Join-Schlüssel) zu erkennen und verifizierte Beispielabfragen („Golden Queries“) vorzuschlagen, die die Unternehmenslogik erfassen. Weitere Informationen
  • Automatisierte Datenprofilerstellung und Datenqualität: Bei Scans werden statistische Verteilungen (z. B. eindeutige Anzahl, Null-Verhältnisse und Stichprobenwerte) berechnet und Daten anhand regelbasierter Datenqualitätsprüfungen ausgewertet. Katalogeinträgen werden dann aktuelle Gesundheitswerte zugewiesen. Weitere Informationen finden Sie unter Automatische Datenqualität.
  • Automatisierte Data Lineage Aggregiert Transformationsabläufe auf Spaltenebene und Jobausführungsverläufe über Ihre Datenpipelines hinweg. Weitere Informationen finden Sie unter Datenherkunft.

Benutzerdefinierte Metadatenaufnahme und Drittanbietersysteme

Für Organisationen mit benutzerdefinierten Wissensdatenbanken, Governance-Tools von Drittanbietern oder lokalen Systemen bietet Knowledge Catalog flexible Aufnahmemechanismen:

  • Knowledge Catalog APIs (CRUD-Vorgänge). Mit den API-Methoden CreateEntry, UpdateEntry, CreateAspectType und SetAspect können Sie externe Assets programmatisch registrieren und benutzerdefinierte Metadatenaspekte (z. B. Compliance-Bewertungen oder Systemdokumentation) anhängen.
  • Benutzerdefinierte Anreicherungs-Agents: Verwenden Sie Agent-Frameworks wie das Agent Development Kit (ADK) oder LangChain, um benutzerdefinierte Enrichment-Agents zu erstellen. Ein ADK-Agent kann beispielsweise technische Dokumentation aus internen Wikis oder Git-Repositories aufnehmen, ein LLM verwenden, um sie in standardisierte Begriffe des Unternehmensglossars zu parsen, und sie an Katalogeinträge anhängen. Weitere Informationen finden Sie unter KI-Agenten zum Anreichern von Metadaten erstellen.
  • Export- und Importvorgänge Mit dateibasierten (JSON oder CSV) Bulk-Export- und Import-Workflows können Sie KI-generierte Geschäftsdefinitionen überprüfen, mit Datenverantwortlichen zusammenarbeiten und Metadaten im Batch aktualisieren. Weitere Informationen finden Sie unter Metadaten exportieren.

So wird der Kontext in Google- und Drittanbieterdiensten verwendet

Dienste und Anwendungen interagieren mit Knowledge Catalog in zwei verschiedenen Rollen:

  • Metadatenanbieter Dienste, die technische Metadaten, Schemas, LookML-Definitionen und den Datenursprung an Knowledge Catalog senden, z. B. Looker, Cloud SQL und Spanner. Metadatenanbieter übertragen Metadaten in den Katalog, verwenden aber nicht unbedingt Definitionen aus dem Unternehmensglossar in ihren eigenen Benutzeroberflächen.
  • Kontextnutzer. Dienste, Entwicklertools und KI-Agenten, die Geschäftsdefinitionen, Betriebsprofile und Governance-Regeln aus dem Knowledge Catalog abrufen, um ihre Argumentation und Ausführung zu fundieren.

Bevor Anwendungen und Agents Kontext nutzen können, sollten Sie grundlegende geschäftliche Begriffe und Qualitätsregeln festlegen. Weitere Informationen finden Sie unter Grundlegenden Datenkontext einrichten und Policy-as-Code-Workflow für die Datenqualität erstellen.

KI-Anwendungen und ‑Dienste nutzen Kontext aus dem Knowledge Catalog über die folgenden Mechanismen:

Integrierte Erstanbieter-Integrationen

Mehrere Google Cloud Dienste fragen nativ den Knowledge Catalog ab, um kontextbezogene KI-Funktionen bereitzustellen:

  • Gemini in BigQuery (Konversations-Agent): Wenn Sie Prompts in natürlicher Sprache in BigQuery Studio eingeben, fragt Gemini im Hintergrund automatisch Definitionen aus dem Unternehmensglossar des Knowledge Catalog, Spaltenbeschreibungen und Beziehungen zwischen früheren Abfragen ab. Dadurch wird Gemini in der Unternehmensterminologie verankert, sodass die generierten SQL-Abfragen die richtigen Tabellenverknüpfungen und Messwertdefinitionen verwenden.
  • Data-Engineering-Agent in BigQuery. Erkennt und fragt Apache Iceberg- und BigQuery-Tabellen ab, ruft automatisch semantische Katalogsuchen auf, um Asset-Abhängigkeiten aufzulösen, und generiert Katalogmetadaten während der Pipelineausführung.
  • Vertex AI und Agent Builder. Benutzerdefinierte GenAI-Agenten und Suchanwendungen, die auf Vertex AI basieren, verwenden Katalogmetadaten und Geschäftsregeln, um die Modellargumentation auf verifizierten Unternehmensfakten zu fundieren.
  • Google Cloud Console und Business-UI. Endnutzer und Datenverantwortliche können Assets mithilfe der semantischen Suche in natürlicher Sprache durchsuchen, interaktive Diagramme mit Datenbeziehungen aufrufen und Unternehmensglossare verwalten.

Drittanbieteranwendungen und KI-Agenten-Ökosysteme

Dienste und autonome Systeme ohne integrierte Integrationen nutzen Kontext über offene Protokolle und spezielle Abruf-APIs:

Model Context Protocol (MCP)

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem KI-Agents, Entwicklertools und IDEs direkt mit Knowledge Catalog-Tools verbunden werden können. MCP bietet eine standardisierte Schnittstelle zum Prüfen von Tabellenschemas, zum Nachschlagen von Glossardefinitionen, zum Überprüfen von Datenqualitätswerten und zum Nachvollziehen der Datenherkunft.

Knowledge Catalog unterstützt zwei MCP-Bereitstellungsoptionen:

Vorformatierten Kontext mit der LookupContext API abrufen

Für benutzerdefinierte KI-Pipelines und LLM-Anwendungen bietet Knowledge Catalog die LookupContext-API-Methode (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext).

Anstatt dass ein Agent mehrere aufeinanderfolgende Aufrufe ausführen muss, um Schemas zu prüfen, Glossarbegriffe nachzuschlagen, Datenqualitätswerte abzurufen und Abfragelogs zu prüfen, ruft die Methode LookupContext ein einheitliches, vorformatiertes Paket mit Rich-Metadaten in einer einzigen Anfrage ab.

Zu den wichtigsten Funktionen der LookupContext-Methode gehören:

  • LLM-kompatible Formate: Gibt Kontext zurück, der als yaml (Standard), json oder xml formatiert ist und für das direkte Einfügen in LLM-Systemprompts vorgesehen ist.
  • Token-Budgetierung (context_budget): Hiermit können Sie ein Zielbudget für Zeichen festlegen. Die API kürzt und priorisiert Metadaten intelligent, damit sie in das Kontextfenster Ihres Modells passen.
  • Konfigurierbare Kontextansichten:
    • BASIC. Gibt grundlegende Metadaten für Einträge, Schemas, Spaltenbeschreibungen, Übersichtstext und Agent-Richtlinien zurück.
    • STANDARD Zusätzlich zu den grundlegenden Metadaten wird der Kontextgraph durchlaufen, um Join-Beziehungen über mehrere Tabellen, angehängte Begriffe und Synonyme aus dem Unternehmensglossar, Laufzeitnutzungsmuster und verifizierte Beispielabfragen einzubeziehen.
  • Umfassende Betriebs- und Nutzungssignale: Gibt detaillierte Nutzungsstatistiken aus dem Abfrageverlauf zurück, z. B. partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields und topAggregations.
  • Entdeckte Joins und Golden Queries. Enthält abgeleitete Bedingungen für das Zusammenführen von Tabellen (z. B. orders.customer_id = customers.id) und geprüfte Beispiel-SQL-Abfragen.

Weitere Informationen finden Sie unter Kontext für Daten-Assets abrufen und in der lookupContext-REST-Referenz.

Wie Kontext Endnutzern und KI-Agenten hilft

Knowledge Catalog bietet universellen Kontext in seiner agentischen Daten-Cloud, indem technische Schemas, Geschäftssemantik, Data Lineage und Qualitätsmesswerte in einer aktiven Kontextebene zusammengeführt werden. Durch die Bereitstellung dieser Metadaten über offene Schnittstellen wie das Model Context Protocol (MCP), APIs zum Abrufen von Kontext und die semantische Suche unterstützt Knowledge Catalog sowohl Nutzer als auch autonome Systeme.

Manuelle Vertrauensarbeit für Nutzer eliminieren

Ohne eine zentrale semantische Ebene müssen Sie die Datenbankherkunft und den Abfrageverlauf untersuchen, um grundlegende geschäftliche Fragen zu beantworten. Standardkataloge sind passive Inventare von Schemas, in denen Sie Messwertdefinitionen manuell nachschlagen oder die Bereinigung von Tabellen überprüfen müssen.

Knowledge Catalog wandelt diese passive Governance in aktive Intelligenz um. Da Qualitätsbewertungen, semantische Beschreibungen und Nutzungswarnungen direkt neben den Daten-Assets angezeigt werden, können Sie Daten in Knowledge Catalog vertrauen und verwenden, ohne auf technische Prüfungen warten zu müssen.

Autonome Agenten fundieren und dynamische Governance ermöglichen

KI-Agenten und Large Language Models (LLMs) benötigen strenge, deterministische Regeln für die Interaktion mit Datenbanken. Ohne expliziten semantischen Kontext treffen KI-Agenten falsche Annahmen über Spaltennamen oder generieren fehlerhafte SQL-Abfragen.

Darüber hinaus wird durch den aktiven Kontext die Metadatenverwaltung von einer passiven Registry in eine aktive Governance-Ebene überführt. Durch die Definition verifizierter Geschäftsregeln, Messwerte und Agentenanweisungen direkt im Knowledge Catalog können Unternehmen steuern, wie Agenten Unternehmensdaten abrufen, bewerten und darauf reagieren.

Knowledge Catalog schließt diese Lücke. Es werden einheitliche Profile mit aktivem Kontext über Standardschnittstellen wie das Model Context Protocol (MCP) oder die LookupContext API in Ihre KI-Anwendungen exportiert. Wenn Sie Ihre Modelle mit diesen Metadaten fundieren, werden Halluzinationen minimiert, Governance-Regeln durchgesetzt und autonome Aktionen auf der Grundlage verifizierter Organisationsdaten ausgeführt.

Multi-Agenten-Workflows mit gemeinsamem Kontext koordinieren

In einem Multi-Agenten-Framework (oder ‑Schwarm) arbeiten separate spezialisierte Agents zusammen, um komplexe Workflows auszuführen. Wenn diese Agents in isolierten Umgebungen ohne gemeinsame Kontextebene arbeiten, stoßen sie an eine Kontextgrenze. Sie verwenden möglicherweise widersprüchliche Geschäftsregeln, finden keine relevanten Abhängigkeiten oder duplizieren den Abrufaufwand.

Wenn Sie Knowledge Catalog als zentrales Kontextregister verwenden, können Sie Multi-Agent-Schwärme koordinieren und skalieren. Die Fundierung Ihres Schwarms im Knowledge Catalog bietet folgende Vorteile:

  • Gemeinsame Geschäftssemantik: Alle Agenten beziehen sich auf dieselben geschäftlichen Bedeutungen und Definitionen. Wenn beispielsweise ein Datenanalyse- und ein Berichts-Agent beide eine Tabelle mit Umsatzzahlen abrufen, verwenden sie dieselbe Glossardefinition für einen Messwert wie Gross Merchandise Value (GMV), um die Konsistenz zu gewährleisten.

  • Dynamische Auflösung von Abhängigkeiten: KI-Agenten können die Datenherkunft verwenden, um Upstream- und Downstream-Ressourcen programmatisch zu ermitteln. So kann ein KI-Agent zur Fehlerbehebung in Pipelines einen Datenfehler bis zur Quelltabelle zurückverfolgen und die Aufgabe an einen Reparatur-Agenten übergeben, ohne dass Abhängigkeitsregeln hartcodiert werden müssen.

  • Einheitliche Verbindungsoberfläche: Wenn Sie das Model Context Protocol (MCP) verwenden, stellen Sie dem gesamten Schwarm einen einzelnen semantischen Endpunkt zur Verfügung. Dadurch müssen keine benutzerdefinierten API-Integrationen für jeden einzelnen Agent konfiguriert werden.

  • Sicherheitsverwaltung auf Perimeterebene: Knowledge Catalog prüft Agent-Abfragen anhand vorkonfigurierter IAM-Rollen. So wird sichergestellt, dass Agenten nur den Ressourcenkontext abrufen, für den sie explizit autorisiert sind, und eine versehentliche Datenweitergabe innerhalb des Swarms wird verhindert.

Anwendungsfälle für die Verwendung von Datenkontext

Um zu verstehen, wie der Datenkontext komplexe Anfragen löst, sehen wir uns an, wie Knowledge Catalog technische, semantische und operative Ebenen in der Praxis anwendet:

E-Commerce: Suchvorschläge personalisieren

Damit saisonale Marketingkampagnen mit Produktinventaren abgestimmt werden können, müssen Such-Agents verstehen, wie sich unstrukturierte Werbe-E-Mails auf strukturierte Produktkataloge und Nutzer-Transaktionstabellen beziehen. Knowledge Catalog ordnet diese Entitäten zu, sodass Empfehlungsmodelle in Echtzeit relevante Produkte vorschlagen können.

Fertigung: Maschinenwartung optimieren

Modelle für die vorausschauende Instandhaltung erfordern die Integration strukturierter Teileprotokolle mit unstrukturierten Reparaturanleitungen für Techniker und Live-Sensordatenfeeds. Durch die Zuordnung von Beziehungen zwischen Teilenummern und Kapiteln in Handbüchern ermöglicht Knowledge Catalog es Analysesystemen, die Ermüdung von Geräten vorherzusagen und Reparaturen zu planen, bevor es zu Ausfällen kommt.

Gesundheitswesen: Daten aus klinischen Studien validieren

Klinische Forschungszentren müssen prüfen, ob die Patientenstatistiken den strengen Studienregeln entsprechen und ob die Einwilligungsdaten der Patienten direkt den Datasets mit den Studienergebnissen zugeordnet sind. Knowledge Catalog verfolgt die Datenherkunft auf Spaltenebene, um Pipelines für Einwilligungen zu prüfen, und benachrichtigt Forscher über Anomalien in Datenprofilen, um die Integrität der Studie zu wahren.

Finanzdienstleistungen: Kreditrisiko bewerten

Modelle zur Kreditrisikobewertung verwenden Kunden-Bonitätsbewertungen, Transaktionsverläufe und aktive Schuldenstände aus verschiedenen Quellsystemen. Knowledge Catalog bietet ein einheitliches Diagramm mit Kreditmesswerten und bildet die Datenherkunft ab. So können Underwriting-Tools bestätigen, dass für Risikobewertungen zertifizierte, konforme Assets verwendet werden.

Telekommunikation: Netzwerkbetrieb diagnostizieren

Autonome Netzwerkmanagementsysteme und ‑agenten analysieren das Signalverhalten in Echtzeit, erkennen Leistungseinbußen und ergreifen selbstheilende Korrekturmaßnahmen. Durch die Verankerung dieser KI-Agents im Kontext von Knowledge Catalog können die Systeme Netzwerkkomponenten sicher über Herkunftsgraphen nachvollziehen und Beziehungen zwischen technischen Protokollen und Geschäftsbereichen abbilden.

Nächste Schritte

Anleitung

Erstellen Sie ein Unternehmensglossar, definieren Sie benutzerdefinierte Aspekttypen und reichern Sie Assets in BigQuery an.

KI-Integration

Hier erfahren Sie, wie das Model Context Protocol Agenten mit Knowledge Catalog-Tools und ‑Ressourcen verbindet.

API

Extrahieren Sie vorformatierten, tokenbudgetierten YAML- oder JSON-Kontext für die direkte LLM-Prompt-Injektion.

KI-Agent

Mit dem Agent Development Kit können Sie die Metadatenkuration und die Glossarzuordnung automatisieren.

Konzept

Informationen zum flexiblen Metamodell, zu Eintragstypen, Aspekttypen und Eintragsgruppen.

Governance

Datenänderungen auf Spaltenebene visualisieren, um die Datenquelle und die Downstream-Auswirkungen zu verstehen.