Informazioni sul contesto dei dati in Knowledge Catalog

In un patrimonio di dati distribuito, i dati non elaborati senza contesto raramente sono sufficienti per risolvere un problema aziendale. Quando i database strutturati, i log non strutturati e le metriche analitiche non hanno significato per l'attività, gli utenti e i sistemi autonomi raggiungono un limite di contesto. Gli analisti umani devono eseguire la convalida manuale per verificare le origini dati, mentre gli agenti AI spesso generano risposte imprecise (allucinazioni) o non riescono a eseguire azioni.

Knowledge Catalog risolve questo problema eseguendo la transizione della gestione dei metadati da un catalogo passivo a un control plane dinamico di contesto attivo. Aggregando strutture tecniche, regole aziendali e modelli di utilizzo reali, Knowledge Catalog fornisce un livello di contesto unificato che aiuta a garantire che sia tu che le tue applicazioni AI possiate scoprire, valutare e interpretare gli asset di dati in modo accurato e sicuro.

Che cos'è il contesto?

Il contesto è il ricco insieme di dettagli strutturali, operativi e semantici che descrivono un asset di dati. Anziché rappresentare una tabella come schema autonomo di nomi e tipi di dati, il contesto fornisce la storia completa dei tuoi dati.

Knowledge Catalog organizza il contesto nei seguenti livelli:

  • Metadati tecnici. I dettagli strutturali importati direttamente dai sistemi di origine, inclusi schemi di database, tipi di campi, chiavi di partizionamento e tag di sicurezza (come le policy Identity and Access Management (IAM)).

  • Metadati semantici. Il significato aziendale dei dati, che include glossari aziendali, relazioni tra metriche, classificazioni, terminologia del dominio e query di riferimento (domande in linguaggio naturale verificate mappate alle istruzioni di codice SQL corrette).

  • Metadati operativi. Il comportamento e l'integrità dei dati nel tempo, inclusi la derivazione dei dati a livello di colonna, i profili di esecuzione, le statistiche di profilazione e i punteggi di qualità dei dati.

  • Relazioni. I collegamenti dedotti o definiti tra le tabelle di archiviazione fisica e gli indicatori aziendali concettuali.

  • Indicatori di attendibilità. Indicatori di verifica, come timbri di proprietà e certificazione, che verificano se una risorsa è una fonte autorevole.

  • Guida per gli agenti. Descrizioni non strutturate (come file README, note sull'utilizzo e log di esecuzione) che guidano gli strumenti autonomi su come e quando eseguire query su una risorsa.

Unificando questi livelli, Knowledge Catalog contribuisce a garantire che i tuoi dati siano compresi appieno, aiutandoti a evitare i colli di bottiglia operativi e l'incertezza associati a dati isolati e non documentati.

Differenza tra contesto dei dati e metadati

Sebbene i metadati forniscano i componenti di base, i metadati e il contesto non sono intercambiabili:

  • Metadati. Attributi descrittivi che definiscono la struttura fisica, la posizione e le proprietà tecniche di un asset di dati isolato (ad esempio, nomi delle colonne, tipi di dati, chiavi di partizione e dimensioni delle tabelle).
  • Contesto. Il knowledge graph multidimensionale sintetizzato che combina schemi tecnici, semantica aziendale, relazioni tra i dati, comportamento operativo e indicatori di attendibilità per dare significato ai dati e guidare il ragionamento.

La seguente tabella evidenzia le principali differenze tra i metadati passivi e il contesto dei dati attivo:

Dimensioni Metadati tecnici Contesto dei dati attivo
Focus principale Specifiche fisiche e formato di archiviazione. Significato aziendale, comportamento operativo e relazioni.
Stato Passivo: memorizzato nei registri del catalogo per la ricerca manuale da parte degli ingegneri. Attivo: arricchito continuamente dall'AI, estratto dalle cronologie delle query e assemblato dinamicamente per i prompt LLM.
Consumatori principali Motori di database, data engineer e revisori della conformità. Agenti AI, modelli linguistici di grandi dimensioni (LLM), analisti aziendali e interfacce conversazionali.
Scopo principale Gestione dello spazio di archiviazione, indicizzazione e verifica della conformità. Motivazione dell'agente, risoluzione dei join e prevenzione delle allucinazioni.

Esempio: metadati rispetto al contesto

Per capire in che modo il contesto si basa sui metadati tecnici, considera come Knowledge Catalog rappresenta una colonna di transazione:

1. Solo metadati tecnici

I metadati tecnici forniscono informazioni strutturali, ma non dispongono di logica di business e linee guida operative:

  • Tabella: fact_orders
  • Colonna: disc_val
  • Tipo di dati: NUMERIC
  • Proprietà di archiviazione: partizionato per order_date

Un agente AI che utilizza solo questi metadati tecnici potrebbe ipotizzare che disc_val rappresenti gli sconti totali per i clienti, ma non può determinare se questo valore include imposte, sconti del produttore o coupon promozionali.

2. Contesto dei dati arricchito

Knowledge Catalog arricchisce i metadati tecnici con livelli semantici, relazionali e operativi in un payload di contesto unificato:

  • Schema tecnico: fact_orders.disc_val (NUMERIC).
  • Definizione semantica: mappato al termine del glossario aziendale "Sconto promozionale", definito come sconti per i clienti applicati al momento del pagamento, esclusi gli sconti del produttore e le indennità di spedizione.
  • Relazioni rilevate: collega automaticamente fact_orders.customer_id a dim_customers.id e fact_orders.promo_id a dim_promotions.id.
  • Utilizzo operativo: la cronologia delle query rivela che il 90% delle query aziendali filtra questa tabella in base a status = 'COMPLETED' e la unisce a dim_promotions.
  • Affidabilità e qualità: punteggio di validità del 99,8% ottenuto tramite scansioni automatiche della qualità dei dati, con aggiornamento dei dati verificato nelle ultime 2 ore.
  • Query di riferimento: include un modello SQL verificato che mostra come calcolare il fatturato netto riconosciuto utilizzando disc_val.

Con questo contesto completo, un agente AI o un analista dei dati può generare con precisione query e interpretare i dati senza convalida umana manuale o allucinazioni.

Le sfide legate all'utilizzo dei dati senza contesto

La maggior parte dei dati aziendali non dispone dei metadati necessari, il che rende difficile la loro scoperta, l'affidabilità o l'operatività per l'AI. Senza un contesto strutturato, le organizzazioni devono affrontare diversi colli di bottiglia operativi:

  • Lavoro manuale di collaborazione. La mancanza di definizioni aziendali chiare costringe i team di analisi e AI a cicli di coordinamento manuali e continui con esperti in materia (SME) per creare una comprensione di base delle tabelle.

  • Deriva del contesto. La documentazione standard rimane statica e si deteriora nel tempo. Senza un monitoraggio continuo, i metadati obsoleti portano ad ipotesi errate e a workflow degli agenti AI interrotti.

  • Errori di ragionamento. Gli agenti AI e i modelli linguistici di grandi dimensioni potrebbero generare query SQL sintatticamente corrette, ma non rispettare la logica aziendale sottostante, producendo calcoli errati dal punto di vista aziendale.

  • Informazioni isolate. Le conoscenze interne su come filtrare o unire correttamente i set di dati rimangono intrappolate in script o configurazioni di dashboard non documentati anziché essere registrate in un inventario centralizzato.

Per superare questi colli di bottiglia operativi e rendere i dati utilizzabili, le organizzazioni hanno bisogno di un motore di contesto affidabile in tutto il loro patrimonio di dati.

Pilastri fondamentali della gestione del contesto

Per mantenere questo motore di contesto affidabile in tutto il tuo patrimonio di dati, Knowledge Catalog si basa su tre pilastri:

Aggregazione

Knowledge Catalog raccoglie automaticamente i metadati da database integrati, cataloghi Iceberg REST e piattaforme di terze parti. Consolida questi input frammentati in un'unica zona di governance unificata, contribuendo a garantire che le norme di sicurezza e le definizioni di classificazione vengano ereditate in modo coerente.

Arricchimento

Knowledge Catalog aggiorna e cura continuamente il tuo grafico di contesto utilizzando l'importazione basata sull'AI. Analizzando i log delle transazioni, gli schemi di database e i modelli di business intelligence, Knowledge Catalog rileva automaticamente le descrizioni delle colonne e le relazioni tra le tabelle. Questo apprendimento continuo acquisisce le conoscenze istituzionali dei proprietari dei dati e le applica dinamicamente alle tue risorse.

Ricerca e recupero

Knowledge Catalog fornisce una ricerca semantica di alta precisione che ti consente di eseguire query sul tuo patrimonio di dati in linguaggio naturale. Poiché Knowledge Catalog comprende i gruppi di autorizzazioni (ACL) e la terminologia aziendale, sia gli utenti che gli agenti autonomi possono individuare il contesto dei dati pertinente con una bassa latenza.

Come vengono inseriti metadati e contesto in Knowledge Catalog

Per creare un motore di contesto affidabile, Knowledge Catalog acquisisce e cura le informazioni tramite connettori di piattaforma automatizzati, arricchimento continuo dell'AI e interfacce personalizzate estensibili.

Origini dati proprietari e raccolta automatica

Knowledge Catalog raccoglie automaticamente i metadati strutturali e operativi dai servizi Google Cloud principali senza richiedere la configurazione manuale:

  • Database e data warehouse analitici. Servizi come BigQuery, Spanner, Cloud SQL e AlloyDB per PostgreSQL sincronizzano continuamente i metadati tecnici, inclusi schemi di tabelle, tipi di dati dei campi, chiavi di partizionamento, specifiche di clustering e limiti dei set di dati.
  • Approfondimenti sui dati non strutturati. Per i file non strutturati archiviati in Cloud Storage (come la documentazione PDF o i manuali delle norme), Knowledge Catalog esegue scansioni di rilevamento e profilazione che estraggono concetti chiave e relazioni tra entità, generando un profilo del grafico e registrando le tabelle degli oggetti strutturati in BigQuery. Per maggiori informazioni, consulta la pagina Informazioni sugli approfondimenti sui dati non strutturati.
  • Sincronizzazione semantica e della derivazione della BI predefinita. Per Looker (Google Cloud core), Knowledge Catalog sincronizza automaticamente gli asset di business intelligence:
    • Definizioni semantiche di LookML. Modelli, esplorazioni, visualizzazioni, dimensioni e misure.
    • Asset della dashboard di BI. Dashboard, elementi della dashboard e Look.
    • Tracciabilità dei dati end-to-end. Le relazioni tracciano il flusso di dati dalle tabelle BigQuery sottostanti fino alle dashboard Looker downstream. Per ulteriori informazioni, vedi Gestire le risorse di Looker (Google Cloud core) con Knowledge Catalog.
  • Integrazione dei dati e trasformazioni. Servizi come Datastream acquisiscono i metadati e la tracciabilità dello stream Change Data Capture (CDC), Dataform esegue il push delle definizioni delle tabelle e delle trasformazioni SQL e Cortex Framework pubblica i prodotti di dati registrati.

Curatela continua del contesto basata sull'AI

Oltre agli schemi tecnici statici, Knowledge Catalog aggiorna dinamicamente il suo grafico del contesto utilizzando motori di intelligence integrati:

  • Approfondimenti sui dati. Basati su Gemini in BigQuery, gli approfondimenti sui dati analizzano i log delle query storiche, le transazioni degli utenti e i pattern dello schema per generare descrizioni delle colonne in linguaggio naturale, scoprire le relazioni tra le tabelle (ad esempio le chiavi di join) e proporre query di esempio verificate ("query dorate") che acquisiscono la logica aziendale. Per maggiori informazioni, consulta la pagina Informazioni sui dati per i dati strutturati.
  • Profilazione e qualità dei dati automatizzate. Le scansioni calcolano distribuzioni statistiche (ad esempio conteggi distinti, rapporti nulli e valori di esempio) e valutano i dati in base a controlli della qualità dei dati basati su regole, allegando punteggi di integrità in tempo reale alle voci del catalogo. Per saperne di più, consulta Informazioni sulla qualità dei dati automatica.
  • Tracciabilità automatica dei dati. Aggrega i flussi di trasformazione a livello di colonna e le cronologie di esecuzione dei job nelle pipeline di dati. Per saperne di più, consulta la sezione Informazioni sulla derivazione dei dati.

Importazione di metadati personalizzati e sistemi di terze parti

Per le organizzazioni con knowledge base personalizzate, strumenti di governance di terze parti o sistemi on-premise, Knowledge Catalog fornisce meccanismi di importazione flessibili:

  • API Knowledge Catalog (operazioni CRUD). Utilizza i metodi CreateEntry, UpdateEntry, CreateAspectType e SetAspect dell'API per registrare in modo programmatico gli asset esterni e allegare aspetti di metadati personalizzati (come valutazioni di conformità o documentazione di sistema).
  • Agenti di arricchimento personalizzati. Utilizza framework di agenti come Agent Development Kit (ADK) o LangChain per creare agenti di arricchimento personalizzati. Ad esempio, un agente ADK può importare documentazione tecnica da wiki interni o repository Git, utilizzare un LLM per analizzarla e trasformarla in termini di glossario aziendale standardizzati e allegarli alle voci di catalogo. Per saperne di più, consulta Creare un agente AI per arricchire i metadati.
  • Operazioni di esportazione e importazione. Utilizza i flussi di lavoro di importazione ed esportazione collettiva basati su file (JSON o CSV) per esaminare le definizioni aziendali generate dall'AI, collaborare con i responsabili dei dati e aggiornare in batch i metadati. Per saperne di più, consulta Esportare i metadati.

Come viene utilizzato il contesto nei servizi proprietari e di terze parti

Servizi e applicazioni interagiscono con Knowledge Catalog in due ruoli distinti:

  • Fornitori di metadati. Servizi che inviano metadati tecnici, schemi, definizioni LookML e lineage a Knowledge Catalog (ad esempio Looker, Cloud SQL e Spanner). I fornitori di metadati inseriscono i metadati nel catalogo, ma non necessariamente utilizzano le definizioni del glossario aziendale nelle proprie interfacce utente.
  • Consumatori contestuali. Servizi, strumenti per sviluppatori e agenti AI che recuperano definizioni aziendali, profili operativi e regole di governance da Knowledge Catalog per basare il loro ragionamento e la loro esecuzione.

Prima che le applicazioni e gli agenti possano utilizzare il contesto, devi stabilire termini commerciali e regole di qualità di base. Per saperne di più, consulta Stabilire il contesto dei dati di base e Creare un flusso di lavoro per la qualità dei dati policy-as-code.

Le applicazioni e i servizi di AI utilizzano il contesto del Knowledge Catalog tramite i seguenti meccanismi:

Integrazioni proprietarie (1P) integrate

Diversi Google Cloud servizi eseguono query in modo nativo Knowledge Catalog per fornire esperienze di AI sensibili al contesto:

  • Gemini in BigQuery (agente conversazionale). Quando inserisci prompt in linguaggio naturale in BigQuery Studio, Gemini esegue automaticamente query in background sulle definizioni del glossario aziendale di Knowledge Catalog, sulle descrizioni delle colonne e sulle relazioni storiche tra le query. In questo modo, Gemini si basa sulla terminologia aziendale, garantendo che le query SQL generate utilizzino i join delle tabelle e le definizioni delle metriche corretti.
  • Agente di data engineering in BigQuery. Rileva ed esegue query sulle tabelle Apache Iceberg e BigQuery, richiama automaticamente le ricerche nel catalogo semantico per risolvere le dipendenze degli asset e genera i metadati del catalogo durante l'esecuzione della pipeline.
  • Vertex AI e Agent Builder. Gli agenti di AI generativa personalizzati e le applicazioni di ricerca create su Vertex AI utilizzano i metadati del catalogo e le regole aziendali per basare il ragionamento del modello su fatti aziendali verificati.
  • Google Cloud Console e interfaccia utente di Business. Gli utenti finali e i responsabili dei dati esplorano gli asset utilizzando la ricerca semantica in linguaggio naturale, visualizzano grafici interattivi delle relazioni tra i dati e gestiscono i glossari aziendali.

Applicazioni di terze parti ed ecosistemi di agenti AI

I servizi e i sistemi autonomi senza integrazioni integrate utilizzano il contesto tramite protocolli aperti e API di recupero dedicate:

Model Context Protocol (MCP)

Model Context Protocol (MCP) è uno standard aperto che consente agli agenti AI, agli strumenti per sviluppatori e agli IDE di connettersi direttamente agli strumenti Knowledge Catalog. MCP fornisce un'interfaccia standardizzata per esaminare gli schemi delle tabelle, cercare le definizioni del glossario, verificare i punteggi di qualità dei dati e tracciare la tracciabilità dei dati.

Knowledge Catalog supporta due opzioni di deployment MCP:

Recuperare il contesto preformattato con l'API LookupContext

Per le pipeline di AI personalizzate e le applicazioni LLM, Knowledge Catalog fornisce il metodo dell'API LookupContext (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext).

Anziché richiedere a un agente di effettuare più chiamate sequenziali per esaminare gli schemi, cercare i termini del glossario, recuperare i punteggi di qualità dei dati ed esaminare i log delle query, il metodo LookupContext recupera un bundle unificato e preformattato di metadati avanzati in un'unica richiesta.

Le funzionalità principali del metodo LookupContext includono:

  • Formati compatibili con gli LLM. Restituisce il contesto formattato come yaml (impostazione predefinita), json o xml, progettato per l'inserimento diretto nei prompt di sistema LLM.
  • Budget token (context_budget). Consente di specificare un budget di caratteri target. L'API tronca e assegna in modo intelligente la priorità ai metadati per adattarsi alla finestra contestuale del modello.
  • Viste contestuali configurabili.
    • BASIC. Restituisce metadati, schemi, descrizioni delle colonne, testo di riepilogo e linee guida per gli agenti fondamentali per le voci.
    • STANDARD. Oltre ai metadati di base, attraversa il grafico del contesto per includere relazioni di join tra più tabelle, termini e sinonimi del glossario aziendale allegati, pattern di utilizzo in fase di runtime e query di esempio verificate.
  • Indicatori operativi e di utilizzo avanzati. Restituisce statistiche di utilizzo dettagliate estratte dalla cronologia delle query, ad esempio partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields e topAggregations.
  • Unioni e query di riferimento rilevate. Include condizioni di join delle tabelle dedotte (ad esempio orders.customer_id = customers.id) e query SQL di esempio verificate.

Per saperne di più, consulta Recuperare il contesto per gli asset di dati e il riferimento REST lookupContext.

In che modo il contesto aiuta gli utenti finali e gli agenti AI

Knowledge Catalog fornisce un contesto universale all'interno del suo Agentic Data Cloud unificando schemi tecnici, semantica aziendale, tracciabilità dei dati e metriche di qualità in un livello di contesto attivo. Espone questi metadati tramite interfacce aperte come Model Context Protocol (MCP), API di recupero del contesto e ricerca semantica, Knowledge Catalog assiste sia gli utenti che i sistemi autonomi.

Eliminare il lavoro manuale di attendibilità per gli utenti

Senza un livello semantico centralizzato, devi esaminare la tracciabilità del database e le cronologie delle query per rispondere a domande aziendali di base. I cataloghi standard fungono da inventari passivi di schemi, il che richiede di cercare manualmente le definizioni delle metriche o verificare la pulizia delle tabelle.

Knowledge Catalog trasforma questa governance passiva in intelligence attiva. Visualizzando i punteggi di qualità, le descrizioni semantiche e gli avvisi di utilizzo direttamente accanto agli asset di dati, Knowledge Catalog ti consente di considerare attendibili e utilizzare i dati senza attendere le revisioni tecniche.

Fornire informazioni di base agli agenti autonomi e attivare la governance dinamica

Gli agenti AI e i modelli linguistici di grandi dimensioni (LLM) richiedono regole rigide e deterministiche per interagire con i database. Senza un contesto semantico esplicito, gli agenti fanno ipotesi errate sui nomi delle colonne o generano query SQL errate.

Inoltre, la gestione dei metadati delle transizioni di contesto attive passa da un registro passivo a un livello di governance attivo. Definendo regole aziendali, metriche e istruzioni per gli agenti verificate direttamente in Knowledge Catalog, le organizzazioni possono controllare il modo in cui gli agenti recuperano, valutano e utilizzano i dati aziendali.

Knowledge Catalog colma questa lacuna. Esporta profili di contesto attivi unificati nelle tue applicazioni AI tramite interfacce standard come il Model Context Protocol (MCP) o l'API LookupContext. L'ancoraggio dei modelli a questi metadati riduce le allucinazioni, applica le regole di governance e contribuisce a garantire che le azioni autonome si basino su dati aziendali verificati.

Coordinare workflow multi-agente con contesto condiviso

In un framework multi-agente (o sciame), agenti specializzati separati collaborano per eseguire workflow complessi. Quando questi agenti operano in ambienti isolati senza un piano di contesto condiviso, si trovano di fronte a un limite di contesto: potrebbero utilizzare regole aziendali in conflitto, non riuscire a individuare dipendenze pertinenti o duplicare lo sforzo di recupero.

L'utilizzo di Knowledge Catalog come registro di contesto centralizzato ti aiuta a coordinare e scalare gli sciami multi-agente. L'ancoraggio dello sciame in Knowledge Catalog offre i seguenti vantaggi:

  • Semantica aziendale condivisa. Tutti gli agenti fanno riferimento agli stessi significati e definizioni aziendali. Ad esempio, se un agente di analisi dei dati e un agente di generazione di report recuperano entrambi una tabella contenente cifre di vendita, utilizzano la stessa definizione del glossario di una metrica come Gross Merchandise Value (GMV) per garantire la coerenza.

  • Risoluzione dinamica delle dipendenze. Gli agenti possono utilizzare la derivazione dei dati per scoprire le risorse upstream e downstream in modo programmatico. In questo modo, un agente di risoluzione dei problemi della pipeline può tracciare un errore dei dati fino alla tabella di origine e trasferire l'attività a un agente di riparazione senza codificare le regole di dipendenza.

  • Interfaccia di connessione unificata. Utilizzando Model Context Protocol (MCP), esponi un singolo endpoint semantico all'intero swarm. In questo modo non è più necessario configurare integrazioni API personalizzate per ogni singolo agente.

  • Governance della sicurezza a livello di perimetro. Knowledge Catalog controlla le query dell'agente rispetto ai ruoli IAM preconfigurati. In questo modo, gli agenti recuperano solo il contesto delle risorse a cui sono esplicitamente autorizzati ad accedere, impedendo l'esposizione accidentale dei dati nello sciame.

Casi d'uso per l'utilizzo del contesto dei dati

Per capire come il contesto dei dati risolve le query complesse, considera come Knowledge Catalog applica in pratica i livelli tecnico, semantico e operativo:

E-commerce: personalizzare i suggerimenti di ricerca

Per allineare le campagne di marketing stagionali agli inventari dei prodotti, gli agenti di ricerca devono capire in che modo le email promozionali non strutturate si collegano ai cataloghi dei prodotti strutturati e alle tabelle delle transazioni degli utenti. Knowledge Catalog mappa queste entità, consentendo ai modelli di suggerimenti di consigliare prodotti pertinenti in tempo reale.

Produzione: ottimizza la manutenzione dei macchinari

I modelli di manutenzione predittiva richiedono l'integrazione di log delle parti strutturati con guide di riparazione per tecnici non strutturate e feed di sensori in tempo reale. Mappando le relazioni tra i numeri di parte e i capitoli del manuale, Knowledge Catalog consente ai sistemi di analisi di prevedere l'affaticamento delle attrezzature e programmare le riparazioni prima che si verifichino guasti.

Sanità: convalidare i dati delle sperimentazioni cliniche

I centri di ricerca clinica devono verificare che le statistiche sui pazienti siano conformi a regole di studio rigorose e che i record di consenso dei pazienti siano mappati direttamente ai set di dati dei risultati della sperimentazione. Knowledge Catalog monitora la tracciabilità dei dati a livello di colonna per controllare le pipeline di consenso e avvisa i ricercatori delle anomalie del profilo di dati, contribuendo a preservare l'integrità della sperimentazione.

Servizi finanziari: valuta il rischio di credito

I modelli di valutazione del rischio di credito utilizzano i punteggi di credito dei clienti, le cronologie delle transazioni e i saldi attivi dei debiti in sistemi di origine separati. Knowledge Catalog fornisce un grafico unificato delle metriche dei prestiti e mappa la tracciabilità dei dati, consentendo agli strumenti di sottoscrizione del rischio di confermare che le analisi del rischio utilizzano asset certificati e conformi.

Telecomunicazioni: diagnostica delle operazioni di rete

I sistemi e gli agenti di gestione della rete autonomi analizzano i comportamenti dei segnali in tempo reale, rilevano i cali di prestazioni e applicano azioni correttive di auto-ripristino. Basando questi agenti sul contesto di Knowledge Catalog, i sistemi possono tracciare in modo sicuro i componenti di rete attraverso i grafici di derivazione e mappare le relazioni tra i log tecnici e le aree di servizio aziendali.

Passaggi successivi

Tutorial

Crea un glossario aziendale, definisci tipi di aspetti personalizzati e arricchisci gli asset in BigQuery.

Integrazione dell'AI

Scopri come Model Context Protocol collega gli agenti agli strumenti e alle risorse di Knowledge Catalog.

Api

Estrai il contesto YAML o JSON preformattato e con budget di token per l'inserimento diretto di prompt LLM.

Agente AI

Automatizza la cura dei metadati e la mappatura del glossario utilizzando Agent Development Kit.

Concept

Scopri di più sul metamodello flessibile, sui tipi di voci, sui tipi di aspetti e sui gruppi di voci.

Governance

Visualizza le trasformazioni dei dati a livello di colonna per comprendere l'origine dei dati e l'impatto downstream.