Übersicht über die konversationelle Analyse

Mit der konversationellen Analyse in BigQuery können Sie sich in natürlicher Sprache mit KI-Agenten über Ihre Daten unterhalten. So erhalten Sie Antworten zu Ihren Daten:

• Erstellen Sie KI-Agenten für Datenverarbeitung, die automatisch den Daten kontext und die Anweisungen zur Abfrageverarbeitung für eine Reihe von Wissensquellen definieren, z. B. Tabellen, Ansichten, Graphen oder benutzerdefinierte Funktionen (User-Defined Functions, UDFs), die Sie auswählen.
• Bei Bedarf können Sie Kontext und Anweisungen für einen Agent in Form von benutzerdefinierten Tabellen- und Feldmetadaten erstellen, Anweisungen für den Agent zur Interpretation und Abfrage der Daten geben oder bestätigte Abfragen (früher als Golden Queries bezeichnet) erstellen, um den KI-Agenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

Bevor Sie einen Agent anpassen, sollten Sie zuerst mit dem Kontext und den Anweisungen arbeiten, die der Agent erstellt.

Einige Beispiele für Kontext und Anweisungen, die Sie dem Agent geben, sind:

• Kontext. Ein KI-Agent für die Umsatzanalyse kann so konfiguriert werden, dass er versteht, dass sich „Top-Performer“ auf Vertriebsmitarbeiter mit dem höchsten Umsatz bezieht und nicht nur auf die meisten abgeschlossenen Geschäfte.
• Anweisungen. Sie können einen KI-Agenten anweisen, Daten immer nach dem letzten Quartal zu filtern, wenn er nach „Trends“ gefragt wird, oder Ergebnisse standardmäßig nach „Produktkategorie“ zu gruppieren.

Nachdem Sie KI-Agenten für Datenverarbeitung erstellt haben, können Sie sich dann mit ihnen unterhalten und in natürlicher Sprache Fragen zu BigQuery-Daten stellen. Sie können auch direkte Unterhaltungen mit einer oder mehreren Datenquellen erstellen, um einfache, einmalige Fragen zu beantworten.

Die konversationelle Analyse wird von Gemini für Google Cloud unterstützt und unterstützt einige BigQuery-KI- und ML-Funktionen. Weitere Informationen finden Sie unter BigQuery-KI- und ML-Unterstützung.

Weitere Informationen dazu, wie und wann Gemini forIhre Daten verwendet. Cloud de Confiance

KI-Agenten für Datenverarbeitung

KI-Agenten für Datenverarbeitung bestehen aus einer oder mehreren Wissensquellen und einer Reihe von Anweisungen, die speziell auf einen Anwendungsfall für die Verarbeitung dieser Daten zugeschnitten sind. Wenn Sie einen KI-Agenten für Datenverarbeitung erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

• Verwenden Sie Wissensquellen wie Tabellen, Ansichten und UDFs mit einem KI-Agenten für Datenverarbeitung. Sie können auch eine Verbindung zu Lakehouse-Tabellen als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Daten mit natürlicher Sprache abfragen.
• Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
• Geben Sie Anweisungen zur Interpretation und Abfrage der Daten an, z. B. durch Definition von:
  • Synonyme und Fachbegriffe für Feldnamen
  • Wichtigste Felder und Standardeinstellungen für das Filtern und Gruppieren
• Erstellen Sie bestätigte Abfragen, mit denen der KI-Agent für Datenverarbeitung die Antwortstruktur eines Agent gestalten und die Geschäftslogik Ihres Unternehmens erlernen kann. Bestätigte Abfragen wurden früher als Golden Queries bezeichnet. Bestätigte Abfragen können unterstützte BigQuery-KI- und ML-Funktionen verwenden und Abfrageparameterunterstützen.
• Erstellen Sie benutzerdefinierte BigQuery-Glossarbegriffe für jeden Agent oder importieren Sie Unternehmensglossarbegriffe aus dem Knowledge Catalog. Diese Begriffe helfen einem Agent, Nutzeranfragen zu interpretieren. Hinweise zur Verwendung der einzelnen Typen finden Sie unter siehe Glossarbegriffe erstellen oder überprüfen.

KI-Agenten für Datenverarbeitung verwalten

Auf dem Tab Agent Catalog (Agentenkatalog) in der Cloud de Confiance Console können Sie die folgenden Arten von KI-Agenten für Datenverarbeitung erstellen, verwalten und verwenden:

• Ein vordefinierter Beispielagent für jedes Cloud de Confiance Projekt.
• Eine Liste Ihrer entworfenen, erstellten und veröffentlichten Agenten.
• Eine Liste der Agenten, die von anderen Personen erstellt und mit Ihnen geteilt wurden.

Weitere Informationen finden Sie unter KI-Agenten für Datenverarbeitung erstellen.

Andere Dienste im Projekt, die KI-Agenten für Datenverarbeitung unterstützen, z. B. die Conversational Analytics API und Data Studio, können auf KI-Agenten für Datenverarbeitung zugreifen, die Sie in BigQuery erstellen. Sie können auch auf einen in der Cloud de Confiance Console erstellten Agent zugreifen, indem Sie ihn mit der Conversational Analytics API aufrufen.

Unterhaltungen

Unterhaltungen sind persistente Chats mit einem KI-Agenten für Datenverarbeitung oder einer Datenquelle. Sie können KI-Agenten für Datenverarbeitung mehrteilige Fragen stellen, die allgemeine Begriffe wie „Umsatz“ oder „beliebteste“ verwenden, ohne Tabellenfeldnamen angeben oder Bedingungen zum Filtern der Daten definieren zu müssen. Sie können auch Fragen zu Daten stellen, die sich in Objekten wie PDFs befinden. Ein Agent kann bestimmen, welche Datenquellen abgefragt werden sollen, und Optimierungen wie Tabellenpartitionen oder Suchindizes nutzen, wenn er eine Antwort erstellt.

Die Chatantwort, die Sie erhalten, bietet die folgenden Funktionen:

• Die Antwort auf Ihre Frage als Text, Code oder Bilder (multimodal). Die Antwort kann unterstützte BigQuery-KI- und ML-Funktionen enthalten.
• Bei Bedarf generierte Diagramme.
• Die Begründung des Agent für die Ergebnisse.
• Metadaten zur Unterhaltung, z. B. der verwendete Agent und die verwendeten Datenquellen.

Wenn Sie eine direkte Unterhaltung mit einer Datenquelle erstellen, interpretiert die Conversational Analytics API Ihre Frage ohne den Kontext und die Anweisungen zur Verarbeitung, die ein KI-Agent für Datenverarbeitung bietet. Daher können die Ergebnisse direkter Unterhaltungen weniger genau sein. Verwenden Sie KI-Agenten für Datenverarbeitung in Fällen, in denen eine höhere Genauigkeit erforderlich ist.

Sie können Unterhaltungen in BigQuery über die Cloud de Confiance Console erstellen und verwalten. Weitere Informationen finden Sie unter Daten mit Unterhaltungen analysieren.

BigQuery-KI- und ML-Unterstützung

Die konversationelle Analyse unterstützt die folgenden KI-Funktionen in Antworten auf Chats mit KI-Agenten für Datenverarbeitung und Datenquellen sowie in bestätigten SQL-Abfragen, die Sie erstellen.

• AI.FORECAST
• AI.DETECT_ANOMALIES
• AI.KEY_DRIVERS
• AI.GENERATE
• AI.IF
• AI.SCORE
• AI.CLASSIFY
• AI.SIMILARITY
• AI.SEARCH

Sie benötigen die erforderlichen Berechtigungen um generative KI-Abfragen auszuführen.

Der Agent verwendet die Funktion AI.SEARCH nur für Tabellen, für die die autonome Einbettungsgenerierung aktiviert ist. Andernfalls verwendet der Agent die Funktion AI.SIMILARITY, für die die Einbettungsgenerierung in Echtzeit erforderlich ist.

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

• Wenn Sie einen Agent erstellen und eine bestätigte Abfrage hinzufügen, z. B. wenn Sie als Data Scientist einen wiederkehrenden Bericht erstellen, können Sie unterstützte KI-Funktionen in einer bestätigten Abfrage verwenden, um Standardeinstellungen zu beschreiben und den Bericht zu automatisieren.
• Wenn Sie einem Agent in einer Unterhaltung oder in einer bestätigten Abfrage mit Keywords allgemeine Fragen zu Daten stellen, generiert der Agent als Antwort auf Ihre Fragen SQL.

Die folgende Tabelle enthält Beispiele für One-Shot-Prompts, die die Verwendung von KI- oder ML-Funktionen aktivieren:

Graphunterstützung

Die konversationelle Analyse unterstützt die Verwendung eines Graphen als Datenquelle. Wenn Sie Fragen zu Ihrem Graphen stellen, erstellt der Agent GQL- oder SQL-Abfragen, um sie zu beantworten. Agenten können Beschreibungen und Synonyme verwenden, die Sie für Ihre Graph-Labels und Attribute definieren, um die Qualität der Ergebnisse zu verbessern. Agenten können auch Maßnahmen nutzen, die in Ihrem Graphen definiert sind, um eine mehrstufige Aggregation durchzuführen. Wenn die Antwort Graphpfade enthält, werden Graphvisualisierungen bereitgestellt.

Sie können beispielsweise den Look Graph Beispielagenten in BigQuery auf der Seite „Agents“ (Agenten) verwenden, um Fragen wie die folgenden zum bigquery-public-data.thelook_ecommerce.graph Graphen zu stellen:

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

Beschränkungen

Bei der Verwendung eines Graphen als Datenquelle gelten die folgenden Einschränkungen:

• Sie können maximal einen Graphen als Datenquelle pro Agent oder Unterhaltung verwenden.
• Sie können Tabellen und Graphen nicht als Datenquellen kombinieren.

Sicherheit

Sie können den Zugriff auf die konversationelle Analyse in BigQuery mit den IAM-Rollen und ‑Berechtigungen der Conversational Analytics API verwalten. Informationen zu den für bestimmte Vorgänge erforderlichen Rollen finden Sie unter Erforderliche Rollen für KI-Agenten für Datenverarbeitung und Erforderliche Rollen für Unterhaltungen.

Die konversationelle Analyse umfasst die folgenden Sicherheitsfunktionen und ‑maßnahmen:

• Sie kann nur auf Daten und Ressourcen zugreifen, für die Sie eine Berechtigung haben.
• Sie berücksichtigt die Sicherheitskontrollen von VPC Service Controls.
• Sie kann keine Schreibvorgänge ausführen und keine DML-Abfragen ausführen.
• Sie kann keine Remote-Funktionen ausführen.
• Sie kann nur auf die Wissensquellen zugreifen, die Sie explizit auswählen.
• Ihr Unterhaltungsverlauf wird nur mit Ihnen geteilt. Sie können ihn nicht mit anderen Nutzern teilen.
• Wenn Sie einen KI-Agenten für Datenverarbeitung erstellen, müssen Sie Zugriff haben, um jede Wissensquelle abzufragen, die Sie hinzufügen.

Standorte

Die konversationelle Analyse unterstützt drei Standorte, die die Speicherung von Agent- und Unterhaltungsressourcen sowie den für die ML-Verarbeitung verwendeten Standort regeln:

• US MREP
• EU MREP
• Global

Beim Erstellen von Agenten und Unterhaltungen gelten die folgenden Standardverhaltensweisen:

• Wenn alle Ihre Wissensquellen aus Regionen in den USA stammen, wird US MREP verwendet.
• Wenn alle Ihre Wissensquellen aus Regionen in der EU stammen, wird EU MREP verwendet.
• Andernfalls wird der globale Standort verwendet.

Wenn Sie einen Agent erstellen, können Sie optional einen anderen Standort auswählen. Nachdem Sie den Agent gespeichert haben, können Sie den Standort nicht mehr ändern.

Agenten, die vor dem 4. Juni 2026 erstellt wurden, befinden sich am globalen Standort.

Preise

Für Abfragen, die beim Erstellen von KI-Agenten für Datenverarbeitung und bei Unterhaltungen mit KI-Agenten für Datenverarbeitung oder Datenquellen ausgeführt werden, werden Ihnen die BigQuery-Compute Preise berechnet. Weitere Informationen finden Sie unter Preise für Agenten.

Best Practices

Beachten Sie bei der Arbeit mit der konversationellen Analyse die folgenden Best Practices:

• Führen Sie eine Datenbereinigung für Ihre Tabellen durch, bevor Sie sie als Datenquellen hinzufügen.

• Verknüpfen Sie verwandte Tabellen in einer Ansicht und verwenden Sie diese Ansicht als Datenquelle, anstatt dem Agent die richtige Verknüpfung Ihrer Daten zu überlassen.

• Führen Sie Profilscans für Ihre Daten durch.

• Beschränken Sie den Umfang Ihrer Agenten. Agenten mit einem großen Umfang können zu Konflikten bei den Anweisungen, mehrdeutigen Ausgaben und einer inkonsistenten Leistung führen. Wenn Ihr Agent mehr als 20 Datenquellen benötigt, von Teams mit unterschiedlichen Messwertdefinitionen verwendet wird oder eine Art von Ergebnis auf Kosten einer anderen priorisiert, sollten Sie zusätzliche Agenten erstellen.

• Geben Sie Ihrem Agent Kontext. Priorisieren Sie Kontexttypen so:

  1. Bestätigte Abfragen. Deterministisches SQL, das ausgeführt wird, wenn es mit einer Nutzeranfrage übereinstimmt.
  2. Glossare. Definitionen von Begriffen, die Spalten mit semantischem Kontext verknüpfen.
  3. Agent-Anweisungen. Globale Verhaltensregeln und Definitionen, die in natürlicher Sprache verfasst sind, z. B. Definitionen des Geschäftsjahres oder Formatierungsregeln.

• Fügen Sie Ihren Tabellen Tabellen- und Spaltenbeschreibungen hinzu.

• Duplizieren Sie keine Glossardefinitionen im Knowledge Catalog und im benutzerdefinierten BigQuery-Glossar.

• Legen Sie Ausgabenlimits auf Projektebene, Nutzerebene und Abfrageebene fest, um die Kosten für Ihre Agenten zu verwalten.

• Stellen Sie effektive Fragen in Ihren Unterhaltungen.

• Machen Sie sich mit der Funktionsweise der Datenaufbewahrung und ‑löschung für KI-Agenten für Datenverarbeitung und Unterhaltungen vertraut.

Beschränkungen

Weitere Informationen zu Beschränkungen für Abfragen, Unterhaltungen, Daten und Visualisierungen finden Sie unter Bekannte Einschränkungen der Conversational Analytics API.

Dynamisches gemeinsames Kontingent

Das dynamische gemeinsame Kontingent (Dynamic Shared Quota, DSQ) in der Gemini Enterprise Agent Platform verwaltet die Kapazität für das Gemini-Modell. Im Gegensatz zu herkömmlichen Kontingenten ermöglicht DSQ den Zugriff auf einen großen gemeinsamen Ressourcenpool ohne festes Limit für den Modell-Durchsatz pro Projekt.

Die Leistung, z. B. die Latenz, kann je nach Gesamtsystemlast variieren. Bei hoher Nachfrage im gemeinsamen Pool können gelegentlich temporäre 429 Resource Exhausted-Fehler auftreten. Diese Fehler weisen darauf hin, dass die Kapazität des gemeinsamen Pools vorübergehend begrenzt ist, aber nicht, dass Sie ein bestimmtes Kontingentlimit für Ihr Projekt erreicht haben. Wenn Sie die Kapazität prüfen möchten, wiederholen Sie die Anfrage nach einer kurzen Verzögerung.

Von Agenten generierte Abfragen identifizieren und analysieren

BigQuery-Jobs, die von einem KI-Agenten für Datenverarbeitung ausgeführt werden, enthalten bestimmte Labels. Mit diesen Labels können Sie die Jobs des Agent identifizieren, filtern und analysieren.

Sie können diese Labels für die folgenden Aufgaben verwenden:

• Filtern Sie Ihren Abrechnungsbericht nach Label um die Kosten für den Agent zu ermitteln.
• Prüfen Sie die Agent-Aktivität.
• Analysieren Sie die Abfrageleistung.

Labels für KI-Agenten für Datenverarbeitung in der Cloud de Confiance Console identifizieren

BigQuery wendet Labels auf Jobs an, die von einem KI-Agenten für Datenverarbeitung ausgeführt werden. Wenn Sie den Labelschlüssel zum Filtern und für andere Analysen abrufen möchten, sehen Sie ihn sich in der Cloud de Confiance Console an.

So rufen Sie den Labelschlüssel eines KI-Agenten für Datenverarbeitung auf:

1. Sehen Sie sich in der Cloud de Confiance Console die Jobdetails an.

2. Suchen Sie im Bereich Query job details (Details zum Abfragejob) den Abschnitt Labels und suchen Sie nach Labels mit dem Präfix ca, z. B. ca-bq-job: true.

Von Agenten generierte Jobs analysieren

Verwenden Sie das Label, um Ihre von Agenten generierten Jobs zu analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem KI-Agenten für Datenverarbeitung ausgeführt wurden, führen Sie die folgende Abfrage für die INFORMATION_SCHEMA.JOBS Ansicht aus:

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'
  );

Ersetzen Sie Folgendes:

• PROJECT_ID: Ihre Cloud de Confiance Projekt-ID.
• REGION: die Region, in der Ihre Jobs ausgeführt werden (z. B. us oder eu).

Nächste Schritte

• Weitere Informationen zur Conversational Analytics API.
• KI-Agenten für Datenverarbeitung erstellen.
• Daten mit Unterhaltungen analysieren.
• Konversationelle Analyse mit Lakehouse verwenden
• Erfahren Sie, wie Sie Ressourcen mithilfe von Labels filtern.