Tentang konteks data di Knowledge Catalog

Konteks data di Knowledge Catalog memungkinkan Anda menyatukan struktur teknis, aturan bisnis, dan pola penggunaan di dunia nyata ke dalam lapisan konteks aktif. Dengan Knowledge Catalog, Anda dan aplikasi AI Anda dapat menemukan, mengevaluasi, dan menafsirkan aset data secara akurat dan aman tanpa validasi manual atau halusinasi.

Apa itu konteks?

Konteks adalah struktur detail struktural, operasional, dan semantik yang kaya yang mendeskripsikan aset data. Alih-alih merepresentasikan tabel sebagai skema nama dan jenis data mandiri, konteks memberikan cerita lengkap tentang data Anda.

Knowledge Catalog mengatur konteks ke dalam lapisan berikut:

  • Metadata teknis. Detail struktural yang diserap langsung dari sistem sumber, termasuk skema database, jenis kolom, kunci partisi, dan tag keamanan (seperti kebijakan Identity and Access Management (IAM)).

  • Metadata semantik. Makna bisnis data, yang mencakup glosarium bisnis, hubungan metrik, klasifikasi, terminologi domain, dan golden query (pertanyaan bahasa alami terverifikasi yang dipetakan ke pernyataan kode SQL yang benar).

  • Metadata operasional. Perilaku dan kondisi data dari waktu ke waktu, termasuk profil eksekusi, statistik pembuatan profil, dan skor kualitas data.

  • Hubungan. Link yang disimpulkan atau ditentukan antara tabel penyimpanan pokok dan indikator bisnis konseptual.

  • Tanda tepercaya. Indikator verifikasi, seperti stempel kepemilikan dan sertifikasi, yang memverifikasi apakah aset merupakan sumber yang kredibel.

  • Panduan agen. Deskripsi tidak terstruktur (seperti file README, catatan penggunaan, dan log eksekusi) yang memandu alat otonom tentang cara dan waktu untuk mengkueri resource.

Dengan menyatukan lapisan ini, Knowledge Catalog membantu memastikan bahwa data Anda dipahami sepenuhnya, sehingga membantu Anda menghindari bottleneck operasional dan ketidakpastian yang terkait dengan data yang terpisah dan tidak terdokumentasi.

Perbedaan konteks data dengan metadata

Meskipun metadata menyediakan elemen penyusun dasar, metadata dan konteks tidak dapat dipertukarkan:

  • Metadata. Atribut deskriptif yang menentukan struktur, lokasi, dan properti teknis yang mendasari aset data yang terisolasi (misalnya, nama kolom, jenis data, kunci partisi, dan ukuran tabel).
  • Context. Pustaka pengetahuan multidimensi yang disintesis, yang menggabungkan skema teknis, semantik bisnis, hubungan data, perilaku operasional, dan sinyal kepercayaan untuk memberikan makna pada data dan memandu penalaran.

Knowledge Catalog mentransisikan pengelolaan metadata dari katalog pasif menjadi bidang kontrol dinamis dari konteks aktif. Tabel berikut menyoroti perbedaan utama antara metadata pasif dan konteks data aktif:

Dimensi Metadata teknis Konteks data aktif
Fokus inti Spesifikasi dan format penyimpanan yang mendasarinya. Makna bisnis, perilaku operasional, dan hubungan.
Status Pasif: Disimpan di registry katalog untuk pencarian manual oleh engineer. Aktif: Terus diperkaya oleh AI, diambil dari histori kueri, dan disusun secara dinamis untuk perintah LLM.
Konsumen utama Mesin database, data engineer, dan auditor kepatuhan. Agen AI, Model Bahasa Besar (LLM), analis bisnis, dan antarmuka percakapan.
Tujuan utama Pengelolaan penyimpanan, pengindeksan, dan verifikasi kepatuhan. Melakukan grounding pada penalaran agen, menyelesaikan penggabungan, dan mencegah halusinasi.

Contoh: Metadata dibandingkan dengan konteks

Untuk memahami cara konteks memperluas metadata teknis, pertimbangkan cara Knowledge Catalog merepresentasikan kolom transaksi:

Metadata teknis saja

Metadata teknis memberikan informasi struktural, tetapi tidak memiliki logika bisnis dan panduan operasional:

  • Tabel: fact_orders
  • Kolom: disc_val
  • Jenis data: NUMERIC
  • Properti penyimpanan: Dipartisi oleh order_date

Agen AI yang hanya menggunakan metadata teknis ini mungkin menebak bahwa disc_val mewakili total diskon pelanggan, tetapi tidak dapat menentukan apakah nilai tersebut mencakup pajak, potongan harga produsen, atau kupon promosi.

Konteks data yang diperkaya

Knowledge Catalog memperkaya metadata teknis dengan lapisan semantik, relasional, dan operasional ke dalam payload konteks terpadu:

  • Skema teknis: fact_orders.disc_val (NUMERIC).
  • Definisi semantik: Dipetakan ke istilah glosarium bisnis "Diskon Promosi", yang didefinisikan sebagai diskon pelanggan yang diterapkan saat checkout, tidak termasuk potongan harga produsen dan tunjangan pengiriman.
  • Hubungan yang ditemukan: Otomatis menautkan fact_orders.customer_id ke dim_customers.id dan fact_orders.promo_id ke dim_promotions.id.
  • Penggunaan operasional: Histori kueri menunjukkan bahwa 90% kueri bisnis memfilter tabel ini berdasarkan status = 'COMPLETED' dan menggabungkannya dengan dim_promotions.
  • Kepercayaan dan kualitas: Dinilai dengan rating validitas 99,8% oleh pemindaian kualitas data otomatis, dengan keaktualan data yang diverifikasi dalam 2 jam terakhir.
  • Golden query: Berisi template SQL terverifikasi yang menunjukkan cara menghitung pendapatan bersih yang diakui menggunakan disc_val.

Dengan konteks lengkap ini, agen AI atau analis data dapat membuat kueri dan menafsirkan data secara akurat tanpa validasi manual atau halusinasi.

Tantangan dalam menggunakan data tanpa konteks

Dalam data estate terdistribusi, data mentah tanpa konteks jarang sekali cukup untuk memecahkan masalah bisnis. Jika database terstruktur, log tidak terstruktur, dan metrik analisis tidak memiliki makna bisnis, pengguna dan sistem otonom akan menghadapi batas konteks yang membuat data sulit ditemukan, dipercaya, atau dioperasionalkan untuk AI. Analis manusia harus melakukan validasi manual untuk memverifikasi sumber data, sementara agen AI sering kali menghasilkan jawaban yang tidak akurat (halusinasi) atau gagal menjalankan tindakan.

Tanpa konteks terstruktur, organisasi akan menghadapi beberapa hambatan operasional:

  • Rutinitas kolaborasi. Kurangnya definisi bisnis yang jelas memaksa tim analisis dan AI melakukan siklus koordinasi manual yang berkelanjutan dengan pakar materi subjek (SME) untuk membangun pemahaman dasar tentang tabel.

  • Pergeseran konteks. Dokumentasi standar tetap statis dan menurun seiring waktu. Tanpa pemantauan berkelanjutan, metadata yang sudah usang akan menyebabkan asumsi yang salah dan alur kerja agen AI yang rusak.

  • Kegagalan penalaran. Agen AI dan model bahasa besar mungkin menghasilkan kueri SQL yang benar secara sintaksis, tetapi gagal mematuhi logika perusahaan yang mendasarinya, sehingga menghasilkan penghitungan yang salah dari perspektif bisnis.

  • Informasi yang terpisah. Pengetahuan internal tentang cara memfilter atau menggabungkan set data dengan benar masih terjebak dalam skrip atau penyiapan dasbor yang tidak terdokumentasi, bukan terdaftar dalam inventaris terpusat.

Untuk mengatasi bottleneck operasional ini dan membuat data dapat ditindaklanjuti, organisasi memerlukan mesin konteks yang andal di seluruh data estate mereka.

Pilar inti pengelolaan konteks

Untuk mempertahankan mesin konteks yang andal ini di seluruh properti data Anda, Knowledge Catalog beroperasi pada tiga pilar:

Agregasi

Knowledge Catalog otomatis mengumpulkan metadata dari seluruh database bawaan, katalog REST Iceberg, dan platform pihak ketiga. Fitur ini menggabungkan input yang terfragmentasi ini ke dalam satu zona tata kelola terpadu, sehingga membantu memastikan bahwa kebijakan keamanan dan definisi klasifikasi diwariskan secara konsisten.

Pengayaan

Dengan menggunakan antarmuka Knowledge Studio, data steward dan context engineer dapat terus memperbarui dan mengumpulkan set konteks tertentu dalam grafik konteks secara keseluruhan. Knowledge Catalog otomatis menambang log transaksi, skema database, dan model business intelligence untuk menemukan deskripsi kolom dan hubungan tabel. Melalui antarmuka Knowledge Studio, pembelajaran berkelanjutan ini memungkinkan petugas peninjau menangkap pengetahuan institusional mereka dan menerapkannya ke aset Anda secara dinamis.

Penelusuran dan pengambilan

Knowledge Catalog menyediakan penelusuran semantik presisi tinggi yang memungkinkan Anda membuat kueri properti data dalam bahasa alami. Karena Knowledge Catalog memahami grup izin (ACL) dan terminologi bisnis, pengguna dan agen otonom dapat menemukan konteks data yang relevan dengan latensi rendah.

Cara metadata dan konteks dimasukkan ke Knowledge Catalog

Untuk membangun mesin konteks yang andal, Knowledge Catalog menyerap dan mengumpulkan informasi melalui konektor platform otomatis, pengayaan AI berkelanjutan, dan antarmuka kustom yang dapat diperluas.

Sumber data pihak pertama dan pengumpulan otomatis

Knowledge Catalog otomatis mengumpulkan metadata struktural dan operasional dari layanan Google Cloud inti tanpa memerlukan konfigurasi manual:

  • Database dan warehouse analisis. Layanan seperti BigQuery, Spanner, Cloud SQL, dan AlloyDB untuk PostgreSQL terus menyinkronkan metadata teknis, termasuk skema tabel, jenis data kolom, kunci partisi, spesifikasi pengelompokan, dan batas set data.

  • Sinkronisasi semantik BI siap pakai. Untuk Looker ( Google Cloud core), Knowledge Catalog secara otomatis menyinkronkan aset business intelligence:

    • Definisi semantik LookML. Model, Eksplorasi, tampilan, dimensi, dan ukuran.
    • Aset dasbor BI. Dasbor, elemen dasbor, dan Look.

  • Integrasi dan transformasi data. Layanan seperti Datastream menangkap metadata aliran data change data capture (CDC), Dataform mengirimkan definisi tabel dan transformasi SQL, dan Cortex Framework memublikasikan produk data terdaftar.

Pengelolaan konteks berbasis AI yang berkelanjutan

Selain skema teknis statis, Knowledge Catalog memperbarui grafik konteksnya secara dinamis menggunakan mesin kecerdasan bawaan:

  • Insight data. Didukung oleh Gemini in BigQuery, insight data menambang log kueri historis, transaksi pengguna, dan pola skema untuk menghasilkan deskripsi kolom bahasa alami, menemukan hubungan tabel (seperti kunci gabungan), dan mengusulkan contoh kueri terverifikasi ("golden query") yang menangkap logika perusahaan. Untuk mengetahui informasi selengkapnya, lihat Tentang insight data untuk data terstruktur.
  • Pembuatan profil data dan kualitas data otomatis. Pemindaian menghitung distribusi statistik (seperti jumlah yang berbeda, rasio null, dan nilai sampel) serta mengevaluasi data berdasarkan pemeriksaan kualitas data berbasis aturan, dengan melampirkan skor kondisi langsung ke entri katalog. Untuk mengetahui informasi selengkapnya, lihat Tentang kualitas data otomatis.

Pengelolaan yang memerlukan interaksi manusia dengan Knowledge Studio

Untuk mengatur dan mengorkestrasi grafik konteks aktif, pengguna beroperasi dalam Knowledge Studio. Antarmuka ini menyediakan pusat utama untuk:

  • Set data konteks. Mengelompokkan tabel terkait, dokumen tidak terstruktur, dan glosarium ke dalam paket terpadu yang siap digunakan oleh agen AI.
  • Alur kerja pengayaan. Meninjau deskripsi kolom yang disarankan AI, menerapkan pemetaan glosarium bisnis, dan mengesahkan aset secara manual sebagai otoritatif. Untuk mengetahui informasi selengkapnya, lihat Mengelola pengayaan.
  • Organisasi lingkungan. Memastikan berbagai tim domain (seperti Keuangan atau Teknik) memiliki area terisolasi sendiri untuk mengelola aturan semantik.

Untuk mengetahui informasi selengkapnya, lihat Memperkaya konteks dengan Knowledge Studio.

Penyerapan metadata kustom dan sistem pihak ketiga

Untuk organisasi dengan pusat informasi yang dipesan khusus, alat tata kelola pihak ketiga, atau sistem lokal, Knowledge Catalog menyediakan mekanisme penyerapan yang fleksibel:

  • API Knowledge Catalog (operasi CRUD). Gunakan metode API CreateEntry, UpdateEntry, dan CreateAspectType untuk mendaftarkan aset eksternal secara terprogram dan melampirkan aspek metadata kustom (seperti rating kepatuhan atau dokumentasi sistem).
  • Agen pengayaan kustom. Gunakan framework agen seperti Agent Development Kit (ADK) atau LangChain untuk membangun agen pengayaan kustom. Misalnya, agen ADK dapat menyerap dokumentasi teknis dari wiki internal atau repositori Git, menggunakan LLM untuk mengurainya menjadi istilah glosarium bisnis yang standar, dan melampirkannya ke entri katalog. Untuk mengetahui informasi selengkapnya, lihat Membangun agen AI untuk memperkaya metadata.
  • Operasi ekspor dan impor. Gunakan alur kerja ekspor dan impor massal berbasis file (JSON atau CSV) untuk meninjau definisi bisnis yang dihasilkan AI, berkolaborasi dengan data steward, dan mengupdate metadata secara massal. Untuk mengetahui informasi selengkapnya, lihat Mengekspor metadata.

Cara konteks digunakan di seluruh layanan pihak pertama dan pihak ketiga

Layanan dan aplikasi berinteraksi dengan Knowledge Catalog dalam dua peran yang berbeda:

  • Penyedia metadata. Layanan yang mengirim metadata teknis, skema, dan definisi LookML ke Knowledge Catalog (misalnya, Looker, Cloud SQL, dan Spanner). Penyedia metadata mengirim metadata ke katalog, tetapi tidak selalu menggunakan definisi glosarium bisnis ke antarmuka pengguna mereka sendiri.
  • Konsumen konteks. Layanan, alat developer, dan agen AI yang mengambil definisi bisnis, profil operasional, dan aturan tata kelola dari Knowledge Catalog untuk mendasari penalaran dan eksekusi mereka.

Sebelum aplikasi dan agen dapat menggunakan konteks, Anda perlu menetapkan istilah bisnis dasar dan aturan kualitas. Untuk mengetahui informasi selengkapnya, lihat Menetapkan konteks data dasar dan Membangun alur kerja kualitas data policy-as-code.

Aplikasi dan layanan AI menggunakan konteks dari Knowledge Catalog melalui mekanisme berikut:

Integrasi pihak pertama (1P) bawaan

Beberapa layanan Google Cloud secara native mengkueri Knowledge Catalog untuk memberikan pengalaman AI yang kontekstual:

  • Gemini in BigQuery (Conversational Agent). Saat Anda memasukkan perintah bahasa alami di BigQuery Studio, Gemini akan otomatis mengkueri definisi glosarium bisnis Knowledge Catalog, deskripsi kolom, dan hubungan kueri historis di latar belakang. Hal ini akan mendasarkan Gemini pada terminologi bisnis perusahaan, sehingga memastikan kueri SQL yang dihasilkan menggunakan gabungan tabel dan definisi metrik yang benar.
  • Agen Data Engineering di BigQuery. Menemukan dan mengkueri tabel Apache Iceberg dan BigQuery, otomatis memanggil penelusuran katalog semantik untuk menyelesaikan dependensi aset, dan menghasilkan metadata katalog selama eksekusi pipeline.
  • Gemini dan Agent Builder. Agen dan aplikasi penelusuran GenAI kustom yang dibangun di Gemini menggunakan metadata katalog dan aturan bisnis untuk mendasarkan penalaran model pada fakta perusahaan yang terverifikasi.
  • Google Cloud console dan UI Bisnis. Pengguna akhir dan data steward menjelajahi aset menggunakan penelusuran semantik natural language, melihat grafik hubungan data interaktif, dan mengelola glosarium bisnis.

Aplikasi pihak ketiga dan ekosistem agen AI

Layanan dan sistem otonom tanpa integrasi bawaan menggunakan konteks melalui protokol terbuka dan API pengambilan khusus:

Model Context Protocol (MCP)

Model Context Protocol (MCP) adalah standar terbuka yang memungkinkan agen AI, alat developer, dan IDE terhubung langsung ke alat Knowledge Catalog. MCP menyediakan antarmuka standar untuk memeriksa skema tabel, mencari definisi glosarium, dan memverifikasi skor kualitas data.

Knowledge Catalog mendukung dua opsi deployment MCP:

Mengambil konteks yang telah diformat sebelumnya dengan LookupContext API

Untuk pipeline AI kustom dan aplikasi LLM, Knowledge Catalog menyediakan metode API LookupContext.

Alih-alih mengharuskan agen melakukan beberapa panggilan berurutan untuk memeriksa skema, mencari istilah glosarium, mengambil skor kualitas data, dan memeriksa log kueri, metode LookupContext mengambil paket metadata lengkap yang telah diformat sebelumnya dan terpadu dalam satu permintaan.

Kemampuan utama metode LookupContext meliputi:

  • Format yang siap untuk LLM. Menampilkan konteks yang diformat sebagai yaml (default), json, atau xml, yang dirancang untuk penyisipan langsung ke dalam perintah sistem LLM.
  • Penganggaran token (context_budget). Memungkinkan Anda menentukan anggaran karakter target. Ini adalah anggaran fleksibel, yang berarti API akan memotong dan memprioritaskan metadata secara cerdas untuk mencoba menyesuaikan dengan jendela konteks model Anda, tetapi tidak menjamin akan tetap berada di bawah batas tersebut.
  • Tampilan konteks yang dapat dikonfigurasi.
    • BASIC. Menampilkan metadata entri dasar, skema, deskripsi kolom, teks ringkasan, dan panduan agen.
    • STANDARD. Selain metadata dasar, Gemini melintasi grafik konteks untuk menyertakan hubungan gabungan multi-tabel, istilah dan sinonim glosarium bisnis yang dilampirkan, serta kueri contoh yang diverifikasi.
  • Gabungan yang ditemukan dan golden query. Mencakup kondisi penggabungan tabel yang disimpulkan (misalnya, orders.customer_id = customers.id) dan contoh kueri SQL yang diverifikasi.

Untuk mengetahui informasi selengkapnya, lihat Mengambil konteks untuk aset data dan referensi REST lookupContext.

Cara konteks membantu pengguna akhir dan agen AI

Knowledge Catalog menyediakan konteks universal dalam data cloud agentic-nya dengan menyatukan skema teknis, semantik bisnis, dan metrik kualitas ke dalam lapisan konteks aktif. Dengan mengekspos metadata ini melalui antarmuka terbuka seperti Model Context Protocol (MCP), API pengambilan konteks, dan penelusuran semantik, Knowledge Catalog membantu pengguna dan sistem otonom.

Menghilangkan pekerjaan manual terkait kepercayaan untuk pengguna

Tanpa lapisan semantik terpusat, Anda harus menyelidiki database pokok dan histori kueri untuk menjawab pertanyaan bisnis dasar. Katalog standar bertindak sebagai inventaris skema pasif, yang mengharuskan Anda mencari definisi metrik atau memverifikasi kebersihan tabel secara manual.

Knowledge Catalog mengubah tata kelola pasif ini menjadi kecerdasan aktif. Dengan menampilkan skor kualitas, deskripsi semantik, dan peringatan penggunaan langsung bersama aset data, Knowledge Catalog memungkinkan Anda memercayai dan menggunakan data tanpa menunggu peninjauan engineering.

Mendasarkan agen otonom dan mengaktifkan tata kelola dinamis

Agen AI dan Model Bahasa Besar (LLM) memerlukan aturan deterministik yang ketat untuk berinteraksi dengan database. Tanpa konteks semantik yang eksplisit, agen akan membuat asumsi yang salah tentang nama kolom atau menghasilkan kueri SQL yang salah.

Selain itu, konteks aktif mentransisikan pengelolaan metadata dari registry pasif ke lapisan tata kelola aktif. Dengan menentukan aturan bisnis, metrik, dan petunjuk agen yang terverifikasi langsung dalam Knowledge Catalog, organisasi dapat mengatur cara agen mengambil, mengevaluasi, dan menindaklanjuti data perusahaan.

Knowledge Catalog mengatasi kesenjangan ini. Framework ini mengekspor profil konteks aktif terpadu ke aplikasi AI Anda melalui antarmuka standar seperti Model Context Protocol (MCP) atau LookupContext API. Melakukan grounding pada model Anda dalam metadata ini akan meminimalkan halusinasi, menerapkan aturan tata kelola, dan membantu memastikan bahwa tindakan otonom didasarkan pada kebenaran organisasi yang terverifikasi.

Cara aplikasi AI menggunakan set konteks

Gemini Enterprise dan aplikasi AI lainnya menggunakan set konteks melalui dua pola utama:

  • Penemuan konteks dinamis menggunakan penelusuran semantik: Dalam lingkungan analisis percakapan atau layanan mandiri, pengguna mengajukan pertanyaan ad hoc dalam bahasa alami (misalnya, Berapa rasio retensi bersih kuartalan kami di seluruh akun perusahaan?). Saat pengguna mengirimkan perintah, agen akan mengeluarkan kueri penelusuran semantik terhadap Knowledge Catalog untuk menemukan set konteks yang paling relevan yang cocok dengan domain pertanyaan. Agen memasukkan konteks yang diambil ke dalam perintah aktif, sehingga dapat menghasilkan kueri SQL yang akurat terhadap data warehouse yang mendasarinya.

  • Set konteks yang telah dikonfigurasi sebelumnya untuk aplikasi khusus: Anda dapat mengonfigurasi agen terlebih dahulu dengan referensi set konteks eksplisit dengan memberikan URI resource-nya selama penyiapan. Mengikat set konteks khusus akan memberikan grounding deterministik, sehingga memastikan bahwa semua interaksi di masa mendatang secara konsisten menggunakan definisi bisnis bersertifikasi, tanpa overhead penelusuran runtime. Karena tugas pengayaan berulang menyempurnakan set konteks dari waktu ke waktu, aplikasi downstream akan otomatis mewarisi peningkatan kualitas ini tanpa memerlukan reprompt manual atau deployment ulang aplikasi.

Knowledge Catalog meminimalkan halusinasi dan menerapkan aturan tata kelola dengan mengekspor profil konteks aktif terpadu ke aplikasi AI Anda melalui antarmuka standar seperti Model Context Protocol (MCP) atau API LookupContext.

Mengoordinasikan alur kerja multi-agen dengan konteks bersama

Dalam framework (atau swarm) multi-agen, agen khusus yang terpisah berkolaborasi untuk menjalankan alur kerja yang kompleks. Saat beroperasi di seluruh lingkungan yang terpisah tanpa bidang konteks bersama, agen ini menghadapi batas konteks—mereka mungkin menggunakan aturan bisnis yang bertentangan, gagal menemukan dependensi yang relevan, atau menduplikasi upaya pengambilan.

Menggunakan Knowledge Catalog sebagai registry konteks terpusat membantu Anda mengoordinasikan dan menskalakan swarm multi-agen. Melakukan grounding swarm Anda di Knowledge Catalog memberikan manfaat berikut:

  • Semantik bisnis bersama. Semua agen merujuk ke makna dan definisi bisnis yang sama. Misalnya, jika agen analisis data dan agen pelaporan sama-sama mengambil tabel yang berisi angka penjualan, mereka akan menggunakan definisi glosarium yang sama untuk metrik seperti Gross Merchandise Value (GMV) guna membantu memastikan konsistensi.

  • Penyelesaian dependensi dinamis. Agen dapat menggunakan hubungan konteks untuk menemukan resource upstream dan downstream secara terprogram. Hal ini memungkinkan agen pemecahan masalah pipeline melacak kegagalan data ke tabel sumbernya dan menyerahkan tugas ke agen perbaikan tanpa aturan dependensi hardcode.

  • Antarmuka koneksi terpadu. Dengan menggunakan Model Context Protocol (MCP), Anda mengekspos satu endpoint semantik ke seluruh swarm. Hal ini menghilangkan kebutuhan untuk mengonfigurasi integrasi API kustom untuk setiap agen.

  • Tata kelola keamanan tingkat perimeter. Knowledge Catalog memeriksa kueri agen terhadap peran IAM yang telah dikonfigurasi sebelumnya. Hal ini membantu memastikan bahwa agen hanya mengambil konteks resource yang secara eksplisit diizinkan untuk diakses, sehingga mencegah eksposur data yang tidak disengaja di seluruh swarm.

Kasus penggunaan untuk menggunakan konteks data

Untuk memahami cara konteks data menyelesaikan pertanyaan yang kompleks, pertimbangkan cara Knowledge Catalog menerapkan lapisan teknis, semantik, dan operasional dalam praktiknya:

E-commerce: Mempersonalisasi rekomendasi penelusuran

Untuk menyelaraskan kampanye pemasaran musiman dengan inventaris produk, agen penelusuran harus memahami hubungan antara email promosi tidak terstruktur dengan katalog produk terstruktur dan tabel transaksi pengguna. Knowledge Catalog memetakan entity ini, sehingga model rekomendasi dapat menyarankan produk yang relevan secara real time.

Manufaktur: Mengoptimalkan pemeliharaan mesin

Model pemeliharaan prediktif memerlukan integrasi log suku cadang terstruktur dengan panduan perbaikan teknisi yang tidak terstruktur dan feed sensor langsung. Dengan memetakan hubungan antara nomor komponen dan bab manual, Knowledge Catalog memungkinkan sistem analisis memprediksi kelelahan peralatan dan menjadwalkan perbaikan sebelum terjadi kegagalan.

Layanan kesehatan: Memvalidasi data uji klinis

Pusat riset klinis harus memverifikasi bahwa statistik pasien sesuai dengan aturan studi yang ketat, dan bahwa catatan izin pasien dipetakan langsung ke set data hasil uji coba. Knowledge Catalog memetakan hubungan konteks untuk mengaudit pipeline izin dan memberi tahu peneliti tentang anomali profil data, sehingga membantu menjaga integritas uji klinis.

Jasa keuangan: Mengevaluasi risiko kredit

Model penjaminan pinjaman menggunakan skor kredit pelanggan, histori transaksi, dan saldo utang aktif di berbagai sistem sumber yang terpisah. Knowledge Catalog menyediakan grafik terpadu metrik pinjaman, sehingga alat underwriting dapat mengonfirmasi bahwa penilaian risiko menggunakan aset yang tersertifikasi dan sesuai.

Telekomunikasi: Mendiagnosis operasi jaringan

Sistem dan agen pengelolaan jaringan otonom menganalisis perilaku sinyal real-time, mendeteksi penurunan performa, dan menerapkan tindakan korektif yang dapat memperbaiki diri sendiri. Dengan mendasarkan agen ini pada konteks Knowledge Catalog, sistem dapat memetakan hubungan antara log teknis dan area layanan bisnis dengan aman.

Langkah berikutnya

Konsep

Pelajari cara mengorkestrasi konteks data lengkap, membangun set konteks, dan melakukan grounding pada agen AI menggunakan antarmuka Knowledge Studio.

Konsep

Pelajari container konteks paket Knowledge Studio yang digunakan untuk melakukan grounding agen AI downstream Anda dengan aman.

Konsep

Pelajari cara mengonfigurasi alur kerja ekstraksi metadata berbasis AI untuk membangun konteks data secara otomatis.

Tutorial

Membangun glosarium bisnis, menentukan jenis aspek kustom, dan memperkaya aset di BigQuery.

Integrasi AI

Pelajari cara Model Context Protocol menghubungkan agen ke alat dan resource Knowledge Catalog.

Api

Mengekstrak konteks YAML atau JSON yang telah diformat sebelumnya dan dianggarkan tokennya untuk injeksi perintah LLM langsung.