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-Datenagenten, die automatisch Daten kontext und 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 KI-Agenten in Form von benutzerdefinierten Tabellen- und Feldmetadaten erstellen, Anweisungen für den KI-Agenten zum Interpretieren und Abfragen der Daten geben oder bestätigte Abfragen (früher als Golden Queries bezeichnet) erstellen, um den KI-Datenagenten so zu konfigurieren, dass er Fragen für bestimmte Anwendungsfälle effektiv beantworten kann.

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

Einige Beispiele für Kontext und Anweisungen, die Sie dem KI-Agenten geben, sind:

• Kontext. Ein KI-Datenagent 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-Datenagenten 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-Datenagenten erstellt haben, können Sie dann Unterhaltungen mit ihnen führen 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 for Google Cloud Ihre Daten verwendet.

KI-Agenten für Datenverarbeitung

KI-Datenagenten 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-Datenagenten erstellen, können Sie ihn mit den folgenden Optionen konfigurieren:

• Verwenden Sie Wissensquellen wie Tabellen, Ansichten und UDFs mit einem KI-Datenagenten. Sie können auch eine Verbindung zu Lakehouse-Tabellen ohne Begrenzung als Quellen herstellen. Weitere Informationen finden Sie unter Lakehouse-Tabellen mit natürlicher Sprache abfragen.
• Geben Sie benutzerdefinierte Tabellen- und Feldmetadaten an, um die Daten für den jeweiligen Anwendungsfall bestmöglich zu beschreiben.
• Geben Sie Anweisungen zum Interpretieren und Abfragen der Daten an, z. B. durch Definieren von:
  • Synonyme und Fachbegriffe für Feldnamen
  • Wichtigste Felder und Standardeinstellungen für das Filtern und Gruppieren
• Erstellen Sie bestätigte Abfragen , mit denen der KI-Datenagent die Antwortstruktur eines KI-Agenten 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 Agenten oder importieren Sie Unternehmensglossarbegriffe aus dem Knowledge Catalog. Diese Begriffe helfen einem KI-Agenten, Nutzeranfragen zu interpretieren. Hinweise zur Verwendung der einzelnen Typen finden Sie unter siehe Glossarbegriffe erstellen oder überprüfen.

KI-Datenagenten verwalten

Auf dem Tab Agent Catalog (Agentenkatalog) in der Google Cloud Console können Sie die folgenden Arten von KI-Datenagenten erstellen, verwalten und verwenden:

• Ein vordefinierter Beispiel-KI-Agent für jedes Google Cloud Projekt.
• Eine Liste Ihrer entworfenen, erstellten und veröffentlichten KI-Agenten.
• Eine Liste von KI-Agenten, die von anderen Personen erstellt und mit Ihnen geteilt wurden.

Weitere Informationen finden Sie unter KI-Datenagenten erstellen.

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

Unterhaltungen

Unterhaltungen sind gespeicherte Chats mit einem KI-Datenagenten oder einer Datenquelle. Sie können KI-Datenagenten 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 KI-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 KI-Agenten für die Ergebnisse.
• Metadaten zur Unterhaltung, z. B. der verwendete KI-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 Datenagent bietet. Daher können die Ergebnisse direkter Unterhaltungen weniger genau sein. Verwenden Sie KI-Datenagenten für Fälle, in denen eine höhere Genauigkeit erforderlich ist.

Sie können Unterhaltungen in BigQuery mit der Google Cloud 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-Datenagenten 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
• AI.AGG
• ML.DETECT_CHANGE_POINTS
• ML.SEASONALITY
• ML.TREND

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

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

Anwendungsfälle

So aktivieren Sie unterstützte Funktionen:

• Wenn Sie einen KI-Agenten 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 KI-Agenten in einer Unterhaltung oder in einer bestätigten Abfrage mit Keywords allgemeine Fragen zu Daten stellen, generiert der KI-Agent als Antwort auf Ihre Fragen SQL.

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

Unterstützung für Analyseaufgaben

Die konversationelle Analyse unterstützt die Marktkorbanalyse, auch Assoziationsanalyse genannt. Dabei werden Kaufmuster aufgedeckt. Bei dieser Analyse werden Beziehungen zwischen Artikeln ermittelt, die häufig zusammen in einer einzigen Transaktion gekauft werden.

Sie können beispielsweise die folgende Frage in einer Unterhaltung stellen, in der die Tabelle bigquery-public-data.iowa_liquor_sales.sales als Datenquelle verwendet wird:

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

Die konversationelle Analyse verwendet integrierte SQL-Vorlagen, um eine genaue Antwort mit Messwerten für Leverage, Support, Confidence und Lift zurückzugeben.

Graph-Unterstützung

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

Sie können beispielsweise den Look Graph Beispiel-KI-Agenten auf der Seite „Agents“ (KI-Agenten) in BigQuery 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 KI-Agent oder Unterhaltung verwenden.
• Tabellen und Graphen können nicht als Datenquellen kombiniert werden.

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-Datenagenten 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-Datenagenten erstellen, müssen Sie Zugriff haben, um jede Wissensquelle abzufragen, die Sie hinzufügen.

Standorte

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

• US MREP
• EU MREP
• Global

Beim Erstellen von KI-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 KI-Agenten erstellen, können Sie optional einen anderen Standort auswählen. Nachdem Sie den KI-Agenten gespeichert haben, können Sie seinen Standort nicht mehr ändern.

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

Preise

Für Abfragen, die beim Erstellen von KI-Datenagenten und bei Unterhaltungen mit KI-Datenagenten oder Datenquellen ausgeführt werden, werden Ihnen die BigQuery-Compute Preise berechnet. Weitere Informationen finden Sie unter Preise für KI-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 KI-Agenten die richtige Verknüpfung Ihrer Daten zu überlassen.

• Führen Sie Profilscans für Ihre Daten aus.

• Beschränken Sie den Umfang Ihrer KI-Agenten. KI-Agenten mit einem großen Umfang können Anweisungskonflikte, mehrdeutige Ausgaben und eine inkonsistente Leistung aufweisen. Wenn Ihr KI-Agent mehr als 20 Datenquellen benötigt, von verschiedenen Teams mit unterschiedlichen Messwertdefinitionen verwendet wird oder eine Art von Ergebnis auf Kosten einer anderen priorisiert, sollten Sie zusätzliche KI-Agenten erstellen.

• Geben Sie Ihrem KI-Agenten Kontext. Priorisieren Sie Kontexttypen auf folgende Weise:

  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. Anweisungen für KI-Agenten. 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 KI-Agenten zu verwalten.

• Stellen Sie effektive Fragen in Ihren Unterhaltungen.

• Informationen zur Datenaufbewahrung und ‑löschung für KI-Datenagenten und Unterhaltungen.

Beschränkungen

Sie können einem KI-Agenten maximal 100 Wissensquellen hinzufügen.

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 ein festes Limit pro Projekt für den Modelldurchsatz.

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.

Vom KI-Agenten generierte Abfragen identifizieren und analysieren

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

Sie können diese Labels für die folgenden Aufgaben verwenden:

• Filtern Sie Ihren Abrechnungsbericht nach Label um die Kosten für den KI-Agenten zu ermitteln.
• KI-Agentenaktivität prüfen.
• Abfrageleistung analysieren.

Labels für KI-Datenagenten identifizieren

BigQuery wendet Labels auf Jobs an, die von der konversationellen Analyse ausgeführt werden. Diese Labels werden auf das Limit von 64 Labels für die Jobressource angerechnet. Wenn Sie das Label zum Filtern und für andere Analysen abrufen möchten, sehen Sie es sich in der Google Cloud Console an. Sie können auch benutzerdefinierte Labels auf Ihren KI-Datenagenten anwenden. Benutzerdefinierte Labels können nicht verwendet werden, um die vom System generierten Labels zu überschreiben.

So sehen Sie sich die Labels eines KI-Datenagenten an:

1. Sehen Sie sich in der Google Cloud Console, die Jobdetails an.

2. Suchen Sie im Bereich Query job details (Details zum Abfragejob) den Abschnitt Labels und suchen Sie nach den folgenden Labels:

   • ca-bq-job: true gibt an, dass Ihr Job mit der konversationellen Analyse ausgeführt wurde.
   • data-agent-id: DATA_AGENT_ID gibt an, dass der Job von einem KI-Datenagenten ausgeführt wurde. Der Wert ist das Ressourcen-ID-Segment, das aus dem Ressourcennamen des KI-Datenagenten extrahiert wurde.
   • conversation-id: CONVERSATION_ID gibt an, dass der Job mit einer Unterhaltung verknüpft ist. Der Wert ist das ID-Segment, das aus dem Ressourcennamen der Unterhaltung extrahiert wurde.

Vom KI-Agenten generierte Jobs analysieren

Verwenden Sie das Label , um Ihre vom KI-Agenten generierten Jobs zu analysieren. Wenn Sie beispielsweise prüfen möchten, wie viele Jobs von einem KI-Datenagenten 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 Google Cloud 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-Datenagenten erstellen.
• Daten mit Unterhaltungen analysieren.
• Konversationelle Analyse mit Lakehouse verwenden.
• Erfahren Sie, wie Sie Ressourcen mithilfe von Labels filtern.