Ringkasan analisis percakapan
Analisis percakapan di BigQuery memungkinkan Anda melakukan chat dengan agen tentang data Anda menggunakan bahasa alami. Untuk mendapatkan jawaban tentang data Anda, Anda dapat melakukan hal berikut:
- Membuat agen data yang secara otomatis menentukan konteks data dan petunjuk pemrosesan kueri untuk sekumpulan sumber pengetahuan, seperti tabel, tampilan, atau fungsi yang ditentukan pengguna (UDF) yang Anda pilih.
- Jika diperlukan, Anda dapat membuat konteks dan petunjuk untuk agen dalam bentuk metadata tabel dan kolom kustom, petunjuk kepada agen untuk menafsirkan dan membuat kueri data, atau dengan membuat kueri terverifikasi (sebelumnya dikenal sebagai kueri golden) untuk mengonfigurasi agen data agar dapat menjawab pertanyaan secara efektif untuk kasus penggunaan tertentu.
Sebelum menyesuaikan agen, sebaiknya Anda menggunakan konteks dan petunjuk yang dibuat agen terlebih dahulu.
Beberapa contoh konteks dan petunjuk yang Anda berikan kepada agen adalah sebagai berikut:
- Konteks. Agen data untuk analisis penjualan dapat dikonfigurasi untuk memahami bahwa "performer terbaik" mengacu pada perwakilan penjualan dengan pendapatan tertinggi, bukan hanya kesepakatan yang paling banyak ditutup.
- Petunjuk. Anda dapat menginstruksikan agen data untuk selalu memfilter data ke kuartal terbaru saat ditanya tentang "tren", atau mengelompokkan hasil menurut "kategori produk" secara default.
Setelah membuat agen data, Anda dapat melakukan percakapan dengan agen tersebut untuk mengajukan pertanyaan tentang data BigQuery menggunakan bahasa alami. Anda juga dapat membuat percakapan langsung dengan satu atau beberapa sumber data untuk menjawab pertanyaan dasar yang hanya diajukan satu kali.
Analisis percakapan didukung oleh Gemini untuk Google Cloud dan mendukung beberapa fungsi BigQuery ML. Untuk mengetahui informasi selengkapnya, lihat Dukungan BigQuery ML.
Pelajari cara dan waktu Gemini untuk Cloud de Confiance menggunakan data Anda.
Agen data
Agen data terdiri dari satu atau beberapa sumber pengetahuan, dan sekumpulan petunjuk khusus untuk kasus penggunaan pemrosesan data tersebut. Saat membuat agen data, Anda dapat mengonfigurasinya menggunakan opsi berikut:
- Menggunakan sumber pengetahuan seperti tabel, tampilan, dan UDF dengan agen data.
- Memberikan metadata tabel dan kolom kustom untuk mendeskripsikan data dengan cara yang paling sesuai untuk kasus penggunaan tertentu.
- Memberikan petunjuk untuk menafsirkan dan membuat kueri data, seperti menentukan hal berikut:
- Sinonim dan istilah bisnis untuk nama kolom
- Kolom dan default terpenting untuk pemfilteran dan pengelompokan
- Membuat kueri terverifikasi yang dapat digunakan agen data untuk membentuk struktur respons agen dan mempelajari logika bisnis yang digunakan organisasi Anda. Kueri terverifikasi sebelumnya dikenal sebagai kueri golden. Kueri terverifikasi dapat menggunakan fungsi BigQuery ML yang didukung.
- Membuat istilah glosarium kustom BigQuery untuk setiap agen atau mengimpor istilah glosarium bisnis dari Knowledge Catalog. Istilah ini membantu agen menafsirkan perintah pengguna. Untuk mengetahui saran tentang kapan harus menggunakan setiap jenis, lihat Membuat atau meninjau istilah glosarium.
Mengelola agen data
Anda dapat membuat, mengelola, dan menggunakan jenis agen data berikut di tab Agent Catalog di Cloud de Confiance konsol:
- Agen sampel yang telah ditentukan untuk setiap Cloud de Confiance project.
- Daftar agen yang Anda buat, draf, dan publikasikan.
- Daftar agen yang dibuat dan dibagikan oleh orang lain kepada Anda.
Untuk mengetahui informasi selengkapnya, lihat Membuat agen data.
Layanan lain dalam project yang mendukung agen data, seperti Conversational Analytics API dan Looker Studio Pro, dapat mengakses agen data yang Anda buat di BigQuery. Anda juga dapat mengakses agen yang dibuat di konsol dengan memanggilnya menggunakan Conversational Analytics API. Cloud de Confiance
Percakapan
Percakapan adalah chat yang disimpan dengan agen data atau sumber data. Anda dapat mengajukan pertanyaan multi-bagian kepada agen data yang menggunakan istilah umum seperti "penjualan" atau "paling populer", tanpa harus menentukan nama kolom tabel atau menentukan kondisi untuk memfilter data. Anda juga dapat mengajukan pertanyaan tentang data yang terdapat dalam objek seperti PDF.
Respons chat yang ditampilkan kepada Anda menyediakan fitur berikut:
- Jawaban atas pertanyaan Anda dalam bentuk teks, kode, atau gambar (multimodal). Jawaban dapat menyertakan fungsi BigQuery ML yang didukung.
- Diagram yang dibuat jika sesuai.
- Alasan agen di balik hasil.
- Metadata tentang percakapan, seperti agen dan sumber data yang digunakan.
Saat Anda membuat percakapan langsung dengan sumber data, Conversational Analytics API akan menafsirkan pertanyaan Anda tanpa konteks dan petunjuk pemrosesan yang ditawarkan agen data. Oleh karena itu, hasil percakapan langsung dapat menjadi kurang akurat. Gunakan agen data untuk kasus yang memerlukan akurasi lebih tinggi.
Anda dapat membuat dan mengelola percakapan di BigQuery menggunakan Cloud de Confiance konsol. Untuk mengetahui informasi selengkapnya, lihat Menganalisis data dengan percakapan.
Dukungan BigQuery ML
Analisis percakapan mendukung fungsi BigQuery ML berikut sebagai respons terhadap chat dengan agen data dan sumber data, serta dalam kueri SQL terverifikasi yang Anda buat.
Untuk menggunakan fungsi AI.GENERATE yang didukung, Anda harus memiliki izin
yang diperlukan
untuk menjalankan kueri AI generatif.
Kasus penggunaan BigQuery ML
Untuk mengaktifkan fungsi BigQuery ML yang didukung, gunakan fungsi tersebut dengan cara berikut:
- Saat Anda membuat agen dan menambahkan kueri terverifikasi—misalnya, jika Anda adalah data scientist yang menyiapkan laporan berulang—Anda dapat menggunakan fungsi BigQuery ML yang didukung dalam kueri terverifikasi untuk mendeskripsikan default dan mengotomatiskan laporan.
- Saat Anda mengajukan pertanyaan tingkat tinggi tentang data kepada agen, dalam percakapan, atau dalam kueri terverifikasi menggunakan kata kunci, agen akan membuat SQL BigQuery ML sebagai respons terhadap pertanyaan Anda.
Tabel berikut menunjukkan contoh perintah sekali pakai yang mengaktifkan penggunaan BigQuery ML:
| Kasus penggunaan | Contoh penggunaan | Set data publik |
|---|---|---|
| Perkiraan | "Prediksi jumlah perjalanan untuk bulan berikutnya." | bigquery-public-data.san_francisco_bikeshare.bikeshare_trips |
| Deteksi anomali | "Temukan nilai ekstrem dalam perjalanan per hari untuk tahun 2018 menggunakan tahun 2017 sebagai dasar." | bigquery-public-data.san_francisco_bikeshare.bikeshare_trips |
| Pembuatan teks LLM | "Untuk setiap artikel dalam kategori 'olahraga', ringkas kolom isi dalam 1-2 kalimat." | bigquery-public-data.bbc_news.fulltext |
Keamanan
Anda dapat mengelola akses ke analisis percakapan di BigQuery menggunakan peran dan izin IAM Conversational Analytics API permissions. Untuk mengetahui informasi tentang peran yang diperlukan untuk operasi tertentu, lihat peran yang diperlukan agen data dan peran yang diperlukan percakapan.
Lokasi
Analisis percakapan beroperasi secara global; Anda tidak dapat memilih region yang akan digunakan.
Harga
Anda akan dikenai biaya sesuai harga komputasi BigQuery untuk kueri yang berjalan saat Anda membuat agen data dan melakukan percakapan dengan agen data atau sumber data. Tidak ada biaya tambahan untuk membuat dan menggunakan agen data serta percakapan selama periode Pratinjau.
Praktik terbaik
Tinjau panduan berikut untuk mempelajari praktik terbaik dalam menggunakan Conversational Analytics API:
- Menetapkan batas pengeluaran tingkat project, tingkat pengguna, dan tingkat kueri untuk mengelola biaya agen Anda.
- Ajukan pertanyaan yang efektif dalam percakapan Anda.
- Memahami cara kerja retensi dan penghapusan data untuk agen data dan percakapan.
Batasan
Untuk mengetahui informasi selengkapnya tentang batasan kueri, percakapan, data, dan visualisasi, lihat Batasan umum Conversational Analytics API.
Kuota bersama dinamis
Kuota Bersama Dinamis (DSQ) di Vertex AI mengelola kapasitas untuk model Gemini. Tidak seperti kuota konvensional, DSQ memungkinkan Anda mengakses kumpulan resource bersama yang besar tanpa batas tetap per project untuk throughput model.
Performa, seperti latensi, dapat bervariasi bergantung pada beban sistem secara keseluruhan. Selama waktu permintaan tinggi di seluruh kumpulan bersama, Anda mungkin sesekali mengalami error 429 Resource Exhausted sementara. Error ini menunjukkan bahwa kapasitas kumpulan bersama dibatasi untuk sementara, tetapi bukan berarti Anda telah mencapai batas kuota tertentu di project Anda. Untuk memeriksa kapasitas, coba lagi permintaan setelah beberapa saat.
Langkah berikutnya
- Pelajari Conversational Analytics API lebih lanjut.
- Buat agen data.
- Analisis data dengan percakapan.