Visão geral da análise conversacional

A análise conversacional no BigQuery permite conversar com agentes sobre seus dados usando linguagem natural. Para receber respostas sobre seus dados, você pode fazer o seguinte:

  • Crie agentes de dados que definem automaticamente o contexto dos dados e instruções de processamento de consultas para um conjunto de fontes de conhecimento, como tabelas, visualizações, gráficos ou funções definidas pelo usuário (UDFs) que você selecionar.
  • Se necessário, crie contexto e instruções para um agente na forma de metadados personalizados de tabela e campo, instruções para o agente interpretar e consultar os dados ou criando consultas verificadas (antes conhecidas como consultas de ouro) para configurar o agente de dados e responder a perguntas de maneira eficaz para casos de uso específicos.

Antes de personalizar um agente, recomendamos que você trabalhe primeiro com o contexto e as instruções que ele cria.

Confira alguns exemplos de contexto e instruções que você pode fornecer ao agente:

  • Context. Um agente de dados para análise de vendas pode ser configurado para entender que "pessoas com melhor performance" se refere a representantes de vendas com a maior receita, e não apenas o maior número de negócios fechados.
  • Instruções. Você pode instruir um agente de dados a sempre filtrar os dados para o trimestre mais recente quando perguntado sobre "tendências" ou a agrupar os resultados por "categoria dos produtos" por padrão.

Depois de criar agentes de dados, você pode conversar com eles para fazer perguntas sobre os dados do BigQuery usando linguagem natural. Você também pode criar conversas diretas com uma ou mais fontes de dados para responder a perguntas básicas e pontuais.

A análise de dados de conversação é feita com o Gemini para Google Cloud e oferece suporte a algumas funções de IA e ML do BigQuery. Para mais informações, consulte Suporte a IA e ML do BigQuery.

Saiba como e quando o Gemini para Cloud de Confiance usa seus dados.

Agentes de dados

Os agentes de dados consistem em uma ou mais fontes de conhecimento e um conjunto de instruções específicas para um caso de uso de processamento desses dados. Ao criar um agente de dados, é possível configurá-lo usando as seguintes opções:

  • Use fontes de conhecimento, como tabelas, visualizações e UDFs, com um agente de dados. Também é possível se conectar a tabelas do Lakehouse como fontes. Para mais informações, consulte Consultar dados do Lakehouse com linguagem natural.
  • Forneça metadados personalizados de tabela e campo para descrever os dados da maneira mais adequada para o caso de uso específico.
  • Forneça instruções para interpretar e consultar os dados, como definir o seguinte:
    • Sinônimos e termos comerciais para nomes de campos
    • Campos e padrões mais importantes para filtragem e agrupamento
  • Crie consultas verificadas que o agente de dados pode usar para moldar a estrutura de resposta de um agente e aprender a lógica de negócios usada pela sua organização. As consultas verificadas eram conhecidas como consultas de ouro. As consultas verificadas podem usar funções de IA e ML do BigQuery compatíveis e parâmetros de consulta.
  • Crie termos personalizados do glossário do BigQuery para cada agente ou importe termos do glossário empresarial do Knowledge Catalog. Esses termos ajudam um agente a interpretar comandos do usuário. Para saber quando usar cada tipo, consulte Criar ou revisar termos do glossário.

Gerenciar agentes de dados

É possível criar, gerenciar e trabalhar com os seguintes tipos de agentes de dados na guia Catálogo de agentes do console do Cloud de Confiance :

  • Um agente de amostra predefinido para cada projeto Cloud de Confiance .
  • Uma lista dos seus agentes criados, publicados e em rascunho.
  • Uma lista de agentes que outras pessoas criam e compartilham com você.

Para mais informações, consulte Criar agentes de dados.

Outros serviços no projeto que oferecem suporte a agentes de dados, como a API Conversational Analytics e o Data Studio, podem acessar os agentes de dados criados no BigQuery. Também é possível acessar um agente criado no console Cloud de Confiance chamando-o com a API Conversational Analytics.

Conversas

As conversas são chats persistentes com um agente ou uma fonte de dados. Você pode fazer perguntas complexas aos agentes de dados usando termos comuns, como "vendas" ou "mais popular", sem precisar especificar nomes de campos de tabela ou definir condições para filtrar os dados. Também é possível fazer perguntas sobre dados localizados em objetos, como PDFs. Um agente pode determinar quais fontes de dados consultar e aproveitar otimizações, como partições de tabela ou índices de pesquisa, ao criar uma resposta.

A resposta do chat retornada para você oferece os seguintes recursos:

  • A resposta à sua pergunta como texto, código ou imagens (multimodal). A resposta pode incluir funções de IA e ML do BigQuery compatíveis.
  • Geramos gráficos quando necessário.
  • O raciocínio do agente por trás dos resultados.
  • Metadados sobre a conversa, como o agente e as fontes de dados usadas.

Quando você cria uma conversa direta com uma fonte de dados, a API Conversational Analytics interpreta sua pergunta sem o contexto e as instruções de processamento que um agente de dados oferece. Por isso, os resultados de conversas diretas podem ser menos precisos. Use agentes de dados para casos que exigem maior precisão.

É possível criar e gerenciar conversas no BigQuery usando o consoleCloud de Confiance . Para mais informações, consulte Analisar dados com conversas.

Suporte do BigQuery para IA e ML

As análises de conversação são compatíveis com as seguintes funções de IA em resposta a conversas com agentes e fontes de dados e em consultas SQL verificadas que você cria.

Você precisa ter as permissões necessárias para executar consultas de IA generativa.

O agente só usa a função AI.SEARCH em tabelas com a geração autônoma de incorporações ativada. Caso contrário, o agente usa a função AI.SIMILARITY, que exige a geração de incorporações em tempo real.

Casos de uso

Para ativar as funções compatíveis, use-as das seguintes maneiras:

  • Ao criar um agente e adicionar uma consulta verificada, por exemplo, se você for um cientista de dados que prepara um relatório recorrente, use as funções de IA compatíveis em uma consulta verificada para descrever os padrões e automatizar o relatório.
  • Quando você faz perguntas gerais sobre dados a um agente, em uma conversa ou em uma consulta verificada usando palavras-chave, o agente gera SQL em resposta às suas perguntas.

A tabela a seguir mostra exemplos de comandos únicos que ativam o uso de funções de IA ou ML:

Caso de uso Exemplo de uso Conjunto de dados público
Previsão "Preveja o número de viagens para o próximo mês." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Detecção de anomalias "Encontre outliers em viagens por dia em 2018 usando 2017 como base." bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
Principais fatores "Identifique os principais fatores das mudanças no volume de viagens entre 2017 e 2018". bigquery-public-data.austin_bikeshare.bikeshare_trips
Geração de texto com LLM "Para cada artigo na categoria 'esportes', resuma a coluna 'corpo' em uma ou duas frases." bigquery-public-data.bbc_news.fulltext
Filtragem semântica "Nos artigos da categoria de tecnologia, filtre para encontrar aqueles que discutem avanços na inteligência artificial." bigquery-public-data.bbc_news.fulltext
Pontuação semântica "Para os artigos na categoria de entretenimento, forneça uma classificação que indique o grau de sentimento positivo." bigquery-public-data.bbc_news.fulltext
Categorização semântica "Marque cada avaliação com o foco principal do avaliador: atuação, enredo, cinematografia, direção ou outro" bigquery-public-data.imdb.reviews
Pesquisa semântica "Encontre as cinco principais avaliações que mais se parecem com 'suspense psicológico que aumenta a tensão'" bigquery-public-data.imdb.reviews

Suporte a gráficos

A análise de dados de conversação permite usar um gráfico como fonte de dados. Quando você faz perguntas sobre o gráfico, o agente cria consultas GQL ou SQL para responder. Os agentes podem usar descrições e sinônimos definidos nos rótulos e propriedades do gráfico para melhorar a qualidade dos resultados. Eles também podem aproveitar as medidas definidas no gráfico para realizar agregações de vários níveis. Se a resposta incluir caminhos de gráfico, visualizações de gráfico serão fornecidas.

Por exemplo, você pode usar o agente de amostra Look Graph no BigQuery na página "Agentes" para fazer perguntas semelhantes às seguintes sobre o gráfico bigquery-public-data.thelook_ecommerce.graph:

  • Which product is most popular among 25-year-olds?
  • Show me the connection between bow tie orders and distribution centers

Limitações

As seguintes limitações se aplicam quando você usa um gráfico como fonte de dados:

  • É possível usar no máximo um gráfico como fonte de dados por agente ou conversa.
  • Não é possível combinar tabelas e gráficos como fontes de dados.

Segurança

É possível gerenciar o acesso à análise de conversas no BigQuery usando permissões e papéis do IAM da API Conversational Analytics. Para informações sobre os papéis necessários para operações específicas, consulte os papéis obrigatórios do agente de dados e os papéis obrigatórios da conversa.

A análise de conversas inclui os seguintes recursos e proteções de segurança:

  • Ele só pode acessar dados e recursos que você tem permissão para acessar.
  • Ele respeita os controles de segurança do VPC-SC.
  • Ele não pode realizar operações de gravação nem executar consultas DML.
  • Não é possível executar funções remotas.
  • Ele só pode acessar as fontes de conhecimento que você selecionar explicitamente.
  • Seu histórico de conversas é compartilhado apenas com você. Não é possível compartilhar com outros usuários.
  • Ao criar um agente de dados, você precisa ter acesso para consultar todas as fontes de conhecimento adicionadas.

Locais

A análise de conversação oferece suporte a três locais que regem o armazenamento de recursos de agente e conversa, além do local usado para o processamento de ML:

  • MREP dos EUA
  • MREP da UE
  • Global

Os seguintes comportamentos padrão se aplicam quando você cria agentes e conversas:

  • Se todas as suas fontes de conhecimento forem de regiões nos EUA, o MREP dos EUA será usado.
  • Se todas as suas fontes de conhecimento forem de regiões da UE, o MREP da UE será usado.
  • Caso contrário, o local global será usado.

Ao criar um agente, você pode selecionar um local diferente. Depois de salvar o agente, não é possível mudar o local dele.

Os agentes criados antes de 4 de junho de 2026 estão na região global.

Preços

Você paga pelos preços de computação do BigQuery para consultas executadas ao criar agentes de dados e conversar com eles ou com fontes de dados. Para mais informações, leia sobre os preços dos agentes.

Práticas recomendadas

Siga estas práticas recomendadas ao trabalhar com a análise de conversas:

  • Realize a limpeza de dados nas suas tabelas antes de adicioná-las como fontes de dados.

  • Junte tabelas relacionadas em uma visualização e use essa visualização como uma fonte de dados, em vez de confiar no agente para determinar a maneira correta de unir seus dados.

  • Execute verificações de perfil nos seus dados.

  • Defina o escopo dos seus agentes. Agentes com escopo amplo podem ter conflitos instrucionais, saídas ambíguas e desempenho inconsistente. Se o seu agente precisar de mais de 20 fontes de dados, for usado em equipes com definições de métricas diferentes ou priorizar um tipo de resultado em detrimento de outro, crie mais agentes.

  • Forneça contexto ao seu agente. Priorize os tipos de contexto da seguinte maneira:

    1. Consultas verificadas: SQL determinístico que é executado quando corresponde a um comando do usuário.
    2. Glossários: definições de termos que vinculam colunas ao contexto semântico.
    3. Instruções para o agente. Regras e definições de comportamento global escritas em linguagem natural, como definições de calendário fiscal ou regras de formatação.

  • Adicione descrições de tabela e coluna às suas tabelas.

  • Não duplique as definições de glossário no Knowledge Catalog e no glossário personalizado do BigQuery.

  • Defina limites de gastos para envolvidos no projeto, do usuário e da consulta para gerenciar os custos dos seus agentes.

  • Faça perguntas eficientes nas suas conversas.

  • Entenda como a retenção e exclusão de dados funcionam para agentes de dados e conversas.

Limitações

Para mais informações sobre limitações em consultas, conversas, dados e visualizações, consulte Limitações conhecidas da API Conversational Analytics.

Cota compartilhada dinâmica

A cota compartilhada dinâmica (DSQ, na sigla em inglês) na Gemini Enterprise Agent Platform gerencia a capacidade do modelo do Gemini. Ao contrário das cotas convencionais, a DSQ permite acessar um grande pool compartilhado de recursos sem um limite fixo por projeto para a taxa de transferência do modelo.

O desempenho, como a latência, pode variar dependendo da carga geral do sistema. Em momentos de alta demanda no pool compartilhado, você pode encontrar erros temporários de 429 Resource Exhausted. Esses erros indicam que a capacidade do pool compartilhado está momentaneamente limitada, mas não que você atingiu um limite de cota específico no seu projeto. Para verificar a capacidade, tente fazer a solicitação novamente após um pequeno atraso.

Identificar e analisar consultas geradas pelo agente

Os jobs do BigQuery executados por um agente de dados incluem rótulos específicos. Com esses rótulos, é possível identificar, filtrar e analisar os jobs do agente.

É possível usar esses rótulos para as seguintes tarefas:

Identificar os rótulos do agente de dados no console do Cloud de Confiance

O BigQuery aplica rótulos aos jobs executados por um agente de dados. Para conferir a chave do rótulo para filtragem e outras análises, consulte a chave no console doCloud de Confiance .

Para conferir a chave de rótulo de um agente de dados, siga estas etapas:

  1. No console Cloud de Confiance , confira os detalhes do job.

  2. No painel Detalhes do job de consulta, localize a seção Marcadores e procure marcadores com o prefixo ca, como ca-bq-job: true.

Analisar jobs gerados pelo agente

Use o rótulo para analisar os jobs gerados pelo agente. Por exemplo, para verificar quantos jobs foram executados por um agente de dados, execute a seguinte consulta na visualização INFORMATION_SCHEMA.JOBS:

SELECT
  COUNT(*) AS job_count
FROM
  `PROJECT_ID`.`region-REGION`.INFORMATION_SCHEMA.JOBS
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(labels) AS label
    WHERE label.key = 'ca-bq-job' AND label.value = 'true'
  );

Substitua:

  • PROJECT_ID: o ID do projeto Cloud de Confiance .
  • REGION: a região em que seus jobs são executados (por exemplo, us ou eu).

A seguir