Tentang konteks data di Knowledge Catalog

Dalam lingkungan data terdistribusi, data mentah tanpa konteks jarang cukup untuk memecahkan masalah bisnis. Jika database terstruktur, log tidak terstruktur, dan metrik analitis tidak memiliki makna bisnis, pengguna dan sistem otonom akan menghadapi batas konteks. 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.

Knowledge Catalog menyelesaikan masalah ini dengan mengubah pengelolaan metadata dari katalog pasif menjadi bidang kontrol dinamis dari konteks aktif. Dengan menggabungkan struktur teknis, aturan bisnis, dan pola penggunaan di dunia nyata, Knowledge Catalog menyediakan lapisan konteks terpadu yang membantu memastikan Anda dan aplikasi AI Anda dapat menemukan, mengevaluasi, dan menafsirkan aset data secara akurat dan aman.

Apa itu konteks?

Konteks adalah detail struktural, operasional, dan semantik yang kaya yang mendeskripsikan aset data. Daripada merepresentasikan tabel sebagai skema nama dan jenis data yang berdiri sendiri, konteks memberikan gambaran 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 kueri emas (pertanyaan bahasa alami terverifikasi yang dipetakan ke pernyataan kode SQL yang benar).

  • Metadata operasional. Perilaku dan kesehatan data dari waktu ke waktu, termasuk silsilah data tingkat kolom, profil eksekusi, statistik pembuatan profil, dan skor kualitas data.

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

  • Sinyal kepercayaan. Indikator verifikasi, seperti stempel kepemilikan dan sertifikasi, yang memverifikasi apakah aset adalah sumber tepercaya.

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

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

Perbedaan konteks data dengan metadata

Meskipun metadata menyediakan blok pembangun dasar, metadata dan konteks tidak dapat dipertukarkan:

  • Metadata. Atribut deskriptif yang menentukan struktur fisik, lokasi, dan properti teknis aset data 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.

Tabel berikut menyoroti perbedaan utama antara metadata pasif dan konteks data aktif:

Dimensi Metadata teknis Konteks data aktif
Fokus utama Spesifikasi fisik dan format penyimpanan. Makna bisnis, perilaku operasional, dan hubungan.
Status Pasif: Disimpan dalam pendaftaran katalog untuk pencarian manual oleh engineer. Aktif: Terus diperkaya oleh AI, diekstrak 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. Mendasari 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:

1. 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 menurut 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, rabat produsen, atau kupon promosi.

2. 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 rabat 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 mengungkapkan bahwa 90% kueri bisnis memfilter tabel ini menurut status = 'COMPLETED' dan menggabungkannya dengan dim_promotions.
  • Kepercayaan dan kualitas: Mendapatkan skor dengan rating validitas 99,8% oleh pemindaian kualitas data otomatis, dengan keaktualan data yang terverifikasi dalam 2 jam terakhir.
  • Kueri emas: Mencakup template SQL terverifikasi yang menunjukkan cara menghitung pendapatan bersih yang diakui menggunakan disc_val.

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

Tantangan menggunakan data tanpa konteks

Sebagian besar data perusahaan tidak memiliki metadata yang diperlukan, sehingga sulit ditemukan, dipercaya, atau dioperasionalkan untuk AI. Tanpa konteks terstruktur, organisasi akan menghadapi beberapa hambatan operasional:

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

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

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

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

Untuk mengatasi hambatan operasional ini dan membuat data dapat ditindaklanjuti, organisasi memerlukan mesin konteks yang andal di seluruh aset data 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 secara otomatis mengumpulkan metadata dari seluruh database bawaan, katalog REST Iceberg, dan platform pihak ketiga. Hal ini menggabungkan input yang terfragmentasi ini ke dalam satu zona tata kelola yang terpadu, sehingga membantu memastikan bahwa kebijakan keamanan dan definisi klasifikasi diwarisi secara konsisten.

Pengayaan

Knowledge Catalog terus memperbarui dan mengelola grafik konteks Anda menggunakan penyerapan berbasis AI. Dengan menambang log transaksi, skema database, dan model business intelligence, Knowledge Catalog secara otomatis menemukan deskripsi kolom dan relasi tabel. Pembelajaran berkelanjutan ini merekam pengetahuan institusional pemilik data 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 mengelola informasi melalui konektor platform otomatis, pengayaan AI berkelanjutan, dan antarmuka kustom yang dapat diperluas.

Sumber data pihak pertama dan pengumpulan otomatis

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

  • Database dan warehouse analitik. 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.
  • Insight data tidak terstruktur. Untuk file tidak terstruktur yang disimpan di Cloud Storage (seperti dokumentasi PDF atau panduan kebijakan), Knowledge Catalog menjalankan pemindaian penemuan dan pembuatan profil yang mengekstrak konsep utama dan hubungan entitas, menghasilkan profil grafik dan mendaftarkan tabel objek terstruktur di BigQuery. Untuk mengetahui informasi selengkapnya, lihat Tentang insight data tidak terstruktur.
  • Sinkronisasi silsilah dan semantik BI siap pakai. Untuk Looker (coreGoogle Cloud ), 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.
    • Silsilah data end-to-end. Hubungan melacak aliran data dari tabel BigQuery pokok hingga ke dasbor Looker di hilir. Untuk mengetahui informasi selengkapnya, lihat Mengelola resource Looker (Google Cloud core) dengan Knowledge Catalog.
  • Integrasi dan transformasi data. Layanan seperti Datastream mengambil metadata dan silsilah aliran pengambilan data perubahan (CDC), Dataform mengirimkan definisi tabel dan transformasi SQL, dan Cortex Framework memublikasikan produk data terdaftar.

Kurasi konteks berkelanjutan yang didukung AI

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 dalam bahasa alami, menemukan hubungan tabel (seperti kunci gabungan), dan menyarankan contoh kueri yang terverifikasi ("golden query") yang mencakup logika perusahaan. Untuk mengetahui informasi selengkapnya, lihat artikel Tentang insight data untuk data terstruktur.
  • Pembuatan profil dan kualitas data otomatis. Pemindaian menghitung distribusi statistik (seperti jumlah unik, rasio null, dan nilai sampel) dan mengevaluasi data terhadap pemeriksaan kualitas data berbasis aturan, dengan melampirkan skor kesehatan langsung ke entri katalog. Untuk mengetahui informasi selengkapnya, lihat Tentang kualitas data otomatis.
  • Silsilah data otomatis. Menggabungkan alur transformasi tingkat kolom dan histori eksekusi tugas di seluruh pipeline data Anda. Untuk mengetahui informasi selengkapnya, lihat Tentang silsilah data.

Penyerapan metadata kustom dan sistem pihak ketiga

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

  • Knowledge Catalog API (operasi CRUD). Gunakan metode API CreateEntry, UpdateEntry, CreateAspectType, dan SetAspect 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 menguraikannya menjadi istilah glosarium bisnis 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 pengelola data, dan memperbarui metadata secara batch. 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 mengirimkan metadata teknis, skema, definisi LookML, dan silsilah ke Knowledge Catalog (misalnya, Looker, Cloud SQL, dan Spanner). Penyedia metadata mengirimkan metadata ke katalog, tetapi tidak selalu menggunakan definisi glosarium bisnis ke antarmuka penggunanya 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 harus 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 Google Cloud layanan secara native mengkueri Knowledge Catalog untuk memberikan pengalaman AI yang sadar konteks:

  • Gemini in BigQuery (Agen Percakapan). Saat Anda memasukkan perintah bahasa alami di BigQuery Studio, Gemini akan otomatis membuat kueri definisi glosarium bisnis Knowledge Catalog, deskripsi kolom, dan hubungan kueri historis di latar belakang. Hal ini mendasarkan Gemini pada terminologi bisnis perusahaan, sehingga memastikan bahwa kueri SQL yang dihasilkan menggunakan gabungan tabel dan definisi metrik yang benar.
  • Agen Data Engineering di BigQuery. Menemukan dan membuat kueri tabel Apache Iceberg dan BigQuery, otomatis memanggil penelusuran katalog semantik untuk menyelesaikan dependensi aset, dan membuat metadata katalog selama eksekusi pipeline.
  • Vertex AI dan Agent Builder. Agen dan aplikasi penelusuran GenAI kustom yang dibangun di Vertex AI menggunakan metadata katalog dan aturan bisnis untuk mendasarkan penalaran model pada fakta perusahaan yang terverifikasi.
  • Google Cloud konsol dan UI Bisnis. Pengguna akhir dan pengelola data menjelajahi aset menggunakan penelusuran semantik bahasa alami, 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, memverifikasi skor kualitas data, dan melacak silsilah 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 (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext).

Daripada 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 dalam satu permintaan.

Kemampuan utama metode LookupContext meliputi:

  • Format yang siap LLM. Menampilkan konteks yang diformat sebagai yaml (default), json, atau xml, yang dirancang untuk penyisipan langsung ke perintah sistem LLM.
  • Penganggaran token (context_budget). Memungkinkan Anda menentukan target anggaran karakter. API ini secara cerdas memangkas dan memprioritaskan metadata agar sesuai dengan jendela konteks model Anda.
  • Tampilan konteks yang dapat dikonfigurasi.
    • DASAR. Menampilkan metadata entri, skema, deskripsi kolom, teks ringkasan, dan pedoman agen yang mendasar.
    • STANDAR. Selain metadata dasar, melintasi grafik konteks untuk menyertakan hubungan gabungan multi-tabel, istilah dan sinonim glosarium bisnis yang dilampirkan, pola penggunaan runtime, dan kueri contoh yang terverifikasi.
  • Sinyal operasional dan penggunaan yang beragam. Menampilkan statistik penggunaan mendetail yang diperoleh dari histori kueri, seperti partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields, dan topAggregations.
  • Gabungan yang ditemukan dan kueri unggulan. Mencakup kondisi gabungan tabel yang disimpulkan (misalnya, orders.customer_id = customers.id) dan contoh kueri SQL yang terverifikasi.

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

Cara konteks membantu pengguna akhir dan agen AI

Knowledge Catalog memberikan konteks universal dalam data cloud agentic-nya dengan menyatukan skema teknis, semantik bisnis, silsilah data, 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 kepercayaan manual untuk pengguna

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

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

Mendasari 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 membuat asumsi yang salah tentang nama kolom atau menghasilkan kueri SQL yang salah.

Selain itu, transisi konteks aktif mengalihkan pengelolaan metadata dari registry pasif menjadi 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. Layanan ini mengekspor profil konteks aktif terpadu ke aplikasi AI Anda melalui antarmuka standar seperti Model Context Protocol (MCP) atau LookupContext API. Mendasari model Anda pada metadata ini akan meminimalkan halusinasi, menerapkan aturan tata kelola, dan membantu memastikan bahwa tindakan otonom didasarkan pada fakta organisasi yang terverifikasi.

Mengkoordinasikan alur kerja multi-agen dengan konteks bersama

Dalam framework multi-agen (atau swarm), agen khusus yang terpisah berkolaborasi untuk menjalankan alur kerja yang kompleks. Jika agen ini beroperasi di berbagai lingkungan yang terisolasi tanpa bidang konteks bersama, mereka akan 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. Menyematkan swarm Anda di Knowledge Catalog memberikan manfaat berikut:

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

  • Penyelesaian dependensi dinamis. Agen dapat menggunakan silsilah data untuk menemukan sumber daya hulu dan hilir secara terprogram. Hal ini memungkinkan agen pemecahan masalah pipeline melacak kegagalan data ke tabel sumbernya dan menyerahkan tugas tersebut ke agen perbaikan tanpa meng-hardcode aturan dependensi.

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

  • Tata kelola keamanan tingkat perimeter. Knowledge Catalog memeriksa kueri agen berdasarkan 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 entitas 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 suku cadang dan bab manual, Knowledge Catalog memungkinkan sistem analisis memprediksi kelelahan peralatan dan menjadwalkan perbaikan sebelum terjadi kegagalan.

Kesehatan: Memvalidasi data uji klinis

Pusat penelitian 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 melacak silsilah data tingkat kolom untuk mengaudit pipeline izin dan memberi tahu peneliti tentang anomali profil data, sehingga membantu menjaga integritas uji coba.

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 dan memetakan silsilah data, sehingga alat penjaminan emisi dapat mengonfirmasi bahwa penilaian risiko menggunakan aset yang bersertifikasi dan sesuai.

Telekomunikasi: Mendiagnosis operasi jaringan

Agen dan sistem pengelolaan jaringan otonom menganalisis perilaku sinyal real-time, mendeteksi penurunan performa, dan menerapkan tindakan korektif pemulihan mandiri. Dengan mendasarkan agen ini pada konteks Knowledge Catalog, sistem dapat dengan aman melacak komponen jaringan melalui grafik silsilah dan memetakan hubungan antara log teknis dan area layanan bisnis.

Langkah berikutnya

Tutorial

Buat glosarium bisnis, tentukan jenis aspek kustom, dan lengkapi aset di BigQuery.

Integrasi AI

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

Api

Ekstrak konteks YAML atau JSON yang telah diformat sebelumnya dan sesuai anggaran token untuk injeksi perintah LLM langsung.

Agen AI

Mengotomatiskan kurasi metadata dan pemetaan glosarium menggunakan Agent Development Kit.

Konsep

Pelajari metamodel fleksibel, jenis entri, jenis aspek, dan grup entri.

Tata kelola

Visualisasikan transformasi data tingkat kolom untuk memahami asal data dan dampak hilir.