会話型分析の概要

BigQuery の会話型分析では、自然言語を使用してデータについてエージェントとチャットできます。データに関する回答を取得するには、次の操作を行います。

• 選択したテーブル、ビュー、グラフ、ユーザー定義関数（UDF）などの一連のナレッジソースのデータ コンテキストとクエリ処理手順を自動的に定義するデータ エージェントを作成します。
• 必要に応じて、カスタム テーブルとフィールドのメタデータ、データを解釈してクエリするためのエージェントへの指示、検証済みクエリ（以前はゴールデン クエリと呼ばれていました）を作成して、特定のユースケースの質問に対してデータ エージェントが効果的に回答するように構成できます。

エージェントをカスタマイズする前に、エージェントが作成するコンテキストと手順をまず使用することをおすすめします。

エージェントに提供するコンテキストと指示の例を次に示します。

• コンテキスト。販売分析用のデータ エージェントは、「トップ パフォーマー」が最も多くの取引を成立させた販売担当者ではなく、最も収益の高い販売担当者を指すことを理解するように構成できます。
• 命令。データ エージェントに、「傾向」について質問された場合は常に最新の四半期にデータをフィルタするよう指示したり、デフォルトで結果を「商品カテゴリ」でグループ化するよう指示したりできます。

データ エージェントを作成したら、会話を行い、自然言語で BigQuery データに関する質問をすることができます。また、1 つ以上のデータソースとの直接会話を作成し、単発の基本的な質問の答えをすぐに得ることもできます。

会話型分析は Gemini for Google Cloud を基盤としており、一部の BigQuery AI 関数と ML 関数をサポートしています。詳細については、BigQuery AI と ML のサポートをご覧ください。

Gemini for Cloud de Confiance がデータを使用する方法とタイミングに関する説明をご覧ください。

プロンプト分析とオプトアウトの方法

会話分析の品質、精度、信頼性を高めるため、Google は顧客とのやり取り全体で匿名化されたプロンプト データを分析します。このデータは、一般的な使用パターンを特定し、理解のギャップを検出し、プロダクト全体のパフォーマンスを改善するのに役立ちます。このデータは、Google の基盤 AI モデルのトレーニングやファインチューニングには使用されません。このデータ処理はデフォルトで有効になっています。

プロンプト分析をオプトアウトするには、次のいずれかを行います。

• 2026 年 11 月 23 日より前にオプトアウトするには、次の手順を完了します。
  1. Resource Manager API、CLI、または Cloud de Confiance コンソールを使用してプロジェクト番号を取得するか、組織 ID を見つけて、組織内の既存のすべての BigQuery プロジェクトをオプトアウトします。
  2. 除外するプロジェクト ID を含めて、オプトアウト フォームを送信します。
• 2026 年 11 月 23 日以降にオプトアウトするには、カスタムの階層型組織ポリシー サービス制約 constraints/gcp.disablePromptAnalytics を適用して、組織、フォルダ、プロジェクト レベルでプロンプトの取り込みをブロックします。

プロンプト分析は、 Cloud de Confiance コンソールの管理者設定で再度有効にできます。カスタムの組織ポリシー サービスの制約を以前に適用した場合は、削除する必要があります。

詳細については、BigQuery の会話型分析の サービス固有の規約をご覧ください。

データ エージェント

データ エージェントは、1 つ以上のナレッジソースと、そのデータを処理するためのユースケース固有の指示のセットで構成されています。データ エージェントを作成するときに、次のオプションを使用してデータ エージェントを構成できます。

• データ エージェントで、テーブル、ビュー、グラフ、UDF などのナレッジソースを使用します。ボーダーレスな Lakehouse テーブルをソースとして接続することもできます。詳細については、自然言語を使用して Lakehouse テーブルにクエリを実行するをご覧ください。
• 特定のユースケースに最適な形でデータを記述するカスタム テーブルとフィールドのメタデータを提供します。
• データの解釈とクエリ処理に関する指示を提供します。たとえば、次のものを定義します。
  • フィールド名の類義語とビジネス用語
  • 最も重要なフィールドと、フィルタリングとグループ化のデフォルト
• データ エージェントがエージェントの回答構造を形成し、組織で使用されるビジネス ロジックを学習するために使用できる検証済みクエリを作成します。検証済みクエリは、以前はゴールデン クエリと呼ばれていました。検証済みのクエリでは、サポートされている BigQuery AI 関数と ML 関数を使用でき、クエリ パラメータをサポートしています。
• エージェントごとに BigQuery のカスタム用語集の用語を作成するか、Knowledge Catalog からビジネス用語集の用語をインポートします。これらの用語は、エージェントがユーザー プロンプトを解釈するのに役立ちます。各タイプを使用するタイミングについては、用語集の用語を作成または確認するをご覧ください。

データ エージェントを管理する

Cloud de Confiance コンソールの [エージェント カタログ] タブで、次の種類のデータ エージェントを作成、管理、操作できます。

• 各 Cloud de Confiance プロジェクトの事前定義されたサンプル エージェント。
• 下書き、作成、公開済みのエージェントのリスト。
• 他のユーザーが作成して自分と共有しているエージェントのリスト。

詳細については、データ エージェントを作成するをご覧ください。

Conversational Analytics API や データポータル など、データ エージェントをサポートするプロジェクト内の他のサービスは、BigQuery で作成したデータ エージェントにアクセスできます。 Cloud de Confiance コンソールで作成されたエージェントには、Conversational Analytics API を使用して呼び出すことでもアクセスできます。

会話

会話とは、データ エージェントまたはデータソースとの永続化されたチャットです。テーブル フィールド名を指定したり、データのフィルタ条件を定義したりすることなく、「売上」や「最も人気がある」といった一般的な言葉を使用してデータ エージェントにマルチパートの質問をすることができます。PDF などのオブジェクトに格納されているデータについて質問することもできます。エージェントは、レスポンスを構築するときに、クエリするデータソースを特定し、テーブル パーティションや検索インデックスなどの最適化を利用できます。

チャットで返信された回答には、次の機能があります。

• 質問に対する回答（テキスト、コード、画像（マルチモーダル））。回答には、サポートされている BigQuery AI 関数と ML 関数を含めることができます。
• 必要に応じてグラフを生成。
• 結果の背後にあるエージェントの推論。
• 会話に関するメタデータ（使用されたエージェントやデータソースなど）。

データソースとの直接会話を作成すると、Conversational Analytics API は、データ エージェントから提供されるコンテキストと処理の指示を使用せずにユーザーからの質問を解釈します。そのため、直接会話の結果は正確さが低い可能性があります。正確さが求められる場合は、データ エージェントを使用してください。

BigQuery で会話を作成して管理するには、Cloud de Confiance コンソールを使用します。詳細については、会話でデータを分析するをご覧ください。

BigQuery AI と ML のサポート

会話分析は、データ エージェントやデータソースとのチャット、作成した検証済みの SQL クエリに応じて、次の AI 関数と ML 関数をサポートしています。

• 時系列分析
  • AI.FORECAST
  • AI.DETECT_ANOMALIES
  • AI.CAUSAL_EFFECT
  • ML.TREND
  • ML.SEASONALITY
  • ML.DETECT_CHANGE_POINTS
• 統計分析とデータ プロファイリング
  • AI.KEY_DRIVERS
  • ML.CORRELATION
  • ML.DESCRIBE_DATA
• 予測モデリング
  • AI.PREDICT
• セマンティック検索
  • AI.SIMILARITY
  • AI.SEARCH
• 生成 AI
  • AI.GENERATE
  • AI.IF
  • AI.SCORE
  • AI.CLASSIFY
  • AI.AGG

生成 AI クエリを実行するには、必要な権限が必要です。

エージェントは、自律型エンベディング生成が有効になっているテーブルでのみ AI.SEARCH 関数を使用します。それ以外の場合、エージェントは AI.SIMILARITY 関数を使用します。この関数では、リアルタイムのエンベディング生成が必要です。

ユースケース

サポートされている機能を有効にするには、次の方法で使用します。

• エージェントを作成して検証済みクエリを追加する場合（たとえば、定期的なレポートを準備するデータ サイエンティストの場合）、検証済みクエリでサポートされている AI 関数を使用して、デフォルトを記述し、レポートを自動化できます。
• 会話で、またはキーワードを使用して検証済みのクエリで、エージェントにデータに関する高レベルの質問をすると、エージェントは質問に対する回答として SQL を生成します。

次の表に、AI 関数または ML 関数の使用を有効にするワンショット プロンプトの例を示します。

分析タスクのサポート

会話分析は、マーケット バスケット分析（アソシエーション ルール学習とも呼ばれます）をサポートしています。これは、購入パターンを明らかにするために使用される手法です。この分析では、1 回の取引でよく一緒に購入される商品間の関係を特定します。

たとえば、bigquery-public-data.iowa_liquor_sales.sales テーブルをデータソースとする会話で、次のような質問をすることができます。

What are the best product bundling opportunities based on data from 2025?

会話分析では、組み込みの SQL テンプレートを使用して、レバレッジ、サポート、信頼度、リフトの指標を含む正確なレスポンスを返します。

グラフのサポート

会話分析では、データソースとしてグラフを使用できます。グラフに関する質問をすると、エージェントは質問に回答するためのクエリを作成します。エージェントは、グラフのラベルとプロパティで定義した 説明と類義語を使用して、結果の品質を向上させることができます。エージェントは、グラフで定義されたメジャーを利用して、マルチレベルの集計を実行することもできます。レスポンスにグラフパスが含まれている場合は、グラフの可視化が提供されます。

グラフスキーマと質問に応じて、エージェントは Graph Query Language（GQL）または SQL の GRAPH_EXPAND テーブル値関数を使用してグラフをクエリします。GQL クエリには、BigQuery Enterprise エディションまたは Enterprise Plus エディションの予約が必要です。オンデマンド料金が適用されるプロジェクトでは、GQL クエリがエラーで失敗します。GRAPH_EXPAND 関数を含むクエリは、オンデマンド料金を使用して実行できますが、この関数はすべてのタイプのグラフをサポートしているわけではありません。要件と制限事項については、GRAPH_EXPAND をご覧ください。

たとえば、BigQuery のエージェント ページの Look Graph サンプル エージェントを使用して、bigquery-public-data.thelook_ecommerce.graph グラフについて次のような質問をすることができます。

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

セキュリティ

BigQuery の会話型分析へのアクセスは、Conversational Analytics API の IAM ロールと権限を使用して管理できます。特定の操作に必要なロールについては、データ エージェントに必要なロールと会話に必要なロールをご覧ください。

会話分析には、次のセキュリティ機能と保護機能が含まれています。

• アクセスできるのは、ユーザーがアクセス権を持つデータとリソースのみです。
• VPC-SC セキュリティ管理が適用されます。
• 書き込みオペレーションを実行できず、DML クエリも実行できません。
• リモート関数を実行できません。
• 明示的に選択したナレッジソースにのみアクセスできます。
• 会話履歴は自分のみと共有されます。他のユーザーと共有することはできません。
• データ エージェントを作成するときは、追加するすべてのナレッジソースに対してクエリを実行するアクセス権が必要です。

ロケーション

会話分析は、エージェントと会話リソースの保存を管理する 3 つのロケーションと、ML 処理に使用されるロケーションをサポートしています。

• US MREP
• EU MREP
• グローバル

エージェントと会話を作成すると、次のデフォルトの動作が適用されます。

• すべてのナレッジソースが米国のリージョンから取得されている場合は、米国の MREP が使用されます。
• すべてのナレッジソースが EU のリージョンから取得されている場合は、EU MREP が使用されます。
• それ以外の場合は、グローバル ロケーションが使用されます。

エージェントを作成するときに、必要に応じて別のロケーションを選択できます。エージェントを保存した後に、そのロケーションを変更することはできません。

2026 年 6 月 4 日より前に作成されたエージェントは、グローバル ロケーションにあります。

料金

データ エージェントを作成し、データ エージェントまたはデータソースと会話するときに実行されるクエリに対して、BigQuery のコンピューティング料金が発生します。詳細については、エージェントの料金をご覧ください。

ベスト プラクティス

会話分析を使用する際は、次のベスト プラクティスに従ってください。

• テーブルをデータソースとして追加する前に、テーブルのデータ クリーニングを行います。

• 関連するテーブルをビューで結合し、そのビューをデータソースとして使用します。エージェントにデータの正しい結合方法を判断させるのではなく、

• データのプロファイル スキャンを実行します。

• エージェントのスコープを設定します。広範なエージェントでは、指示の競合、曖昧な出力、一貫性のないパフォーマンスが発生する可能性があります。エージェントで 20 個を超えるデータソースが必要な場合、異なる指標定義を持つ複数のチームで使用される場合、あるタイプの結果を優先して別のタイプの結果を犠牲にする場合は、追加のエージェントの作成を検討してください。

• エージェントにコンテキストを提供します。コンテキストのタイプに優先順位を付けるには、次の操作を行います。

  1. 検証済みクエリ。ユーザー プロンプトと一致したときに実行される決定論的 SQL。
  2. 用語集。列をセマンティック コンテキストにリンクする用語の定義。
  3. エージェントへの指示。自然言語で記述されたグローバルな動作ルールと定義（会計カレンダーの定義や書式設定ルールなど）。

• テーブルにテーブルと列の説明を追加します。

• Knowledge Catalog と BigQuery のカスタム用語集で用語集の定義を重複させないでください。

• プロジェクト レベル、ユーザーレベル、クエリレベルで費用上限を設定して、エージェントの費用を管理します。

• 会話の中で効果的な質問をする。

• データ エージェントと会話におけるデータの保持と削除の仕組みを理解する。

制限事項

エージェントに追加できるナレッジ ソースは 100 個までです。

クエリ、会話、データ、可視化の制限事項については、Conversational Analytics API の既知の制限事項をご覧ください。

動的共有割り当て

Gemini Enterprise Agent Platform の動的共有割り当て（DSQ）は、Gemini モデルの容量を管理します。従来の割り当てとは異なり、DSQ では、モデル スループットのプロジェクトごとの固定上限なしで、大規模な共有リソースプールにアクセスできます。

レイテンシなどのパフォーマンスは、システム全体の負荷によって異なる場合があります。共有プール全体で需要が高い場合は、一時的な 429 Resource Exhausted エラーが発生することがあります。これらのエラーは、共有プールの容量が一時的に制限されていることを示しますが、プロジェクトの特定の割り当て上限に達したことを示すものではありません。容量を確認するには、少し待ってからリクエストを再試行します。

エージェントが生成したクエリを特定して分析する

データ エージェントによって実行される BigQuery ジョブには、特定のラベルが含まれます。これらのラベルを使用すると、エージェントのジョブを識別、フィルタ、分析できます。

これらのラベルは、次のタスクに使用できます。

• 請求レポートをラベルでフィルタして、エージェントの費用を把握します。
• エージェントのアクティビティを監査する。
• クエリ パフォーマンスを分析します。

データ エージェントのラベルを特定する

BigQuery は、会話型分析によって実行されるジョブにラベルを適用します。これらのラベルは、ジョブリソースの 64 ラベルの上限にカウントされます。フィルタリングやその他の分析用のラベルを取得するには、Cloud de Confiance コンソールでラベルを表示します。データ エージェントにカスタムラベルを適用することもできます。カスタムラベルを使用して、システム生成のラベルをオーバーライドすることはできません。

データ エージェントのラベルを表示する手順は次のとおりです。

1. Cloud de Confiance コンソールで、ジョブの詳細を表示します。

2. [クエリジョブの詳細] ペインで、[ラベル] セクションを見つけて、次のラベルを探します。

   • ca-bq-job: true は、会話分析を使用してジョブが実行されたことを示します。
   • data-agent-id: DATA_AGENT_ID は、ジョブがデータ エージェントによって実行されたことを示します。この値は、データ エージェント リソース名から抽出されたリソース ID セグメントです。
   • conversation-id: CONVERSATION_ID は、ジョブが会話に関連付けられていることを示します。値は、会話リソース名から抽出された ID セグメントです。

エージェントが生成したジョブを分析する

このラベルを使用して、エージェントが生成したジョブを分析します。たとえば、データ エージェントによって実行されたジョブの数を確認するには、INFORMATION_SCHEMA.JOBS ビューに対して次のクエリを実行します。

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'
  );

次のように置き換えます。

• PROJECT_ID: 実際の Cloud de Confiance プロジェクト ID。
• REGION: ジョブが実行されるリージョン（例: us、eu）。

次のステップ

• Conversational Analytics API について詳細を確認する。
• データ エージェントを作成する。
• 会話でデータを分析する。
• レイクハウスで会話分析を使用する。
• ラベルを使用してリソースをフィルタする方法を学習する。