Caso d'uso dell'AI con agente: automatizzare i workflow di data science

Last reviewed 2026-10-14 UTC

Questo documento descrive un'architettura di alto livello per un'applicazione che esegue un workflow di data science per automatizzare attività complesse di analisi dei dati e machine learning.

Questa architettura utilizza set di dati ospitati in BigQuery o AlloyDB per PostgreSQL. L'architettura è un sistema multi-agente che consente agli utenti di eseguire azioni con comandi in linguaggio naturale ed elimina la necessità di scrivere codice SQL o Python complesso.

Il pubblico di destinazione di questo documento include architetti, sviluppatori e amministratori che creano e gestiscono applicazioni di AI agentica. Questa architettura consente ai team aziendali e di dati di analizzare le metriche in un'ampia gamma di settori, come la vendita al dettaglio, la finanza e la produzione. Il documento presuppone una conoscenza di base dei sistemi di AI agentica. Per informazioni sulle differenze tra gli agenti e i sistemi non agentici, consulta Qual è la differenza tra agenti AI, assistenti AI e bot?

Architettura

Il seguente diagramma mostra l'architettura di un agente del workflow di data science.

Architettura per un agente del workflow di data science.

Questa architettura include i seguenti componenti:

Frontend
Gli utenti interagiscono con il sistema multi-agente tramite un frontend, ad esempio un'interfaccia di chat, che viene eseguito come servizio Cloud Run serverless.
Modello di AI e runtime del modello
Per l'inferenza, gli agenti in questa architettura di esempio utilizzano l'ultimo modello Gemini su Gemini Enterprise Agent Platform.
Agenti

Questa architettura utilizza i seguenti agenti:

  • Agente root: un agente coordinatore che riceve le richieste dal servizio frontend. L'agente principale interpreta la richiesta dell'utente e tenta di risolverla autonomamente. Se l'attività richiede strumenti specializzati, l'agente principale delega la richiesta all'agente specializzato appropriato.
  • Agente specializzato: l'agente principale richiama i seguenti agenti specializzati utilizzando la funzionalità Agente come strumento:
    • Agente di analisi: un agente specializzato per l'analisi e la visualizzazione dei dati. L'agente di analisi utilizza il modello di AI per generare ed eseguire codice Python per elaborare set di dati, creare grafici ed eseguire analisi statistiche.
    • Agente AlloyDB per PostgreSQL: un agente specializzato per interagire con i dati in AlloyDB per PostgreSQL. L'agente utilizza il modello di AI per interpretare la richiesta dell'utente e generare SQL nel dialetto PostgreSQL. L'agente si connette in modo sicuro al database utilizzando MCP Toolbox for Databases, quindi esegue la query per recuperare i dati richiesti.
    • Agente BigQuery: un agente specializzato per interagire con i dati in BigQuery. L'agente utilizza il modello di AI per interpretare la richiesta dell'utente e generare query GoogleSQL. L'agente si connette a BigQuery utilizzando lo strumento BigQuery integrato dell'Agent Development Kit (ADK), quindi esegue la query per recuperare i dati richiesti.
  • Agente BigQuery ML: un subagente dell'agente root dedicato ai flussi di lavoro di machine learning. L'agente interagisce con BigQuery ML per gestire il ciclo di vita del ML end-to-end. L'agente può creare e addestrare modelli, eseguire valutazioni e generare previsioni in base alle richieste degli utenti.
Agent Runtime
Il deployment degli agenti AI in questa architettura viene eseguito come servizi Cloud Run serverless .
ADK
ADK fornisce strumenti e un framework per sviluppare, testare ed eseguire il deployment degli agenti. ADK astrae la complessità della creazione degli agenti e consente agli sviluppatori di AI di concentrarsi sulla logica e sulle funzionalità degli agenti.

Prodotti utilizzati

Questa architettura di esempio utilizza i seguenti prodotti e strumenti Google Cloud e open source:

  • Cloud Run: una piattaforma di serverless computing che consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
  • Agent Development Kit (ADK): un insieme di strumenti e librerie per sviluppare, testare ed eseguire il deployment di agenti AI.
  • Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare agenti AI di livello enterprise.
  • Gemini: una famiglia di modelli di AI multimodali sviluppati da Google.
  • BigQuery: un data warehouse aziendale che ti aiuta a gestire e analizzare i tuoi dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence.
  • AlloyDB per PostgreSQL: un servizio di database completamente gestito e compatibile con PostgreSQL, progettato per i carichi di lavoro più impegnativi, tra cui l'elaborazione analitica e transazionale ibrida.
  • MCP Toolbox for Databases: un server Model Context Protocol (MCP) open source che consente agli agenti AI di connettersi in modo sicuro ai database gestendo le complessità dei database come il pooling delle connessioni, l'autenticazione e l'osservabilità.

Considerazioni sulla sicurezza

Per contribuire ad affrontare i rischi di sicurezza unici degli agenti AI, Google consiglia un approccio che combina controlli di sicurezza deterministici con difese dinamiche basate sul ragionamento:

  • Supervisione umana: incorpora un flusso human-in-the-loop nei sistemi aziendali critici in modo che i supervisori umani possano esaminare gli output e approvare, ignorare o mettere in pausa le azioni degli agenti.
  • Agent Identity: assegna a ogni agente un'identità associata al workload per applicare controllo dell'accesso con privilegio minimo e gestire centralmente le credenziali per gli strumenti esterni.
  • Agent Gateway: applica la governance del traffico in entrata e in uscita, le policy di accesso con rifiuto predefinito e l'ispezione dei prompt e degli strumenti in linea con Model Armor.
  • Agent Registry: verifica che gli agenti si connettano solo a subagenti e strumenti MCP approvati.

Le indicazioni riportate in questa sezione non sono esaustive. Per saperne di più sui fattori di progettazione e sulle best practice, nonché per i consigli sulla creazione e sul deployment di un sistema di AI multi-agente, consulta Sistema di AI multi-agente in Google Cloud.

Passaggi successivi

Collaboratori

Autore: Samantha He | Technical Writer

Altri collaboratori: