À propos du contexte de données dans Knowledge Catalog

Dans un patrimoine de données distribué, les données brutes sans contexte suffisent rarement à résoudre un problème métier. Lorsque les bases de données structurées, les journaux non structurés et les métriques analytiques manquent de sens pour l'entreprise, les utilisateurs et les systèmes autonomes sont confrontés à un plafond de contexte. Les analystes humains doivent effectuer une validation manuelle pour vérifier les sources de données, tandis que les agents d'IA génèrent souvent des réponses inexactes (hallucinations) ou ne parviennent pas à exécuter des actions.

Knowledge Catalog résout ce problème en transformant la gestion des métadonnées d'un catalogue passif en un plan de contrôle dynamique de contexte actif. En agrégeant les structures techniques, les règles métier et les modèles d'utilisation réels, Knowledge Catalog fournit une couche de contexte unifiée qui vous aide, vous et vos applications d'IA, à découvrir, évaluer et interpréter les ressources de données de manière précise et sécurisée.

Qu'est-ce que le contexte ?

Le contexte est un ensemble riche de détails structurels, opérationnels et sémantiques qui décrivent un asset de données. Au lieu de représenter un tableau sous la forme d'un schéma autonome de noms et de types de données, le contexte fournit l'histoire complète de vos données.

Knowledge Catalog organise le contexte dans les couches suivantes :

  • Métadonnées techniques. Les détails structurels ingérés directement à partir des systèmes sources, y compris les schémas de base de données, les types de champs, les clés de partitionnement et les tags de sécurité (tels que les stratégies IAM).

  • Métadonnées sémantiques. La signification métier des données, qui inclut les glossaires métier, les relations entre les métriques, les classifications, la terminologie du domaine et les requêtes de référence (questions validées en langage naturel mappées aux instructions de code SQL correctes).

  • Métadonnées opérationnelles. Le comportement et l'état des données au fil du temps, y compris la traçabilité des données au niveau des colonnes, les profils d'exécution, les statistiques de profilage et les scores de qualité des données.

  • Relations Liens inférés ou définis entre les tables de stockage physique et les indicateurs commerciaux conceptuels.

  • Signaux de confiance : Indicateurs de validation, tels que les tampons de propriété et de certification, qui permettent de vérifier si un élément est une source fiable.

  • Conseils pour les agents : Descriptions non structurées (telles que les fichiers README, les notes d'utilisation et les journaux d'exécution) qui guident les outils autonomes sur la manière et le moment d'interroger une ressource.

En unifiant ces couches, Knowledge Catalog permet de s'assurer que vos données sont entièrement comprises, ce qui vous aide à éviter les goulets d'étranglement opérationnels et l'incertitude associés aux données cloisonnées et non documentées.

Différence entre le contexte des données et les métadonnées

Bien que les métadonnées fournissent les éléments de base, métadonnées et contexte ne sont pas interchangeables :

  • Métadonnées Attributs descriptifs qui définissent la structure physique, l'emplacement et les propriétés techniques d'un élément de données isolé (par exemple, les noms de colonnes, les types de données, les clés de partition et les tailles de tables).
  • Context. Graphique de connaissances multidimensionnel synthétisé qui combine des schémas techniques, des sémantiques métier, des relations de données, un comportement opérationnel et des signaux de confiance pour donner du sens aux données et guider le raisonnement.

Le tableau suivant met en évidence les principales différences entre les métadonnées passives et le contexte de données actif :

Dimension Métadonnées techniques Contexte de données actif
Objectif principal Caractéristiques physiques et format de stockage. Signification métier, comportement opérationnel et relations.
État Passif : stocké dans les registres du catalogue pour que les ingénieurs puissent le consulter manuellement. Actif : enrichi en permanence par l'IA, extrait des historiques de requêtes et assemblé de manière dynamique pour les requêtes LLM.
Consommateurs principaux Moteurs de base de données, ingénieurs de données et auditeurs de conformité. Agents d'IA, grands modèles de langage (LLM), analystes commerciaux et interfaces conversationnelles.
Objectif principal Gestion du stockage, indexation et vérification de la conformité. Ancrage du raisonnement de l'agent, résolution des jointures et prévention des hallucinations.

Exemple : Métadonnées comparées au contexte

Pour comprendre comment le contexte complète les métadonnées techniques, examinons la façon dont Knowledge Catalog représente une colonne de transaction :

1. Métadonnées techniques uniquement

Les métadonnées techniques fournissent des informations structurelles, mais manquent de logique métier et de consignes opérationnelles :

  • Table : fact_orders
  • Colonne : disc_val
  • Type de données : NUMERIC
  • Propriétés de stockage : partitionnée par order_date

Un agent d'IA utilisant uniquement ces métadonnées techniques pourrait deviner que disc_val représente les remises totales accordées aux clients, mais il ne peut pas déterminer si cette valeur inclut les taxes, les remises du fabricant ou les bons promotionnels.

2. Contexte de données enrichi

Knowledge Catalog enrichit les métadonnées techniques avec des couches sémantiques, relationnelles et opérationnelles dans une charge utile de contexte unifiée :

  • Schéma technique : fact_orders.disc_val (NUMERIC).
  • Définition sémantique : mappé au terme du glossaire métier "Remise promotionnelle", défini comme les remises accordées aux clients lors du règlement, à l'exclusion des remises du fabricant et des indemnités de transport.
  • Relations découvertes : associe automatiquement fact_orders.customer_id à dim_customers.id et fact_orders.promo_id à dim_promotions.id.
  • Utilisation opérationnelle : l'historique des requêtes révèle que 90% des requêtes métier filtrent cette table par status = 'COMPLETED' et la joignent à dim_promotions.
  • Confiance et qualité : les données ont obtenu un score de validité de 99,8% lors des analyses automatisées de la qualité des données, avec une fraîcheur des données vérifiée au cours des deux dernières heures.
  • Requête de référence : inclut un modèle SQL validé qui montre comment calculer le revenu net comptabilisé à l'aide de disc_val.

Grâce à ce contexte complet, un agent d'IA ou un analyste de données peut générer des requêtes et interpréter les données avec précision, sans validation humaine manuelle ni hallucinations.

Les difficultés liées à l'utilisation de données sans contexte

La plupart des données d'entreprise ne comportent pas les métadonnées nécessaires, ce qui rend leur découverte, leur fiabilité ou leur opérationnalisation pour l'IA difficiles. Sans contexte structuré, les organisations sont confrontées à plusieurs goulots d'étranglement opérationnels :

  • Tâches répétitives de collaboration. En l'absence de définitions métier claires, les équipes d'analyse et d'IA sont contraintes de coordonner manuellement et en continu leurs efforts avec les experts du domaine pour comprendre les bases des tableaux.

  • Dérive du contexte : La documentation standard reste statique et se dégrade au fil du temps. Sans surveillance continue, les métadonnées obsolètes entraînent des hypothèses incorrectes et des workflows d'agents d'IA défaillants.

  • Échecs de raisonnement. Les agents d'IA et les grands modèles de langage peuvent générer des requêtes SQL syntaxiquement correctes, mais ne pas respecter la logique d'entreprise sous-jacente, ce qui donne lieu à des calculs incorrects d'un point de vue commercial.

  • Cloisonnement de l'information : Les connaissances internes sur la façon de filtrer ou de joindre correctement les ensembles de données restent piégées dans des scripts ou des configurations de tableaux de bord non documentés, au lieu d'être enregistrées dans un inventaire centralisé.

Pour surmonter ces goulots d'étranglement opérationnels et rendre les données exploitables, les organisations ont besoin d'un moteur de contexte fiable dans leur patrimoine de données.

Piliers fondamentaux de la gestion du contexte

Pour maintenir ce moteur contextuel fiable dans l'ensemble de votre parc de données, Knowledge Catalog repose sur trois piliers :

Agrégation

Knowledge Catalog collecte automatiquement les métadonnées de vos bases de données intégrées, de vos catalogues Iceberg REST et de vos plates-formes tierces. Il consolide ces entrées fragmentées dans une zone de gouvernance unique et unifiée, ce qui permet de s'assurer que les règles de sécurité et les définitions de classification sont héritées de manière cohérente.

Enrichissement

Knowledge Catalog met à jour et organise en permanence votre graphique contextuel à l'aide de l'ingestion basée sur l'IA. En analysant les journaux de transactions, les schémas de base de données et les modèles d'informatique décisionnelle, Knowledge Catalog découvre automatiquement les descriptions de colonnes et les relations entre les tables. Cet apprentissage continu capture les connaissances institutionnelles des propriétaires de données et les applique dynamiquement à vos composants.

Recherche et récupération

Knowledge Catalog fournit une recherche sémantique de haute précision qui vous permet d'interroger votre parc de données en langage naturel. Comme Knowledge Catalog comprend les groupes d'autorisations (LCA) et la terminologie métier, les utilisateurs et les agents autonomes peuvent trouver le contexte de données pertinent avec une faible latence.

Comment les métadonnées et le contexte sont fournis à Knowledge Catalog

Pour créer un moteur de contexte fiable, Knowledge Catalog ingère et organise les informations à l'aide de connecteurs de plate-forme automatisés, d'un enrichissement continu par l'IA et d'interfaces personnalisées extensibles.

Sources de données first party et collecte automatique

Knowledge Catalog collecte automatiquement les métadonnées structurelles et opérationnelles des principaux services Google Cloud sans nécessiter de configuration manuelle :

  • Bases de données et entrepôts analytiques Des services tels que BigQuery, Spanner, Cloud SQL et AlloyDB pour PostgreSQL synchronisent en continu les métadonnées techniques, y compris les schémas de table, les types de données de champ, les clés de partitionnement, les spécifications de clustering et les limites des ensembles de données.
  • Insights sur les données non structurées : Pour les fichiers non structurés stockés dans Cloud Storage (tels que la documentation PDF ou les manuels de règles), Knowledge Catalog exécute des analyses de découverte et de profilage qui extraient les concepts clés et les relations entre les entités, générant ainsi un profil de graphe et enregistrant les tables d'objets structurés dans BigQuery. Pour en savoir plus, consultez À propos des insights sur les données non structurées.
  • Synchronisation directe de la sémantique et de la traçabilité de l'informatique décisionnelle. Pour Looker (Google Cloud core), Knowledge Catalog synchronise automatiquement les composants d'informatique décisionnelle :
    • Définitions sémantiques LookML Modèles, explorations, vues, dimensions et mesures.
    • Composants de tableau de bord d'informatique décisionnelle : Tableaux de bord, éléments de tableau de bord et Looks.
    • Traçabilité des données de bout en bout : Les relations permettent de suivre le flux de données depuis les tables BigQuery sous-jacentes jusqu'aux tableaux de bord Looker en aval. Pour en savoir plus, consultez Gérer les ressources Looker (Google Cloud Core) avec Knowledge Catalog.
  • Intégration et transformations des données. Des services tels que Datastream capturent les métadonnées et la traçabilité du flux de capture des données modifiées (CDC), Dataform envoie les définitions de table et les transformations SQL, et Cortex Framework publie les produits de données enregistrés.

Curation continue du contexte par l'IA

Au-delà des schémas techniques statiques, Knowledge Catalog met à jour dynamiquement son graphique contextuel à l'aide de moteurs d'intelligence intégrés :

  • Insights sur les données. Optimisé par Gemini dans BigQuery, Data Insights exploite les journaux de requêtes historiques, les transactions utilisateur et les modèles de schéma pour générer des descriptions de colonnes en langage naturel, découvrir les relations entre les tables (telles que les clés de jointure) et proposer des exemples de requêtes ("requêtes en or") vérifiées qui capturent la logique de l'entreprise. Pour en savoir plus, consultez À propos des insights sur les données structurées.
  • Profilage et qualité des données automatisés : Les analyses calculent des distributions statistiques (telles que le nombre de valeurs distinctes, les ratios de valeurs nulles et les exemples de valeurs) et évaluent les données par rapport à des vérifications de la qualité des données basées sur des règles, en associant des scores d'état en direct aux entrées du catalogue. Pour en savoir plus, consultez À propos de la qualité des données automatique.
  • Traçabilité des données automatisée : Agrège les flux de transformation au niveau des colonnes et les historiques d'exécution des jobs dans vos pipelines de données. Pour en savoir plus, consultez À propos de la traçabilité des données.

Ingestion de métadonnées personnalisées et systèmes tiers

Pour les organisations disposant de bases de connaissances personnalisées, d'outils de gouvernance tiers ou de systèmes sur site, Knowledge Catalog fournit des mécanismes d'ingestion flexibles :

  • API Knowledge Catalog (opérations CRUD) Utilisez les méthodes d'API CreateEntry, UpdateEntry, CreateAspectType et SetAspect pour enregistrer de manière programmatique des composants externes et associer des aspects de métadonnées personnalisés (tels que des notes de conformité ou de la documentation système).
  • Agents d'enrichissement personnalisés Utilisez des frameworks d'agents tels que l'Agent Development Kit (ADK) ou LangChain pour créer des agents d'enrichissement personnalisés. Par exemple, un agent ADK peut ingérer de la documentation technique provenant de wikis internes ou de dépôts Git, utiliser un LLM pour l'analyser en termes de glossaire d'entreprise standardisé et l'associer à des entrées de catalogue. Pour en savoir plus, consultez Créer un agent d'IA pour enrichir les métadonnées.
  • Opérations d'exportation et d'importation. Utilisez les workflows d'importation et d'exportation groupées basés sur des fichiers (JSON ou CSV) pour examiner les définitions d'entreprise générées par l'IA, collaborer avec les responsables des données et mettre à jour les métadonnées par lot. Pour en savoir plus, consultez Exporter les métadonnées.

Comment le contexte est consommé dans les services propriétaires et tiers

Les services et les applications interagissent avec le Knowledge Catalog selon deux rôles distincts :

  • Fournisseurs de métadonnées. Services qui envoient des métadonnées techniques, des schémas, des définitions LookML et la traçabilité dans Knowledge Catalog (par exemple, Looker, Cloud SQL et Spanner). Les fournisseurs de métadonnées envoient des métadonnées dans le catalogue, mais ne consomment pas nécessairement les définitions du glossaire d'entreprise dans leurs propres interfaces utilisateur.
  • Consommateurs de contexte : Services, outils pour les développeurs et agents d'IA qui récupèrent les définitions métier, les profils opérationnels et les règles de gouvernance à partir de Knowledge Catalog pour ancrer leur raisonnement et leur exécution.

Avant que les applications et les agents puissent consommer du contexte, vous devez établir des règles de qualité et des termes commerciaux de base. Pour en savoir plus, consultez Établir un contexte de données de base et Créer un workflow de qualité des données "policy-as-code".

Les applications et services d'IA consomment le contexte du Knowledge Catalog à l'aide des mécanismes suivants :

Intégrations propriétaires (1P) intégrées

Plusieurs services Google Cloud interrogent de manière native Knowledge Catalog pour fournir des expériences d'IA sensibles au contexte :

  • Gemini dans BigQuery (agent conversationnel) Lorsque vous saisissez des requêtes en langage naturel dans BigQuery Studio, Gemini interroge automatiquement en arrière-plan les définitions du glossaire d'entreprise du catalogue de connaissances, les descriptions de colonnes et les relations historiques entre les requêtes. Cela ancre Gemini dans la terminologie métier de l'entreprise, ce qui garantit que les requêtes SQL générées utilisent les jointures de table et les définitions de métriques appropriées.
  • Agent d'ingénierie des données dans BigQuery Découvre et interroge les tables Apache Iceberg et BigQuery, appelle automatiquement les recherches dans le catalogue sémantique pour résoudre les dépendances des composants et génère des métadonnées de catalogue lors de l'exécution du pipeline.
  • Vertex AI et Agent Builder Les agents d'IA générative et les applications de recherche personnalisés créés sur Vertex AI utilisent les métadonnées du catalogue et les règles métier pour ancrer le raisonnement du modèle dans des faits d'entreprise vérifiés.
  • Google Cloud console et interface utilisateur Business. Les utilisateurs finaux et les responsables des données explorent les composants à l'aide de la recherche sémantique en langage naturel, affichent des graphiques interactifs sur les relations entre les données et gèrent les glossaires d'entreprise.

Applications tierces et écosystèmes d'agents d'IA

Les services et les systèmes autonomes sans intégrations intégrées consomment le contexte via des protocoles ouverts et des API de récupération dédiées :

Protocole MCP (Model Context Protocol)

Le protocole MCP (Model Context Protocol) est une norme ouverte qui permet aux agents d'IA, aux outils de développement et aux IDE de se connecter directement aux outils Knowledge Catalog. Le protocole MCP fournit une interface standardisée pour inspecter les schémas de table, rechercher des définitions de glossaire, vérifier les scores de qualité des données et suivre la traçabilité des données.

Knowledge Catalog prend en charge deux options de déploiement MCP :

Récupérer un contexte préformaté avec l'API LookupContext

Pour les applications LLM et les pipelines d'IA personnalisés, Knowledge Catalog fournit la méthode d'API LookupContext (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext).

Au lieu d'obliger un agent à effectuer plusieurs appels séquentiels pour inspecter les schémas, rechercher des termes de glossaire, récupérer les scores de qualité des données et inspecter les journaux de requêtes, la méthode LookupContext récupère un ensemble unifié et préformaté de métadonnées enrichies en une seule requête.

Voici les principales fonctionnalités de la méthode LookupContext :

  • Formats compatibles avec les LLM : Renvoie le contexte mis en forme sous la forme yaml (par défaut), json ou xml, conçu pour être inséré directement dans les invites système du LLM.
  • Budgétisation des jetons (context_budget) : vous permet de spécifier un budget cible de caractères. L'API tronque et hiérarchise intelligemment les métadonnées pour les adapter à la fenêtre de contexte de votre modèle.
  • Vues de contexte configurables :
    • BASIC. Renvoie les métadonnées d'entrée fondamentales, les schémas, les descriptions de colonnes, le texte de présentation et les consignes de l'agent.
    • STANDARD. En plus des métadonnées de base, il parcourt le graphique de contexte pour inclure les relations de jointure entre plusieurs tables, les termes et synonymes du glossaire d'entreprise associés, les modèles d'utilisation du runtime et les exemples de requêtes validés.
  • Signaux d'utilisation et opérationnels détaillés : Renvoie des statistiques d'utilisation détaillées extraites de l'historique des requêtes, telles que partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields et topAggregations.
  • Jointures détectées et requêtes de référence. Inclut les conditions de jointure de table inférées (par exemple, orders.customer_id = customers.id) et les exemples de requêtes SQL validés.

Pour en savoir plus, consultez Récupérer le contexte des assets de données et la documentation de référence REST lookupContext.

Comment le contexte aide les utilisateurs finaux et les agents IA

Knowledge Catalog fournit un contexte universel dans son cloud de données agentique en unifiant les schémas techniques, la sémantique métier, la traçabilité des données et les métriques de qualité dans une couche de contexte actif. En exposant ces métadonnées via des interfaces ouvertes telles que le Model Context Protocol (MCP), les API de récupération de contexte et la recherche sémantique, Knowledge Catalog aide à la fois les utilisateurs et les systèmes autonomes.

Éliminer les tâches manuelles d'approbation pour les utilisateurs

Sans couche sémantique centralisée, vous devez examiner la traçabilité de la base de données et les historiques de requêtes pour répondre à des questions métier de base. Les catalogues standards servent d'inventaires passifs de schémas, ce qui vous oblige à rechercher manuellement les définitions de métriques ou à vérifier la propreté des tables.

Knowledge Catalog transforme cette gouvernance passive en intelligence active. En présentant des scores de qualité, des descriptions sémantiques et des avertissements d'utilisation directement à côté des composants de données, Knowledge Catalog vous permet d'utiliser des données fiables sans attendre les examens techniques.

Ancrer les agents autonomes et activer la gouvernance dynamique

Les agents d'IA et les grands modèles de langage (LLM) nécessitent des règles strictes et déterministes pour interagir avec les bases de données. Sans contexte sémantique explicite, les agents font des hypothèses incorrectes sur les noms de colonnes ou génèrent des requêtes SQL défectueuses.

De plus, la transition du contexte actif de la gestion des métadonnées d'un registre passif à une couche de gouvernance active. En définissant des règles métier, des métriques et des instructions pour les agents validées directement dans Knowledge Catalog, les entreprises peuvent contrôler la façon dont les agents récupèrent, évaluent et utilisent les données de l'entreprise.

Knowledge Catalog permet de combler cette lacune. Il exporte des profils de contexte actif unifiés vers vos applications d'IA via des interfaces standards telles que le protocole MCP (Model Context Protocol) ou l'API LookupContext. L'ancrage de vos modèles dans ces métadonnées minimise les hallucinations, applique les règles de gouvernance et permet de s'assurer que les actions autonomes sont basées sur des informations organisationnelles vérifiées.

Coordonner des workflows multi-agents avec un contexte partagé

Dans un framework multi-agent (ou essaim), des agents spécialisés distincts collaborent pour exécuter des workflows complexes. Lorsque ces agents opèrent dans des environnements cloisonnés sans plan de contexte partagé, ils sont confrontés à un plafond de contexte. Ils peuvent utiliser des règles métier conflictuelles, ne pas trouver les dépendances pertinentes ou dupliquer les efforts de récupération.

L'utilisation de Knowledge Catalog comme registre de contexte centralisé vous aide à coordonner et à mettre à l'échelle les essaims multi-agents. Ancrer votre essaim dans Knowledge Catalog présente les avantages suivants :

  • Sémantique métier partagée : Tous les agents font référence aux mêmes définitions et significations commerciales. Par exemple, si un agent d'analyse des données et un agent de création de rapports récupèrent tous deux une table contenant des chiffres de vente, ils utilisent la même définition de glossaire pour une métrique telle que Gross Merchandise Value (GMV) afin de garantir la cohérence.

  • Résolution dynamique des dépendances. Les agents peuvent utiliser la traçabilité des données pour découvrir les ressources en amont et en aval de manière programmatique. Cela permet à un agent de dépannage de pipeline de suivre un échec de données jusqu'à sa table source et de transmettre la tâche à un agent de réparation sans coder en dur les règles de dépendance.

  • Interface de connexion unifiée : En utilisant le protocole MCP (Model Context Protocol), vous exposez un seul point de terminaison sémantique à l'ensemble de l'essaim. Vous n'avez donc plus besoin de configurer des intégrations d'API personnalisées pour chaque agent.

  • Gouvernance de la sécurité au niveau du périmètre : Knowledge Catalog vérifie les requêtes des agents par rapport aux rôles IAM préconfigurés. Cela permet de s'assurer que les agents ne récupèrent que le contexte de ressource auquel ils sont explicitement autorisés à accéder, ce qui évite l'exposition accidentelle de données dans l'essaim.

Cas d'utilisation du contexte de données

Pour comprendre comment le contexte des données permet de résoudre des requêtes complexes, examinons comment Knowledge Catalog applique concrètement les couches techniques, sémantiques et opérationnelles :

E-commerce : personnaliser les recommandations de recherche

Pour aligner les campagnes marketing saisonnières sur les stocks de produits, les agents de recherche doivent comprendre le lien entre les e-mails promotionnels non structurés et les catalogues de produits structurés, ainsi que les tableaux de transactions des utilisateurs. Knowledge Catalog mappe ces entités, ce qui permet aux modèles de recommandation de suggérer des produits pertinents en temps réel.

Fabrication : optimiser la maintenance des machines

Les modèles de maintenance prévisionnelle nécessitent d'intégrer des journaux de pièces structurés à des guides de réparation techniques non structurés et à des flux de capteurs en direct. En mappant les relations entre les numéros de pièces et les chapitres du manuel, Knowledge Catalog permet aux systèmes analytiques de prédire la fatigue des équipements et de planifier les réparations avant que des défaillances ne se produisent.

Santé : valider les données des essais cliniques

Les centres de recherche clinique doivent vérifier que les statistiques des patients respectent des règles d'étude strictes et que les enregistrements du consentement des patients correspondent directement aux ensembles de données des résultats des essais. Knowledge Catalog suit la traçabilité des données au niveau des colonnes pour auditer les pipelines de consentement et alerte les chercheurs en cas d'anomalies dans le profil de données, ce qui contribue à préserver l'intégrité des essais.

Services financiers : évaluer le risque de crédit

Les modèles d'analyse du risque de crédit utilisent les scores de crédit des clients, leurs historiques de transactions et les soldes de leurs dettes actives dans différents systèmes sources. Knowledge Catalog fournit un graphique unifié des métriques de prêt et mappe la traçabilité des données. Les outils de souscription peuvent ainsi confirmer que les évaluations des risques utilisent des ressources certifiées et conformes.

Télécommunications : diagnostiquer les opérations réseau

Les systèmes et agents de gestion de réseau autonomes analysent les comportements des signaux en temps réel, détectent les dégradations des performances et appliquent des actions correctives d'autoréparation. En ancrant ces agents dans le contexte de Knowledge Catalog, les systèmes peuvent tracer en toute sécurité les composants réseau à l'aide de graphiques de lignée et mapper les relations entre les journaux techniques et les domaines de services commerciaux.

Étapes suivantes

Tutoriel

Créez un glossaire d'entreprise, définissez des types d'aspect personnalisés et enrichissez les assets dans BigQuery.

Intégration de l'IA

Découvrez comment le protocole MCP (Model Context Protocol) connecte les agents aux outils et ressources Knowledge Catalog.

Api

Extrayez le contexte YAML ou JSON préformaté et adapté au budget de jetons pour l'injection directe de prompt LLM.

Agent IA

Automatisez la curation des métadonnées et le mappage du glossaire à l'aide de l'Agent Development Kit.

Concept

Découvrez le métamodèle flexible, les types d'entrées, les types d'aspects et les groupes d'entrées.

Gouvernance

Visualisez les transformations de données au niveau des colonnes pour comprendre l'origine des données et leur impact en aval.