Membuat tugas pengayaan

Tugas pengayaan Knowledge Studio memungkinkan Anda mendokumentasikan makna bisnis data secara otomatis sehingga aplikasi AI dapat mengkuerinya secara akurat tanpa halusinasi. Tugas ini menggunakan AI untuk memindai prosedur operasi standar (SOP), repositori kode, dan interaksi pengguna, serta mengekstrak logika bisnis yang diperlukan untuk mendasari agen AI Anda.

Sebelum memulai

Ikuti prasyarat berikut sebelum Anda membuat tugas pengayaan.

Memahami konsep

Sebelum menjalankan tugas pengayaan, sebaiknya Anda memahami komponen inti arsitektur pengayaan:

  • Untuk ringkasan tentang cara agen Knowledge Studio mengotomatiskan pembuatan metadata, lihat Tentang tugas pengayaan.

  • Untuk ringkasan tentang cara konteks metadata mendasari agen AI dan menyederhanakan eksplorasi data, lihat Tentang konteks data.

  • Untuk ringkasan hierarki Knowledge Catalog, termasuk grup entri, entri, aspek, dan link entri, lihat Tentang metadata.

Menyiapkan komponen yang diperlukan

Sebelum membuat tugas pengayaan, pastikan lingkungan Anda dikonfigurasi dengan benar untuk pengayaan AI seperti yang dijelaskan dalam Mengonfigurasi prasyarat untuk tugas pengayaan.

Siapkan komponen berikut:

  • Akun layanan: Akun layanan pengguna khusus dengan peran yang diperlukan. Di seluruh dokumentasi ini, kami menyebutnya sebagai akun layanan eksekusi untuk membedakannya dari agen layanan Knowledge Catalog yang dikelola Google. Tugas pengayaan berjalan sebagai akun layanan ini dan menggunakannya untuk membaca sumber dan menulis ke set konteks.

  • Set konteks: Set konteks tujuan untuk menyimpan metadata yang diperkaya. Set konteks juga berfungsi sebagai sumber aset yang akan diperkaya. Apa pun yang ada dalam set konteks akan diperkaya secara default jika tidak ada resource tambahan yang ditambahkan selama penyiapan. Anda juga dapat membuat set konteks kosong selama penyiapan tugas jika belum ada.

  • Resource yang akan diperkaya (Opsional): Aset data tambahan yang ingin Anda perkaya yang belum ada dalam set konteks tujuan Anda. Menambahkan resource tambahan ini selama pembuatan tugas akan memperkaya tugas dan otomatis menambahkannya ke set konteks tujuan. Resource ini dapat mencakup set data, tabel, atau aset Lakehouse BigQuery, dan harus sudah ada.

  • Sinyal pengetahuan (Opsional): Jika Anda berencana memberikan dokumen atau model kepada agen AI untuk dipelajari, pastikan Anda menyiapkan bucket Cloud Storage, memformat set data evaluasi .jsonl, atau menyiapkan OAuth untuk URL sumber pihak ketiga.

  • Log rekaman aktivitas (Opsional): Jika Anda berencana mengaktifkan pembelajaran mandiri agen, Anda harus mengonfigurasi rekaman aktivitas agen dengan menyiapkan tampilan log tercakup atau tabel BigQuery Agent Analytics tempat agen dapat mempelajari interaksi historis.

  • Pembuatan profil data dan insight data (Direkomendasikan): Untuk meningkatkan kualitas proposal metadata yang dihasilkan, aktifkan pembuatan profil data dan insight data AI pada tabel target yang sering Anda gunakan sebelum menjalankan tugas. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi prasyarat untuk tugas pengayaan.

Peran yang diperlukan

Untuk menyiapkan dan menjalankan tugas pengayaan, identitas yang berbeda memerlukan izin tertentu.

Pengguna akhir

Untuk membuat dan mengelola tugas pengayaan, Anda harus memiliki peran yang diperlukan berikut.

Membuat, mengubah, menjalankan, dan membatalkan tugas pengayaan

Untuk memastikan bahwa Anda memiliki izin yang diperlukan untuk membuat, mengubah, menjalankan, dan membatalkan tugas pengayaan, minta administrator Anda untuk memberikan peran IAM berikut kepada Anda di project:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk membuat, mengubah, menjalankan, dan membatalkan tugas pengayaan. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk membuat, mengubah, menjalankan, dan membatalkan tugas pengayaan:

  • Buat tugas pengayaan: dataplex.agentTasks.create
  • Lihat tugas pengayaan: dataplex.agentTasks.get
  • Mencantumkan tugas pengayaan: dataplex.agentTasks.list
  • Hapus tugas pengayaan: dataplex.agentTasks.delete
  • Perbarui tugas pengayaan: dataplex.agentTasks.update
  • Menjalankan tugas pengayaan: dataplex.agentTasks.run
  • Batalkan tugas pengayaan: dataplex.agentTasks.cancel

Administrator Anda mungkin juga dapat memberi Anda izin ini dengan peran khusus atau peran bawaan lainnya.

Menyertakan akun layanan eksekusi ke konfigurasi tugas pengayaan

Untuk memastikan bahwa Anda memiliki izin yang diperlukan untuk melampirkan akun layanan eksekusi ke konfigurasi tugas pengayaan, minta administrator untuk memberikan peran IAM berikut kepada Anda di akun layanan eksekusi:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk melampirkan akun layanan eksekusi ke konfigurasi tugas pengayaan. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk melampirkan akun layanan eksekusi ke konfigurasi tugas pengayaan:

  • Meniru identitas akun layanan: iam.serviceAccounts.actAs

Administrator Anda mungkin juga dapat memberi Anda izin ini dengan peran khusus atau peran bawaan lainnya.

Akun layanan eksekusi

Akun layanan eksekusi adalah identitas yang digunakan tugas pengayaan untuk menjalankan dan melakukan semua operasi.

Menggunakan layanan yang diperlukan

Untuk memastikan bahwa akun layanan eksekusi memiliki izin yang diperlukan untuk menggunakan API selama eksekusi tugas pengayaan, minta administrator untuk memberikan peran IAM berikut kepada akun layanan eksekusi pada project yang berisi tugas pengayaan:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran yang telah ditetapkan ini berisi izin yang diperlukan untuk menggunakan API selama eksekusi tugas pengayaan. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk menggunakan API selama eksekusi tugas pengayaan:

  • Menggunakan kuota dan layanan: serviceusage.services.use

Administrator Anda mungkin juga dapat memberikan izin ini kepada akun layanan eksekusi dengan peran khusus atau peran bawaan lainnya.

Melihat dan membuat profil konten data target

Untuk memastikan bahwa akun layanan eksekusi memiliki izin yang diperlukan untuk melihat dan membuat profil konten data dalam set data target, minta administrator untuk memberikan peran IAM berikut kepada akun layanan eksekusi pada tabel target:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk melihat dan membuat profil konten data dalam set data target. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk melihat dan membuat profil konten data dalam set data target:

  • Melihat metadata set data: bigquery.datasets.get
  • Melihat metadata tabel: bigquery.tables.get
  • Membaca data tabel: bigquery.tables.getData

Administrator Anda mungkin juga dapat memberikan izin ini kepada akun layanan eksekusi dengan peran khusus atau peran bawaan lainnya.

Mengusulkan dan menulis metadata ke dalam set konteks

Untuk memastikan bahwa akun layanan eksekusi memiliki izin yang diperlukan untuk mengusulkan dan menulis definisi metadata ke dalam set konteks, minta administrator untuk memberikan peran IAM berikut kepada akun layanan eksekusi di project:

  • Untuk memberikan izin yang diperlukan: Dataplex Catalog Editor (roles/dataplex.catalogEditor) dan Dataplex Catalog Viewer (roles/dataplex.catalogViewer)

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran yang telah ditetapkan ini berisi izin yang diperlukan untuk mengusulkan dan menulis definisi metadata ke dalam set konteks. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk mengusulkan dan menulis definisi metadata ke dalam set konteks:

  • Buat entri metadata: dataplex.entries.create
  • Perbarui entri metadata: dataplex.entries.update
  • Lihat entri metadata: dataplex.entries.get
  • Mencantumkan entri metadata: dataplex.entries.list
  • Membuat grup entri: dataplex.entryGroups.create
  • Memperbarui grup entri: dataplex.entryGroups.update
  • Mengusulkan perubahan pada grup entri: dataplex.entryGroups.requestChanges

Administrator Anda mungkin juga dapat memberikan izin ini kepada akun layanan eksekusi dengan peran khusus atau peran bawaan lainnya.

Publikasikan pengayaan secara otomatis (Opsional)

(Opsional) Jika Anda mengaktifkan publikasi otomatis pada tugas, sertakan peran berikut:

Untuk memastikan bahwa akun layanan eksekusi memiliki izin yang diperlukan untuk menyetujui dan memublikasikan perubahan secara otomatis, minta administrator untuk memberikan peran IAM berikut ke akun layanan eksekusi di project:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk menyetujui dan memublikasikan perubahan secara otomatis. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk menyetujui dan memublikasikan perubahan secara otomatis:

  • Gunakan permintaan perubahan: dataplex.changeRequests.use

Administrator Anda mungkin juga dapat memberikan izin ini kepada akun layanan eksekusi dengan peran khusus atau peran bawaan lainnya.

Mempelajari log rekaman aktivitas

(Opsional) Jika Anda berencana untuk belajar dari log rekaman aktivitas yang ada (pembelajaran mandiri), sertakan peran berikut:

Untuk memastikan bahwa akun layanan eksekusi memiliki izin yang diperlukan untuk membaca interaksi historis dari log rekaman aktivitas, minta administrator untuk memberikan peran IAM berikut ke akun layanan eksekusi di project yang memiliki aplikasi Gemini:

  • Untuk memberikan izin yang diperlukan: Logs Viewer (roles/logging.viewer)

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk membaca interaksi historis dari log rekaman aktivitas. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk membaca interaksi historis dari log rekaman aktivitas:

  • Tampilan log akses: logging.views.access
  • Membaca entri log: logging.logEntries.list

Administrator Anda mungkin juga dapat memberikan izin ini kepada akun layanan eksekusi dengan peran khusus atau peran bawaan lainnya.

(Opsional) Jika Anda berencana untuk belajar dari tabel BigQuery Agent Analytics, akun layanan eksekusi juga memerlukan peran BigQuery Data Viewer (roles/bigquery.dataViewer) di tabel analisis agen.

Agen Layanan Dataplex

Agen Layanan Knowledge Catalog adalah akun layanan yang dikelola Google yang digunakan Knowledge Catalog untuk melakukan operasi backend atas nama Anda, seperti meniru akun layanan eksekusi Anda selama pengayaan dan mengorkestrasi tugas pembuatan profil BigQuery.

Agen Layanan Knowledge Catalog menggunakan format email berikut:

service-PROJECT_NUMBER@gcp-sa-dataplex.iam.gserviceaccount.com

Ganti PROJECT_NUMBER dengan nomor project Google Cloud Anda.

Meniru akun layanan eksekusi

Untuk memastikan bahwa Agen Layanan Knowledge Catalog memiliki izin yang diperlukan untuk meniru identitas akun layanan eksekusi guna menjalankan tugas, minta administrator untuk memberikan peran IAM berikut kepada Agen Layanan Knowledge Catalog di akun layanan eksekusi:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran yang telah ditetapkan ini berisi izin yang diperlukan untuk meniru akun layanan eksekusi guna menjalankan tugas. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk meniru akun layanan eksekusi guna menjalankan tugas:

  • Membuat Token akses: iam.serviceAccounts.getAccessToken
  • Membuat token OpenID: iam.serviceAccounts.getOpenIdToken
  • Menandatangani JWT: iam.serviceAccounts.signJwt
  • Menandatangani BLOB: iam.serviceAccounts.signBlob

Administrator Anda mungkin juga dapat memberikan izin ini kepada Agen Layanan Knowledge Catalog dengan peran khusus atau peran bawaan.

Melakukan pembuatan profil BigQuery dan membaca histori kueri

Untuk memastikan bahwa Agen Layanan Dataplex memiliki izin yang diperlukan untuk melakukan pembuatan profil BigQuery backend dan membaca histori kueri tabel, minta administrator Anda untuk memberikan peran IAM berikut kepada Agen Layanan Dataplex di project:

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk melakukan pembuatan profil BigQuery backend dan membaca histori kueri tabel. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk melakukan pembuatan profil BigQuery backend dan membaca histori kueri tabel:

  • Melihat metadata set data: bigquery.datasets.get
  • Melihat metadata tabel: bigquery.tables.get
  • Membaca data tabel: bigquery.tables.getData
  • Mencantumkan tugas BigQuery: bigquery.jobs.list
  • Melihat metadata resource dasar: resourcemanager.projects.get

Administrator Anda mungkin juga dapat memberikan izin ini kepada Agen Layanan Dataplex dengan peran khusus atau peran bawaan.

Membuka ruang kerja Knowledge Studio

Untuk membuka wizard pembuatan tugas, lakukan langkah-langkah berikut:

  1. Di konsol Google Cloud , buka halaman Knowledge Studio.

    Buka Knowledge Studio

  2. Di panel navigasi kiri, pilih Pengayaan.

  3. Klik + Create enrichment task.

Beri nama tugas pengayaan

Di panel Define, lakukan langkah-langkah berikut:

  1. Di kolom nama tampilan, berikan nama deskriptif untuk tugas (misalnya, Finance Dataset enrichment).
  2. Di kolom Task ID, berikan ID unik atau gunakan ID yang dibuat otomatis.

  3. Di kolom Goal, jelaskan tujuan tugas pengayaan untuk memandu proses ekstraksi. Berikan panduan bahasa alami yang menjelaskan misi bisnis dan sasaran kemampuan AI untuk set konteks ini.

    Contoh:

    Curate and maintain the authoritative context set for the
`subscription_revenue` domain. Focus on resolving metric discrepancies
between `gross_sales`, `net_billed_revenue`, and `discount_applied`.
Ensure all customer join keys (e.g. `customer_id`, `subscription_fk`)
have explicit column documentation, and establish parameterized query
templates for Monthly Recurring Revenue (MRR) and Churn Rate calculations.

  4. Klik Lanjutkan.

Mengonfigurasi parameter tugas pengayaan

Cakupan menentukan apa yang diperkaya, dan apa yang dibaca agen.

Di panel Scope, lakukan langkah-langkah berikut:

  1. Di kolom Project, pilih project yang berisi set konteks.

  2. Di kolom Context set, pilih set konteks yang diperkaya oleh tugas dan tempat tugas menyimpan hasilnya.

    Tugas pengayaan Anda mewarisi region Google Cloud dari set konteks yang Anda pilih.

    Jika Anda belum memiliki set data konteks, klik Create new context set.

    Untuk mengetahui informasi selengkapnya tentang cara membuat set konteks, lihat Membuat set konteks.

  3. Opsional: Di bagian Resources to enrich, tambahkan resource BigQuery atau Lakehouse yang ingin Anda perkaya selain set konteks.

    Setiap resource yang Anda tambahkan harus berada di region yang sama dengan set konteks yang Anda pilih. Lokasi multi-region (seperti us) berhasil mencocokkan satu region di lokasi tersebut (seperti us-central1). Region yang tidak cocok akan menyebabkan pembuatan tugas gagal.

    Jika Anda memilih set konteks kosong dan tidak menambahkan resource tambahan di bagian ini, Knowledge Studio akan menampilkan peringatan. Jika Anda menjalankan tugas dengan konfigurasi ini, tugas tersebut akan menghasilkan pusat informasi semantik berdasarkan petunjuk Anda, tetapi tidak akan memperkaya entri apa pun.

    1. Masukkan nama resource lengkap aset data target.

      Contoh:

      • Tabel BigQuery: //bigquery.googleapis.com/projects/PROJECT_ID/datasets/DATASET_ID/tables/TABLE_ID

      • Aset lakehouse: //dataplex.googleapis.com/projects/PROJECT_ID/locations/LOCATION/lakes/LAKE_ID/zones/ZONE_ID/assets/ASSET_ID

    Atau, untuk memilih resource secara visual, lakukan langkah-langkah berikut:

    1. Klik Browse untuk membuka dialog Select sources.
    2. Untuk memilih dari referensi yang baru-baru ini digunakan, klik tab Terbaru dan pilih referensi yang ingin Anda tambahkan.
    3. Untuk menjelajahi atau menelusuri semua referensi, klik tab Semua dan lakukan hal berikut:
      1. Di kolom Search, masukkan istilah penelusuran untuk resource BigQuery atau Lakehouse Anda.
      2. Di hierarki resource, luaskan hierarki project dan set data untuk menemukan resource Anda.
      3. Centang kotak di samping satu atau beberapa resource. Anda dapat melihat pratinjau skema dan detail resource yang dipilih di panel kanan.
    4. Klik Konfirmasi.

    Untuk menambahkan lebih banyak resource, gunakan koma untuk memisahkan nama resource.

  4. Opsional: Di bagian Sinyal pengetahuan, hubungkan agen AI ke sumber tambahan untuk dibaca sebagai konteks. Resource ini bersifat hanya baca dan tidak diperkaya.

    • Bucket Cloud Storage: Masukkan nama bucket, atau klik Browse untuk menelusuri bucket. Tekan Enter, koma, atau Spasi setelah setiap nama bucket. Tugas ini memerlukan seluruh bucket; Anda tidak dapat mengonfigurasinya untuk hanya membaca file satu per satu.

    • Glosarium: Masukkan nama glosarium, atau klik Telusuri untuk menelusuri glosarium. Tekan Enter, koma, atau Spasi setelah setiap nama glosarium.

      Pastikan glosarium yang terhubung berada di region yang sama persis dengan tugas pengayaan dan set konteks Anda (misalnya, us-central1). Menambahkan glosarium dari lokasi multi-region yang tidak valid (seperti us) akan menyebabkan pembuatan tugas gagal.

    • Sumber eksternal: Untuk menghubungkan platform pihak ketiga seperti Google Workspace, Microsoft SharePoint, GitHub, atau Atlassian Confluence, Anda dapat mengonfigurasinya satu per satu, atau menyediakan file konfigurasi YAML.

      Untuk mengonfigurasi sumber menggunakan file YAML:

      1. Di kolom Source configuration file (optional), klik Browse dan pilih file YAML Anda.

      Untuk mengonfigurasi sumber secara manual:

      1. Di bagian Sumber yang terhubung, klik Siapkan di samping platform yang ingin Anda konfigurasi.
      2. Di kolom Source URLs, masukkan URL untuk dokumen, repositori, atau ruang Anda, lalu tekan Enter atau koma setelah setiap URL.

      3. Jika platform memerlukan autentikasi (seperti GitHub, Atlassian, atau Microsoft), lampirkan kredensial Anda dengan melakukan hal berikut:

        1. Klik + Tambahkan koneksi.
        2. Di panel New connection, masukkan nama resource lengkap penyedia autentikasi Anda di kolom Auth provider. Gunakan format berikut:
          projects/PROJECT_ID/locations/LOCATION/authProviders/PROVIDER_NAME
        3. Di bagian URI patterns, klik + Add URI pattern untuk menentukan URL yang dapat diakses oleh kredensial ini. Anda dapat menggunakan tanda bintang (*) sebagai karakter pengganti (misalnya, https://github.com/test-org/*).
        4. Klik Done.

        Resource Google Workspace terhubung langsung menggunakan izin IAM akun layanan eksekusi tugas Anda, sehingga tidak memerlukan koneksi penyedia autentikasi.

  5. Klik Lanjutkan.

Mengonfigurasi evaluasi dan pembelajaran mandiri

Bagian ini bersifat opsional. Di panel Improve, lakukan langkah-langkah berikut:

  1. Opsional: Di bagian Evaluation, konfigurasikan kolom berikut:

    Untuk mengetahui informasi selengkapnya tentang cara memformat set data evaluasi dan seleksi, lihat Persyaratan skema set data.

    • Set evaluasi: Untuk mengukur dampak perubahan konteks yang diusulkan, masukkan Cloud Storage URI atau klik Telusuri untuk memilih file .jsonl Anda.

    • Set seleksi: Untuk memberikan serangkaian pertanyaan awal untuk pengoptimalan iteratif, masukkan Cloud Storage URI atau klik Telusuri untuk memilih file .jsonl Anda.

  2. Opsional: Di bagian Publishing, tentukan ritme publikasi:

    Jika publikasi otomatis diaktifkan, perubahan metadata yang disetujui secara otomatis akan ditulis langsung ke set konteks. Jika dinonaktifkan, pengayaan akan menghasilkan draf pengeditan yang harus disetujui oleh peninjau manual sebelum digabungkan ke dalam codebase.

    • Untuk mewajibkan peninjauan manual sebelum metadata digabungkan ke set konteks produksi, hapus centang pada kotak Enable auto-publish.

    • Untuk otomatis memublikasikan perubahan yang memenuhi nilai minimum kualitas tinggi, centang kotak Enable auto-publish. Gunakan penggeser Publikasikan otomatis di atas untuk menetapkan skor keyakinan minimum yang diperlukan agar perubahan dapat otomatis ditayangkan (misalnya, 85%). Jika set data evaluasi dikonfigurasi, Anda juga dapat menggunakan penggeser Penurunan kualitas maksimum untuk membatasi publikasi dengan aman saat performa agen menurun (misalnya, -5%). Setiap proposal yang tidak memenuhi nilai minimum ini akan dimasukkan ke dalam antrean sebagai permintaan perubahan untuk peninjauan manual.

  3. Opsional: Untuk menemukan kesenjangan dalam percakapan agen sungguhan dan menjaga konteks Anda tetap aktual, di bagian Self-learning, pilih tombol Enable self-learning.

  4. Opsional: Jika Anda mengaktifkan pembelajaran mandiri, di bagian Belajar dari, tambahkan salah satu sumber berikut:

    • Aplikasi Gemini Enterprise: Di daftar Project ID, pilih project. Dalam daftar aplikasi Gemini Enterprise, pilih aplikasi yang menghasilkan trace percakapan, lalu klik Done.

      Anda dapat menambahkan beberapa aplikasi Gemini Enterprise.

      Untuk mengoptimalkan kemampuan pengayaan dan pembelajaran mandiri ini, sebaiknya tentukan model Gemini 3.8 Flash atau yang lebih baru di aplikasi Gemini Enterprise. Untuk mengetahui informasi selengkapnya tentang langkah-langkah pemilihan model, lihat bagian "Membuat agen menggunakan flow builder" di Mendesain agen di Agent Studio.

    • BigQuery agent analytics: Di kolom Table, masukkan nama tabel yang berisi peristiwa chat agen atau klik Browse untuk memilihnya secara visual, lalu klik Done.

      Anda dapat menambahkan beberapa tabel.

  5. Klik Lanjutkan.

Mengonfigurasi setelan operasi

Di panel Run, lakukan langkah-langkah berikut:

  1. Di bagian Run as, klik daftar User service account dan pilih identitas yang digunakan tugas untuk membaca sumber dan menulis ke set konteks. Pastikan ini adalah identitas yang dikonfigurasi di bagian Sebelum memulai.
  2. Di bagian Trigger, pilih kondisi pemicu:
    • On demand: Hanya berjalan saat Anda mengklik Run.
    • Terjadwal: Berjalan secara otomatis sesuai jadwal berulang.
  3. Opsional: Di bagian Notifikasi, klik + Tambahkan penerima untuk menentukan hingga lima alamat email yang akan menerima laporan setelah setiap operasi.
  4. Verifikasi parameter di panel Summary, lalu klik Create.

Tugas pengayaan baru Anda disimpan. Bergantung pada setelan pemicu, tugas akan menunggu eksekusi terjadwal pertamanya atau siap untuk segera dijalankan. Setelah tugas menyelesaikan eksekusi, agen akan mengantrekan proposal metadata AI yang dihasilkan dalam permintaan perubahan untuk Anda tinjau.

Langkah berikutnya