Utiliser l'agent d'ingénierie des données pour créer et modifier des pipelines de données

Ce document vous explique comment utiliser l'agent Data Engineering dans BigQuery et Dataform pour créer et modifier des pipelines de données.

L'agent d'ingénierie des données vous permet de créer, de modifier et de gérer des pipelines de données pour charger et traiter des données dans BigQuery. L'agent Data Engineering vous permet d'utiliser des requêtes en langage naturel pour générer des pipelines de données à partir de différentes sources de données ou d'adapter des pipelines de données existants à vos besoins en ingénierie des données.

L'agent génère et organise le code du pipeline de données directement dans les dépôts Dataform. L'agent fonctionne dans l'espace de travail Dataform. Les pipelines Dataform sont donc automatiquement disponibles pour l'agent.

Pour obtenir d'autres exemples de requêtes que vous pouvez utiliser avec l'agent Data Engineering, consultez Exemples de requêtes.

Vous pouvez également utiliser l'API Data Engineering Agent, qui utilise le protocole A2A, pour interagir avec l'agent.

Limites

L'agent Data Engineering présente les limites suivantes :

• L'agent Data Engineering n'accepte pas les commandes en langage naturel pour les types de fichiers suivants :
  • Notebooks
  • Préparation des données
• L'agent Data Engineering ne peut pas exécuter de pipelines. Vous devez examiner, exécuter ou planifier les pipelines.
• L'agent Data Engineering ne peut pas rechercher de liens Web ni d'URL fournis dans les instructions ou les requêtes directes.
• Lorsque vous importez des fichiers dans un fichier d'instructions de l'agent, la syntaxe d'importation @ n'accepte que les chemins d'accès qui commencent par ./, / ou une lettre.
• La fonctionnalité d'aperçu des données n'est compatible qu'avec les tables, les déclarations ou les requêtes dont l'indicateur hasOutput est défini sur true.
• Le Data Engineering Agent est soumis aux limitations générales de la technologie d'IA.

Avant de commencer

Avant d'utiliser l'agent Data Engineering, suivez les étapes de cette section.

Activer Gemini dans BigQuery

Assurez-vous que Gemini dans BigQuery est activé pour votre projetCloud de Confiance by S3NS . Pour en savoir plus, consultez Configurer Gemini dans BigQuery.

Activer les API requises

gcloud services enable geminidataanalytics.googleapis.com --project=PROJECT_ID
gcloud services enable cloudaicompanion.googleapis.com --project=PROJECT_ID
gcloud services enable bigquery.googleapis.com --project=PROJECT_ID

Rôles requis

Pour obtenir l'autorisation nécessaire pour utiliser l'agent Data Engineering, demandez à votre administrateur de vous accorder les rôles IAM suivants sur le projet :

• Éditeur de code Dataform (roles/dataform.codeEditor)
• Utilisateur de job BigQuery (roles/bigquery.jobUser)
• Utilisateur sans état du chat des analyses de données Gemini (roles/geminidataanalytics.dataAgentStatelessUser)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Ce rôle prédéfini contient l'autorisation geminidataanalytics.locations.useDataEngineeringAgent, qui est requise pour utiliser l'agent Data Engineering.

Vous pouvez également obtenir cette autorisation avec des rôles personnalisés ou d'autres rôles prédéfinis.

Conditions préalables à l'intégration de Knowledge Catalog

Pour obtenir les autorisations nécessaires pour intégrer l'agent Data Engineering à Knowledge Catalog, demandez à votre administrateur de vous accorder le rôle IAM Éditeur de catalogue Dataplex (roles/dataplex.catalogEditor) sur le projet. Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Ce rôle prédéfini contient l'autorisation geminidataanalytics.locations.useDataEngineeringAgent, qui est requise pour intégrer l'agent Data Engineering au Knowledge Catalog.

Vous pouvez également obtenir cette autorisation avec des rôles personnalisés ou d'autres rôles prédéfinis.

Vous devez également activer l'API Knowledge Catalog.

Chiffrer des données avec des clés Cloud Key Management Service

Vous pouvez chiffrer les données au niveau de l'ensemble de données ou du projet avec les clés Cloud Key Management Service par défaut gérées par le client dans BigQuery. Pour en savoir plus, consultez Définir une clé par défaut pour un ensemble de données et Définir une clé par défaut pour un projet.

Vous pouvez chiffrer le code du pipeline au niveau du projet en définissant une clé Dataform Cloud Key Management Service par défaut.

Configurer des périmètres VPC Service Controls

Si vous utilisez VPC Service Controls, vous devez configurer le périmètre pour protéger Dataform, BigQuery et l'API Conversational Analytics. Pour en savoir plus, consultez Dataform, BigQuery et l'API Conversational Analytics.

Générer un pipeline de données avec l'agent d'ingénierie des données

Pour utiliser l'agent d'ingénierie des données dans BigQuery, sélectionnez l'une des options suivantes :

Modifier un pipeline de données

Pour modifier votre pipeline de données, cliquez sur Demander à l'agent, puis saisissez une requête suggérant une modification du pipeline de données.

Examinez les modifications proposées par l'agent Data Engineering, puis cliquez sur Appliquer pour les appliquer.

Vous pouvez également modifier manuellement une requête SQLX en sélectionnant un nœud de pipeline, puis en cliquant sur Ouvrir.

Examiner un pipeline de données

Vous pouvez cliquer sur un nœud de pipeline dans un pipeline de données généré par l'agent d'ingénierie des données pour l'examiner.

• L'onglet Configuration affiche la requête SQLX générée associée au nœud.
• L'onglet Aperçu des données affiche les tables d'entrée et de sortie du fichier. Vous pouvez prévisualiser la transformation de vos données via ce nœud en cliquant sur Exécuter la tâche pour exécuter la tâche avec ou sans dépendances.

Résoudre les erreurs liées aux pipelines de données

Si vous rencontrez des erreurs lors de la génération du pipeline de données, vérifiez que vous avez rempli toutes les conditions préalables pour exécuter l'agent Data Engineering. Pour en savoir plus, consultez Avant de commencer.

Exécuter une investigation Gemini Cloud Assist

Pour résoudre les problèmes liés aux pipelines, vous pouvez utiliser l'agent Data Engineering pour effectuer une analyse des causes premières et obtenir des recommandations de dépannage.

Cette fonctionnalité utilise les investigations Gemini Cloud Assist (Preview) et n'est disponible que pour les utilisateurs disposant d'un contrat d'assistance Premium. Pour en savoir plus sur l'activation des investigations Gemini Cloud Assist, consultez Résoudre les problèmes à l'aide des investigations Gemini Cloud Assist.

Vous pouvez utiliser l'agent Data Engineering pour résoudre les erreurs de pipeline de données en suivant les étapes ci-dessous :

1. Dans votre pipeline ou votre espace de travail de développement, cliquez sur l'onglet Exécutions.

2. Dans la liste des exécutions, recherchez l'exécution du pipeline de données qui a échoué. Vous pouvez identifier les exécutions ayant échoué dans la colonne État.

   

3. Pointez sur l'icône, puis cliquez sur Examiner. L'agent Data Engineering effectue une analyse des causes premières sur l'exécution de votre pipeline de données pour détecter les erreurs.

   

4. Une fois l'analyse terminée, l'agent Data Engineering génère un rapport dans la section Observations et hypothèses. Le rapport inclut les éléments suivants :

   • Observations et points de données extraits des journaux d'exécution du pipeline de données.
   • Causes probables de l'échec.
   • Ensemble d'étapes ou de recommandations exploitables pour résoudre le problème identifié.

Le rapport de dépannage de l'agent Data Engineering vous permet d'implémenter manuellement les recommandations. Vous pouvez également demander à l'agent Data Engineering d'appliquer la correction pour vous en procédant comme suit :

1. Copiez les suggestions du rapport de dépannage.
2. Revenez à l'agent d'ingénierie des données :
   1. Si vous utilisez des pipelines BigQuery, accédez à la page des pipelines, puis cliquez sur Demander à l'agent.
   2. Si vous utilisez Dataform, cliquez sur Demander à un agent.
3. Collez les suggestions dans la requête, puis demandez à l'agent Data Engineering d'apporter les corrections directement à votre pipeline de données.
4. Cliquez sur Envoyer.

Créer des instructions pour l'agent

Les instructions de l'agent sont des instructions en langage naturel destinées à l'agent Data Engineering. Elles vous permettent de stocker des instructions persistantes afin que l'agent suive un ensemble de règles personnalisées et prédéfinies. Utilisez des instructions pour l'agent si vous souhaitez que les résultats de l'agent soient cohérents dans toute votre organisation (par exemple, avec des conventions de dénomination ou pour appliquer un guide de style).

Vous pouvez créer un fichier de contexte GEMINI.MD en tant que fichier d'instructions de l'agent pour l'agent Data Engineering. Vous pouvez créer des fichiers d'instructions d'agent à utiliser dans votre espace de travail local ou utiliser les mêmes fichiers d'instructions dans plusieurs pipelines de données avec un dépôt externe.

Pour créer des instructions pour l'agent :

1. Sous Demander à l'agent, cliquez sur Instructions du pipeline.
2. Dans le volet Instructions pour le pipeline, cliquez sur Créer un fichier d'instructions.

3. Dans le fichier GEMINI.MD qui s'affiche, saisissez vos instructions en langage naturel.

   L'exemple suivant montre un fichier d'instructions pour l'agent avec plusieurs règles :

     1. All event-specific tables MUST be prefixed with `cs_event_`.
     2. The primary key for any player activity table is a composite key of `player_id` and `event_timestamp_micros`.
     3. Filter out any player actions where `mana_spent` is greater than `max_mana_pool`. This is considered a data anomaly.
   

4. Cliquez sur Enregistrer.

Pour savoir comment structurer au mieux vos fichiers d'instructions d'agent, consultez Bonnes pratiques concernant les fichiers d'instructions d'agent.

Charger les instructions de l'agent à partir d'un dépôt externe

Pour réutiliser un ensemble d'instructions d'agent dans plusieurs pipelines de données, associez un dépôt externe :

1. Sous Demander à l'agent, cliquez sur Instructions du pipeline.
2. Sous Dépôt externe, sélectionnez Utiliser les instructions d'un dépôt externe.
3. Dans les champs fournis, spécifiez un dépôt contenant les instructions de l'agent que vous souhaitez utiliser avec votre pipeline de données.
4. Cliquez sur Enregistrer.

Exemples de requêtes

Les sections suivantes fournissent des exemples de requêtes que vous pouvez utiliser avec l'agent Data Engineering pour développer votre pipeline de données.

Regrouper des données existantes dans une nouvelle table

Avec cette requête, l'agent d'ingénierie des données utilise le schéma et les exemples pour déduire le regroupement des données par clé. L'agent configure généralement une nouvelle configuration de table avec des descriptions de table et de colonnes.

  Create a daily sales report from the
  bigquery-public-data.thelook_ecommerce.order_items table into a
  reporting.daily_sales_aggregation table.

Créer une colonne dérivée et ajouter des vérifications de la qualité des données à la nouvelle table

Cette requête montre comment ajouter un tableau et une colonne, et spécifier des contrôles de qualité pour le tableau en même temps :

  Create a new table named staging.products from
  bigquery-public-data.thelook_ecommerce.products and add a calculated column
  named gross_profit, which is the retail_price minus the cost.


  Also, add the following assertions: ID must not be null and must be unique.
  The retail_price must be greater than or equal to the cost. The department
  column can only contain 'Men' or 'Women'.

Créer des UDF dans la définition du modèle

L'agent Data Engineering peut également configurer le LDD pour créer des fonctions définies par l'utilisateur (UDF). L'agent ne créera pas la UDF définie par l'utilisateur, mais vous pourrez UDF créer en exécutant le pipeline de données. Ces UDF peuvent être utilisées dans les définitions de modèle de votre pipeline de données.

  Create a user-defined function (UDF) named get_age_group that takes an integer
  age as input and returns a string representing the age group ('Gen Z',
  'Millennial', 'Gen X', 'Baby Boomer').


  Use this UDF on the age column from the
  bigquery-public-data.thelook_ecommerce.users table to create a new view called
  reporting.user_age_demographics that includes user_id, age, and the calculated
  age_group.

Bonnes pratiques

Pour améliorer les résultats lorsque vous travaillez avec l'agent Data Engineering et Dataform, nous vous recommandons de procéder comme suit :

Utilisez les instructions de l'agent pour les demandes courantes. Si vous appliquez souvent certaines techniques ou si vous apportez fréquemment les mêmes corrections à l'agent, utilisez les instructions de l'agent comme emplacement centralisé pour stocker les instructions et les demandes courantes.

Utilisez des plans d'agent. Les plans d'agent peuvent être utiles pour décomposer les tâches complexes du pipeline. Les plans de l'agent peuvent également vous montrer les hypothèses et les intentions de l'agent. Nous vous recommandons donc de les examiner pour vous assurer que l'agent dispose du contexte approprié.

Après avoir examiné un plan, vous pouvez le modifier en fournissant des commentaires et des modifications à l'agent Data Engineering. Exemple :

In the plan, ensure that all of the intermediate tables are views.

Dans certains cas, il peut être utile de demander à l'agent de générer un plan qui n'a pas besoin de votre approbation explicite. Le fait de demander à l'agent de planifier ses actions l'oblige à les décomposer, ce qui conduit souvent à de meilleurs résultats. Vous pouvez forcer l'agent à générer un plan et à l'exécuter automatiquement. Exemple :

Create a plan for a pipeline that finds the
top N pick up and drop off locations in NYC. You have my explicit pre-approval
to go ahead and execute this plan.

Écrivez de manière claire. Énoncez votre demande clairement et évitez d'être vague. Dans la mesure du possible, fournissez des sources de données source et de destination lorsque vous posez une question, comme dans l'exemple suivant :

  Extract data from the sales.customers table in the us_west_1 region, and load
  it into the reporting.dim_customers table in BigQuery. Match the schema of the
  destination table.

Formulez des demandes directes et ciblées. Posez une question à la fois et rédigez des requêtes concises. Pour les requêtes comportant plusieurs questions, détaillez chaque partie distincte de la question pour plus de clarté, comme dans l'exemple suivant :

  1. Create a new table named staging.events_cleaned. Use raw.events as the
     source. This new table should filter out any records where the user_agent
     matches the pattern '%bot%'. All original columns should be included.

  2. Next, create a table named analytics.user_sessions. Use
     staging.events_cleaned as the source. This table should calculate the
     duration for each session by grouping by session_id and finding the
     difference between the MAX(event_timestamp) and MIN(event_timestamp).

Donnez des instructions explicites et mettez en avant les termes clés. Vous pouvez mettre l'accent sur des termes ou des concepts clés dans vos requêtes et indiquer que certaines exigences sont importantes, comme dans l'exemple suivant :

  When creating the staging.customers table, it is *VERY IMPORTANT* that you
  transform the email column from the source table bronze.raw_customers.
  Coalesce any NULL values in the email column to an empty string ''.

Spécifiez l'ordre des opérations. Pour les tâches ordonnées, structurez votre requête sous forme de listes, où les éléments listés sont divisés en petites étapes ciblées, comme indiqué dans l'exemple suivant :

  Create a pipeline with the following steps:
  1. Extract data from the ecomm.orders table.
  2. Join the extracted data with the marts.customers table on customer_id.
  3. Load the final result into the reporting.customer_orders table.

Affinez et itérez. Essayez différentes expressions et approches pour voir ce qui donne les meilleurs résultats. Si l'agent génère du code SQL non valide ou commet d'autres erreurs, guidez-le à l'aide d'exemples ou de documentation publique.

  The previous query was incorrect because it removed the timestamp. Please
  correct the SQL. Use the TIMESTAMP_TRUNC function to truncate the
  event_timestamp to the nearest hour, instead of casting it as a DATE. For
  example: TIMESTAMP_TRUNC(event_timestamp, HOUR).