במסמך הזה מתוארת ארכיטקטורה ברמה גבוהה של אפליקציה שמריצה תהליך עבודה של מדעי הנתונים, כדי להפוך משימות מורכבות של ניתוח נתונים ולמידת מכונה לאוטומטיות.
בארכיטקטורה הזו משתמשים במערכי נתונים שמתארחים ב-BigQuery או ב-AlloyDB ל-PostgreSQL. הארכיטקטורה היא מערכת מרובת סוכנים (MAS) שמאפשרת למשתמשים להריץ פעולות באמצעות פקודות בשפה טבעית, בלי צורך לכתוב קוד SQL או Python מורכב.
המסמך הזה מיועד לאדריכלים, למפתחים ולאדמינים שיוצרים ומנהלים אפליקציות של AI אקטיבי. הארכיטקטורה הזו מאפשרת לצוותי העסק והנתונים לנתח מדדים במגוון רחב של תעשיות, כמו קמעונאות, פיננסים וייצור. המסמך מבוסס על ההנחה שיש לכם הבנה בסיסית במערכות AI אקטיבי. במאמר מה ההבדל בין סוכני AI, עוזרים אישיים מבוססי-AI ובוטים? מוסבר מה ההבדל בין סוכנים למערכות שהן לא סוכנים.
ארכיטקטורה
התרשים הבא מציג את הארכיטקטורה של סוכן לתהליך עבודה במדעי הנתונים.
הארכיטקטורה הזו כוללת את הרכיבים הבאים:
- קצה קדמי
- המשתמשים יוצרים אינטראקציה עם המערכת מרובת הסוכנים דרך ממשק קצה (frontend), כמו ממשק צ'אט, שפועל כשירות Cloud Run בלי שרת (serverless).
- מודל AI וזמני ריצה של מודלים
- כדי להציג את ההסקה, הסוכנים בארכיטקטורה לדוגמה משתמשים במודל Gemini העדכני ב-Gemini Enterprise Agent Platform.
- סוכנים
-
הארכיטקטורה הזו משתמשת בנציגים הבאים:
- סוכן בסיס: סוכן מתאם שמקבל בקשות משירות החזית. הסוכן הראשי מפרש את בקשת המשתמש ומנסה לפתור אותה בעצמו. אם המשימה דורשת כלים מיוחדים, הסוכן הראשי מעביר את הבקשה לסוכן המתאים.
- נציג מומחה: הנציג ברמה הבסיסית (root) מפעיל את הנציגים המומחים הבאים באמצעות התכונה נציג ככלי:
- סוכן Analytics: סוכן ייעודי לניתוח נתונים ולהצגה חזותית שלהם. סוכן הניתוח משתמש במודל ה-AI כדי ליצור ולהריץ קוד Python, לעבד מערכי נתונים, ליצור תרשימים ולבצע ניתוח סטטיסטי.
- סוכן AlloyDB ל-PostgreSQL: סוכן ייעודי לאינטראקציה עם נתונים ב-AlloyDB ל-PostgreSQL. הנציג משתמש במודל ה-AI כדי לפרש את הבקשה של המשתמש וליצור SQL בניב של PostgreSQL. הסוכן מתחבר באופן מאובטח למסד הנתונים באמצעות MCP Toolbox for Databases, ואז מריץ את השאילתה כדי לאחזר את הנתונים המבוקשים.
- BigQuery Agent: סוכן ייעודי לאינטראקציה עם נתונים ב-BigQuery. הנציג משתמש במודל ה-AI כדי לפרש את הבקשה של המשתמש וליצור שאילתות GoogleSQL. הנציג מתחבר ל-BigQuery באמצעות הכלי המובנה של BigQuery בערכת הפיתוח לנציגים (ADK), ואז מריץ את השאילתה כדי לאחזר את הנתונים המבוקשים.
- BigQuery ML agent: סוכן משנה של סוכן הבסיס שמיועד לתהליכי עבודה של למידת מכונה. הנציג יוצר אינטראקציה עם BigQuery ML כדי לנהל את מחזור החיים של למידת המכונה מקצה לקצה. הסוכן יכול ליצור ולאמן מודלים, להריץ הערכות וליצור חיזויים על סמך בקשות של משתמשים.
- Agent Runtime
- סוכני ה-AI בארכיטקטורה הזו נפרסים בתור שירותי Cloud Run ללא שרת (serverless).
- ADK
- ADK מספקת כלים ומסגרת לפיתוח, לבדיקה ולפריסה של סוכנים. ה-ADK מפשט את המורכבות של יצירת סוכנים ומאפשר למפתחי AI להתמקד בלוגיקה וביכולות של הסוכן.
המוצרים שהשתמשו בהם
בארכיטקטורה לדוגמה הזו נעשה שימוש במוצרים ובכלים הבאים של Google Cloud ושל קוד פתוח:
- Cloud Run: פלטפורמת מחשוב בלי שרת (serverless computing) שמאפשרת להריץ קונטיינרים ישירות בתשתית של Google, שניתנת להתאמה לעומס.
- Agent Development Kit (ADK): ערכה של כלים וספריות לפיתוח, לבדיקה ולפריסה של סוכני AI.
- Gemini Enterprise Agent Platform: פלטפורמה מקיפה שמאפשרת לפתח, להרחיב, לנהל ולשפר סוכני AI ברמה שמתאימה לארגונים.
- Gemini: משפחה של מודלי AI מולטי-מודאליים שפותחו על ידי Google.
- BigQuery: מחסן נתונים (data warehouse) ארגוני שעוזר לנהל ולנתח את הנתונים באמצעות תכונות מובנות כמו למידת מכונה, ניתוח נתונים גיאו-מרחביים ובינה עסקית (BI).
- AlloyDB ל-PostgreSQL: שירות מנוהל של מסד נתונים שתואם ל-PostgreSQL, שמיועד לעומסי העבודה הכי כבדים, כולל עיבוד היברידי של טרנזקציות וניתוח נתונים.
- MCP Toolbox for Databases: שרת Model Context Protocol (MCP) בקוד פתוח שמאפשר לסוכני AI להתחבר בצורה מאובטחת למסדי נתונים, על ידי ניהול המורכבות של מסדי הנתונים כמו מאגר חיבורים, אימות וניראות.
שיקולי אבטחה
כדי להתמודד עם סיכוני האבטחה הייחודיים של סוכני AI, Google ממליצה על גישה שמשלבת אמצעי אבטחה דטרמיניסטיים עם הגנות דינמיות שמבוססות על הסקת מסקנות:
- פיקוח אנושי: שלבו תהליך של "האדם שבתהליך" במערכות קריטיות לעסק, כדי שמפקחים אנושיים יוכלו לבדוק את הפלט ולאשר, לשנות או להשהות את הפעולות של הנציג.
- Agent Identity: מקצים לכל נציג זהות שקשורה לעומס העבודה כדי לאכוף בקרת גישה לפי הרשאות מינימליות, ולנהל באופן מרוכז את פרטי הכניסה לכלים חיצוניים.
- Agent Gateway: אכיפת משילות על תנועה נכנסת ויוצאת, כללי מדיניות של דחיית גישה כברירת מחדל, ובדיקה של הנחיות וכלים מוטבעים באמצעות הגנה מוגברת על המודל.
- Agent Registry: מוודאים שהסוכנים מתחברים רק לסוכני משנה ולכלי MCP שאושרו.
ההנחיות בקטע הזה הן חלקיות. מידע נוסף על גורמי תכנון ושיטות מומלצות, והמלצות לבנייה ולפריסה של מערכת AI אקטיבי עם כמה סוכנים, זמינים במאמר מערכת AI אקטיבי עם כמה סוכנים ב- Google Cloud.
המאמרים הבאים
- (סרטון) פרק בפודקאסט Agent Factory על סוכני AI להנדסת נתונים ולמדע נתונים.
- (Notebook) שימוש בסוכן מדע הנתונים ב-Colab Enterprise.
- מידע ולמידה על אירוח סוכני AI ב-Cloud Run
- לסקירה כללית של עקרונות והמלצות לארכיטקטורה שספציפיים לעומסי עבודה של AI ו-ML ב- Google Cloud, קראו את המאמר נקודת המבט של AI ו-ML ב-Well-Architected Framework.
- לדוגמאות נוספות של ארכיטקטורות, תרשימים ושיטות מומלצות, עיינו במאמר Cloud Architecture Center.
שותפים ביצירת התוכן
מחברת: סמנתה הי | כותבת טכנית
תורמים אחרים:
- אמינה מנסור | ראש צוות טכני, קשרי מפתחים גלובליים ותוכן אסטרטגי
- קומאר דהנגופאל | מפתח פתרונות למוצרים שונים
- מייגן אוקיף | אחראית קשרי מפתחים (Developers Advocate)
- רייצ'ל דיקון-סמית' | אחראית קשרי מפתחים (Developers Advocate)
- שיר מאיר לדור | מנהלת הנדסה בקשרי מפתחים