Implémenter des workflows d'analyse agentique pour les données distribuées

Last reviewed 2026-10-16 UTC

Ce document fournit une architecture de haut niveau pour implémenter des workflows d'analyse cross-cloud qui utilisent des agents IA. Ce document s'adresse aux architectes cloud, aux ingénieurs de données et aux data scientists qui souhaitent utiliser l'IA agentique pour les workflows d'analyse dans des lacs de données multicloud, des entrepôts de données structurées et des datastores non structurés. Dans ce document, nous partons du principe que vous avez déjà acquis les connaissances de base sur les concepts d'IA agentique, l'analyse de données et l'architecture cloud.

La section Déploiement de ce document fournit un atelier de programmation que vous pouvez utiliser pour apprendre à créer une solution d'analyse agentique.

Architecture

Le schéma suivant illustre l'architecture d'une solution d'analyse agentique qui dégage des insights métier à partir de données structurées et non structurées réparties sur plusieurs datastores et fournisseurs de services cloud.

Architecture qui utilise un environnement de développement agentique et un modèle d'IA pour analyser les données distribuées sur Google Cloud et d'autres fournisseurs de services cloud.

Les composants de cette architecture sont organisés en plusieurs couches :

  • Actions de l'utilisateur et de l'agent

    • Environnement de développement agentique : les Data Practitioners, tels que les ingénieurs de données et les data scientists, envoient des requêtes en langage naturel à l'aide de l'une des méthodes suivantes :
    • Google Cloud Data Agent Kit : Data Agent Kit permet aux agents d'accéder à des données de confiance dansGoogle Cloud en chargeant les compétences appropriées et en se connectant aux serveurs MCP distants pour les services Google Cloud .
    • Modèle de fondation : pour générer des insights métier à partir d'un contexte et de données fiables, l'environnement de développement d'agents utilise un modèle de fondation, tel qu'un modèle de la famille Gemini. Le modèle utilise les compétences appropriées de Data Agent Kit et les outils de serveur MCP requis pour implémenter des workflows d'analyse complexes.

  • Workflows d'analyse

    • Lakehouse sans frontières : Lakehouse fournit un catalogue de métadonnées unifié et hautes performances qui intègre le format de table ouvert Apache Iceberg au stockage de niveau entreprise dans Google Cloud. Grâce à l'accès aux données cross-cloud, Lakehouse vous permet de fédérer des catalogues externes tels que Databricks Unity Catalog sans déplacer ni copier de données.
    • Managed Service pour Apache Spark : il s'agit du composant principal de traitement des données de l'architecture. La fonctionnalité Lightning Engine de Managed Service pour Apache Spark permet un traitement des données sans serveur hautes performances en mode interactif et par lot. Les jobs de traitement de données Spark utilisent les métadonnées du catalogue Iceberg dans Lakehouse, lisent les données structurées de BigQuery et effectuent des lectures sans copie à partir de sources externes telles qu'Amazon S3.
    • Knowledge Catalog : l'agent utilise Knowledge Catalog pour effectuer des analyses intelligentes des données non structurées dans Cloud Storage, extraire les métadonnées sémantiques et créer un graphique de contexte.

  • Datastores de confiance

    • Données dans Google Cloud : BigQuery sert d'entrepôt central pour les données structurées, y compris les extraits structurés de données non structurées dans Cloud Storage.
    • Données provenant de sources externes : l'architecture montre des sources de données externes, telles que des données dans des buckets Amazon S3 et des métadonnées dans Databricks Unity Catalog. Cross-Cloud Interconnect fournit une connectivité dédiée à haut débit entre Google Cloudet d'autres fournisseurs de services cloud.

Produits utilisés

L'architecture utilise les produits et outils Google Cloud suivants :

  • Google Cloud Data Agent Kit : extensions d'agent permettant aux data scientists, aux ingénieurs de données et aux développeurs d'applications de données de gérer l'intégralité du cycle de vie des données depuis leurs environnements de développement agentiques préférés.
  • BigQuery : entrepôt de données d'entreprise qui vous aide à gérer et analyser vos données grâce à des fonctionnalités intégrées telles que le machine learning, l'analyse géospatiale et l'informatique décisionnelle.
  • Managed Service pour Apache Spark : service géré qui exécute des charges de travail par lot Apache Spark sur une infrastructure de calcul gérée.
  • Lakehouse : moteur de stockage hautes performances qui vous permet de créer des data lakehouses ouverts et fournit une interface unifiée pour l'analyse avancée et l'IA.
  • Knowledge Catalog : service optimisé par l'IA qui fournit un catalogue unifié d'éléments de données avec des fonctionnalités intelligentes de métadonnées et de gouvernance.
  • Gemini : famille de modèles d'IA multimodaux développés par Google.
  • Cloud Storage : store d'objets économique et sans limite pour tout type de données. Les données sont accessibles depuis et en dehors de Google Cloud, et sont répliquées sur plusieurs emplacements à des fins de redondance.
  • Cross-Cloud Interconnect : service qui fournit une connectivité dédiée à bande passante élevée et à faible latence entre Google Cloud et d'autres fournisseurs de services cloud.
  • Serveurs MCP Google Cloud : services distants gérés par Google qui implémentent le protocole MCP (Model Context Protocol) pour permettre aux applications d'IA d'accéder aux produits et services Google et Google Cloud .

Cas d'utilisation

L'architecture décrite dans ce document convient aux cas d'utilisation suivants :

  • Analyse de données multicloud : interrogez et analysez efficacement les données réparties sur Google Cloud et d'autres fournisseurs de services cloud sans déplacer de fichiers ni créer de pipelines ETL (extraction, transformation, chargement) complexes. Par exemple, un responsable marketing d'un marchand international peut analyser l'efficacité des campagnes marketing en associant les données de fidélité des clients dans Amazon S3 aux données des opérations marketing dans BigQuery.
  • Découverte intelligente des données : utilisez des requêtes en langage naturel et des agents IA pour découvrir, interroger et traiter des ensembles de données fédérés dans plusieurs environnements. Par exemple, un spécialiste des achats peut déterminer les causes courantes des perturbations de la chaîne d'approvisionnement en se basant sur les données structurées d'un système de gestion de la chaîne d'approvisionnement (SCM), combinées aux insights issus de communications par e-mail non structurées et de rapports d'évaluation des dommages.
  • Extraction de données structurées à partir de sources non structurées : analysez de grands volumes de données non structurées, dérivez des métadonnées sémantiques et stockez des extraits de données structurées dans BigQuery pour une analyse en aval. Par exemple, un contrôleur des opérations peut analyser efficacement les dépenses en extrayant des données structurées de milliers de factures stockées dans un format non structuré, tel que des fichiers PDF.

Points à noter concernant la sécurité

Pour aider à gérer les risques de sécurité uniques des agents d'IA, Google recommande une approche qui combine des contrôles de sécurité déterministes avec des défenses dynamiques basées sur le raisonnement :

  • Supervision humaine : intégrez un flux human-in-the-loop (avec intervention humaine) dans les systèmes critiques pour l'entreprise afin que les superviseurs humains puissent examiner les résultats et approuver, ignorer ou suspendre les actions des agents.
  • Agent Identity : attribuez à chaque agent une identité liée à la charge de travail pour appliquer le contrôle des accès selon le principe du moindre privilège et gérer de manière centralisée les identifiants des outils externes.
  • Agent Gateway : appliquez la gouvernance du trafic entrant et sortant, des règles d'accès de refus par défaut, ainsi que l'inspection intégrée des prompts et des outils avec Model Armor.
  • Agent Registry : vérifiez que les agents ne se connectent qu'aux sous-agents et aux outils MCP approuvés.

Les conseils de cette section ne sont pas exhaustifs. Pour en savoir plus sur les facteurs de conception et les bonnes pratiques, et pour obtenir des recommandations sur la création et le déploiement d'un système d'IA multi-agent, consultez Système d'IA multi-agent dans Google Cloud.

Pour connaître les principes et recommandations de sécurité spécifiques aux charges de travail d'IA et de ML, consultez Enjeux spécifiques à l'IA et au ML : sécurité dans le Well-Architected Framework.

Déploiement

Pour apprendre à créer une solution d'analyse agentique à l'aide de Data Agent Kit, consultez l'atelier de programmation Passer des données brutes aux prévisions en quelques secondes grâce aux agents IA. L'atelier de programmation montre comment Data Agent Kit vous permet d'analyser efficacement les données depuis votre environnement de développement d'agents préféré. Toutes les données d'exemple utilisées par l'atelier de programmation sont stockées dansGoogle Cloud.

Étapes suivantes

Contributeurs

Auteur : Kumar Dhanagopal | Cross-product solution developer

Autres contributeurs :