Datenkontext in Knowledge Catalog

In einer verteilten Datenumgebung reichen Rohdaten ohne Kontext selten aus, um ein geschäftliches Problem zu lösen. Wenn strukturierte Datenbanken, unstrukturierte Protokolle und Analyse-Messwerte keine geschäftliche Bedeutung haben, stoßen Nutzer und autonome Systeme an eine Kontextgrenze. Menschliche Analysten müssen Datenquellen manuell validieren, während KI-Agents oft ungenaue Antworten generieren (Halluzinationen) oder Aktionen nicht ausführen.

Knowledge Catalog löst dieses Problem, indem die Metadatenverwaltung von einem passiven Katalog in eine dynamische Steuerungsebene mit aktivem Kontext überführt wird. Durch die Zusammenfassung von technischen Strukturen, Geschäftsregeln und realen Nutzungsmustern bietet der Knowledge Catalog eine einheitliche Kontextschicht, die sowohl Ihnen als auch Ihren KI-Anwendungen hilft, Daten-Assets genau und sicher zu ermitteln, zu bewerten und zu interpretieren.

Was ist Kontext?

Kontext ist die umfassende Menge an strukturellen, betrieblichen und semantischen Details, die ein Daten-Asset beschreiben. Anstatt eine Tabelle als eigenständiges Schema mit Namen und Datentypen darzustellen, liefert der Kontext die vollständige Geschichte Ihrer Daten.

Knowledge Catalog organisiert den Kontext in den folgenden Ebenen:

  • Technische Metadaten Die strukturellen Details, die direkt aus Quellsystemen übernommen werden, einschließlich Datenbankschemas, Feldtypen, Partitionierungsschlüsseln und Sicherheitstags (z. B. IAM-Richtlinien (Identity and Access Management)).

  • Semantische Metadaten: Die geschäftliche Bedeutung der Daten, einschließlich Geschäftsglossare, Beziehungen zwischen Messwerten, Klassifizierungen, Domänenbegriffe 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 Datenherkunft auf Spaltenebene, Ausführungsprofile, Profiling-Statistiken und Datenqualitätswerte.

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

  • Vertrauenssignale Bestätigungsindikatoren wie Inhaberschafts- und Zertifizierungsstempel, die bestätigen, ob ein Asset eine maßgebliche 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 lassen sich die betrieblichen Engpässe und Unsicherheiten vermeiden, die mit isolierten und nicht dokumentierten Daten verbunden sind.

Wie sich der Datenkontext von Metadaten unterscheidet

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

  • Metadaten Beschreibende Attribute, die die physische Struktur, den Speicherort und die technischen Eigenschaften eines isolierten Datenassets definieren, z. B. Spaltennamen, Datentypen, Partitionsschlüssel und Tabellengrößen.
  • Context ist. Der synthetisierte, multidimensionale Wissensgraph, der technische Schemas, geschäftliche Semantik, Datenbeziehungen, Betriebsverhalten und Vertrauenssignale kombiniert, um Daten zu interpretieren und die Entscheidungsfindung zu unterstützen.

In der folgenden Tabelle werden die wichtigsten Unterschiede zwischen passiven Metadaten und dem aktiven Datenkontext hervorgehoben:

Dimension Technische Metadaten Aktiver Datenkontext
Schwerpunkt Physische Spezifikationen und Speicherformat. Geschäftliche Bedeutung, Betriebsverhalten und Beziehungen.
Bundesland Passiv: In Katalogregistrierungen gespeichert, damit Techniker sie manuell nachschlagen können. Aktiv: Wird kontinuierlich durch KI angereichert, aus dem Suchverlauf extrahiert und dynamisch für LLM-Prompts zusammengestellt.
Primäre Nutzer Datenbankmodule, Data Engineers und Compliance-Prüfer. KI-Agents, Large Language Models (LLMs), Business-Analysten und Konversationsschnittstellen.
Hauptzweck Speicherverwaltung, Indexierung und Compliance-Prüfung. Die Fundierung der Problemlösung des KI-Agenten, das Auflösen von Joins und das Verhindern von Halluzinationen.

Beispiel: Metadaten im Vergleich zum Kontext

Um zu verstehen, wie Kontext technische Metadaten erweitert, sehen Sie sich an, wie eine Transaktionsspalte im Knowledge Catalog dargestellt wird:

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 Gesamtrabatte für Kunden darstellt. Er kann jedoch nicht feststellen, ob dieser Wert Steuern, Herstellerrabatte oder Aktionsgutscheine 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: Wird dem Begriff „Rabatt“ im Unternehmensglossar zugeordnet, der als Kundenrabatte definiert wird, die an der Kasse angewendet werden. Hersteller-Rabatte und Versandrabatte sind ausgeschlossen.
  • Gefundene Beziehungen: fact_orders.customer_id wird automatisch mit dim_customers.id und fact_orders.promo_id mit dim_promotions.id verknüpft.
  • Operative 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.

Herausforderungen bei der Verwendung von Daten ohne Kontext

Den meisten Unternehmensdaten fehlen die erforderlichen Metadaten, was es schwierig macht, sie für KI zu finden, zu vertrauen oder zu operationalisieren. Ohne strukturierten Kontext sind Organisationen mit mehreren operativen Engpässen konfrontiert:

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

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

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

  • Isolierte Informationen: Internes Wissen zum richtigen Filtern oder Verknüpfen von Datasets ist in nicht dokumentierten 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.

Wichtige 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. Sie konsolidiert diese fragmentierten Eingaben in einer einzigen, einheitlichen Governance-Zone und trägt so dazu bei, dass Sicherheitsrichtlinien und Klassifizierungsdefinitionen konsistent übernommen werden.

Anreichern

Knowledge Catalog aktualisiert und kuratiert Ihr Kontextdiagramm 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 eingegeben

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

Quellen für selbst erhobene Daten und automatisierte Erfassung

Knowledge Catalog erfasst automatisch strukturelle und betriebliche Metadaten aus den wichtigsten 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.
  • Statistiken zu unstrukturierten Daten: Bei unstrukturierten Dateien, die in Cloud Storage gespeichert sind (z. B. PDF-Dokumentation oder Richtlinienhandbücher), führt Knowledge Catalog Discovery- und Profiling-Scans durch, bei denen Schlüsselkonzepte und Entitätsbeziehungen extrahiert werden. Dabei wird ein Diagrammprofil erstellt und strukturierte Objekttabellen in BigQuery registriert. Weitere Informationen finden Sie unter Unstrukturierte Daten.
  • Sofort einsatzbereite Synchronisierung von BI-Semantik und ‑Herkunft: Für Looker (Google Cloud core) werden Business Intelligence-Assets automatisch mit dem Knowledge Catalog synchronisiert:
    • Semantische LookML-Definitionen Modelle, Explores, Ansichten, Dimensionen und Measures.
    • BI-Dashboard-Assets Dashboards, Dashboard-Elemente 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 Lineage von CDC-Streams (Change Data Capture), Dataform überträgt Tabellendefinitionen und SQL-Transformationen und das 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 intelligenten Engines:

  • Data Insights Data Insights basiert auf Gemini in BigQuery und analysiert Protokolle mit früheren Abfragen, Nutzeraktionen und Schemamustern, um Spaltenbeschreibungen in natürlicher Sprache zu generieren, Tabellenbeziehungen (z. B. Join-Schlüssel) zu ermitteln und Beispielabfragen („Golden Queries“) vorzuschlagen, die die Unternehmenslogik erfassen. Weitere Informationen finden Sie unter Datenstatistiken für strukturierte Daten.
  • Automatisierte Datenprofilerstellung und ‑qualität: Bei Scans werden statistische Verteilungen (z. B. eindeutige Anzahl, Nullverhältnisse 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: Hier werden Transformationsflüsse auf Spaltenebene und Jobausführungsverläufe für alle Ihre Datenpipelines zusammengefasst. 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-Agent 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 in Batches aktualisieren. Weitere Informationen finden Sie unter Metadaten exportieren.

So wird der Kontext in Diensten von Google und Drittanbietern verwendet

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

  • 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 Unternehmensglossardefinitionen in ihren eigenen Benutzeroberflächen.
  • Kontextnutzer: Dienste, Entwicklertools und KI-Agents, die Geschäftsdefinitionen, Betriebsprofile und Governance-Regeln aus Knowledge Catalog abrufen, um ihre Argumentation und Ausführung zu fundieren.

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

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

Eingebaute Integrationen von Erstparteien

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

  • Gemini in BigQuery (Conversational Agent) Wenn Sie Prompts in natürlicher Sprache in BigQuery Studio eingeben, fragt Gemini im Hintergrund automatisch Definitionen aus dem Knowledge Catalog-Unternehmensglossar, Spaltenbeschreibungen und Beziehungen zwischen früheren Abfragen ab. So wird Gemini in der Geschäftsterminologie von Unternehmen verankert und es wird sichergestellt, dass in generierten SQL-Abfragen die richtigen Tabellenverknüpfungen und Messwertdefinitionen verwendet werden.
  • 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 während der Pipelineausführung Katalogmetadaten.
  • Vertex AI und Agent Builder. Benutzerdefinierte GenAI-Agents und Suchanwendungen, die auf Vertex AI basieren, verwenden Katalogmetadaten und Geschäftsregeln, um die Modellableitung auf verifizierte Unternehmensfakten zu stützen.
  • 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:

Vorgefertigten 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 umfangreichen Metadaten in einer einzigen Anfrage ab.

Zu den wichtigsten Funktionen der LookupContext-Methode gehören:

  • LLM-kompatible Formate Gibt den Kontext im Format yaml (Standard), json oder xml zurück, das für das direkte Einfügen in LLM-Systemprompts vorgesehen ist.
  • Token-Budgetierung (context_budget): Hiermit können Sie ein Zeichenbudget als Ziel angeben. 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 grundlegenden Metadaten wird der Kontextgraph durchlaufen, um Beziehungen für Joins über mehrere Tabellen hinweg, angehängte Unternehmensglossarbegriffe und ‑synonyme, Laufzeitnutzungsmuster und verifizierte Beispielanfragen einzubeziehen.
  • Umfassende Betriebs- und Nutzungssignale: Gibt detaillierte Nutzungsstatistiken zurück, die aus dem Abfrageverlauf abgeleitet wurden, z. B. partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields und topAggregations.
  • Erkannte 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 vermeiden

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. Sie müssen also manuell nach Messwertdefinitionen suchen oder die Bereinigung von Tabellen überprüfen.

Knowledge Catalog wandelt diese passive Governance in aktive Informationen 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 Überprüfungen warten zu müssen.

Autonome Agenten mit Kontext versehen 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 Agents falsche Annahmen zu Spaltennamen oder generieren fehlerhafte SQL-Abfragen.

Außerdem wird durch aktive Kontextübergänge die Metadatenverwaltung von einem passiven Register in eine aktive Governance-Ebene umgewandelt. Durch die Definition von bestätigten Geschäftsregeln, Messwerten und Agent-Anweisungen direkt im Knowledge Catalog können Unternehmen steuern, wie Agents Unternehmensdaten abrufen, auswerten 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 auf diese Metadaten stützen, werden Fehlinterpretationen minimiert, Governance-Regeln durchgesetzt und autonome Aktionen basieren auf verifizierten Organisationsdaten.

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 KI-Agenten 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 Agents verweisen auf dieselben geschäftlichen Bedeutungen und Definitionen. Wenn beispielsweise ein Agent für die Datenanalyse und ein Agent für die Berichterstellung 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 Agent zur Fehlerbehebung in Pipelines einen Datenfehler auf die Quelltabelle zurückführen und die Aufgabe an einen Reparatur-Agent übergeben, ohne Abhängigkeitsregeln fest zu codieren.

  • Einheitliche Verbindungsschnittstelle: 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.

  • Sicherheitsgovernance auf Perimeterebene: Knowledge Catalog prüft Agent-Anfragen anhand vorkonfigurierter IAM-Rollen. So wird sichergestellt, dass Agents nur den Ressourcenkontext abrufen, auf den sie ausdrücklich Zugriff haben, und eine versehentliche Datenpanne im gesamten Schwarm wird verhindert.

Anwendungsfälle für die Verwendung von Datenkontext

Um zu verstehen, wie der Datenkontext komplexe Anfragen löst, sehen Sie sich an, wie Knowledge Catalog in der Praxis technische, semantische und betriebliche Ebenen 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 relevante Produkte in Echtzeit vorschlagen können.

Fertigung: Maschinenwartung optimieren

Für Modelle zur vorausschauenden Instandhaltung müssen strukturierte Teileprotokolle mit unstrukturierten Reparaturanleitungen für Techniker und Live-Sensorfeeds integriert werden. Durch die Zuordnung von Beziehungen zwischen Teilenummern und Handbuchkapiteln können analytische Systeme in Knowledge Catalog den Verschleiß von Geräten vorhersagen und Reparaturen planen, bevor es zu Ausfällen kommt.

Gesundheitswesen: Daten aus klinischen Studien validieren

Klinische Forschungszentren müssen überprüfen, ob die Patientenstatistiken strengen Studienregeln entsprechen und ob die Datensätze zur Einwilligung der Patienten direkt den Datensätzen mit den Studienergebnissen zugeordnet sind. Knowledge Catalog verfolgt den Datenursprung auf Spaltenebene, um Einwilligungs-Pipelines zu prüfen und Forscher auf Anomalien im Datenprofil aufmerksam zu machen. So wird die Integrität von Studien gewahrt.

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 bei 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-Agenten im Kontext von Knowledge Catalog können die Systeme Netzwerkkomponenten sicher über Herkunftsgraphen nachverfolgen und Beziehungen zwischen technischen Protokollen und Geschäftsbereichen zuordnen.

Nächste Schritte

Tutorial

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 YAML- oder JSON-Kontext mit Token-Budget 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

Visualisieren Sie Datenänderungen auf Spaltenebene, um die Datenquelle und die Auswirkungen auf nachgelagerte Prozesse zu verstehen.