Présentation de QueryData

Dans les applications optimisées par l'IA, vos utilisateurs s'attendent à interagir en langage naturel (texte ou voix), ce qui nécessite que vos agents IA interrogent des bases de données opérationnelles et renvoient des réponses précises et explicables.

QueryData est le produit d'interrogation de données en langage naturel de Google Cloud. Il combine une exécution rapide et déterministe pour votre logique métier principale avec la flexibilité de généraliser sur des formulations naturelles et des questions imprévues. Cette approche offre une précision de près de 100 %, une faible latence en ligne et une explicabilité certifiée.

QueryData est compatible avec AlloyDB pour PostgreSQL, Cloud SQL pour PostgreSQL, Cloud SQL pour MySQL, Spanner (dialecte GoogleSQL), Firestore avec compatibilité MongoDB et Bigtable.

Pourquoi la génération SQL par LLM naïve échoue en production

La connexion d'un grand modèle de langage (LLM) directement à un schéma de base de données (text-to-SQL ou NL2SQL standard) fonctionne bien dans un prototype, atteignant souvent une précision de 80 % à 90 % sur les questions de base. Toutefois, en production, demander à un LLM de générer du code SQL à partir de zéro sur des schémas bruts échoue généralement pour cinq raisons :

  • Échecs sémantiques silencieux : contrairement à la génération de code, où les erreurs de syntaxe échouent de manière flagrante, un LLM confronté à une question ambiguë dit rarement "Je ne sais pas". Au lieu de cela, il écrit du code SQL plausible qui s'exécute correctement (200 OK), mais renvoie une réponse erronée, par exemple en omettant les filtres d'état requis ou en utilisant des formules et des mesures incorrectes.
  • Logique métier non écrite manquante dans le schéma : les schémas définissent les tables et les types de données, et non le fonctionnement de votre entreprise. Si un utilisateur demande à une application immobilière de trouver des "maisons près de bonnes écoles à Del Mar", le schéma ne définit pas la distance qui correspond à "près", la note minimale qui fait qu'une école est "bonne" ni comment pondérer la proximité par rapport à la qualité de l'école. Sans ces règles, un LLM doit deviner.
  • Données privées opaques et ambiguïté des entités : les LLM sont entraînés sur des faits publics, et non sur les chaînes stockées dans vos tables privées ou sur la façon dont les utilisateurs les orthographient (en particulier avec la saisie vocale). Dans "Propriétés vendues à Westwod au cours du mois dernier", un LLM basé uniquement sur un schéma ne peut pas savoir que "Westwod" est une faute de frappe pour "Westwood", ni si "Westwood" dans votre base de données est une ville, une municipalité ou une agence immobilière.
  • Le piège de la latence par rapport à la précision : fournir à un agent des outils SQL bruts pour explorer des tables, échantillonner des lignes et s'auto-corriger dans une boucle multitour pousse la latence à plus de 30 secondes par question, ce qui est trop lent pour les applications interactives. À l'inverse, l'intégration de règles métier dans une requête système géante entraîne des conflits d'instructions, où la correction d'une requête interrompt silencieusement d'autres requêtes.
  • Exposition incontrôlée des données : dans les applications standards, le code backend contrôle strictement les requêtes exécutées et les lignes qu'un utilisateur peut voir. Lorsqu'un LLM génère du code SQL de manière dynamique à partir d'une entrée utilisateur non fiable, le fait de s'appuyer sur des instructions de prompt pour protéger les métriques sensibles ou les données des locataires rend la base de données vulnérable à la manipulation de prompts.

Exigences d'une solution prête pour la production

Les applications de production nécessitent une précision de près de 100 % sur les workflows principaux, une latence en ligne toujours rapide, une explicabilité transparente, une généralisabilité aux questions imprévues et une sécurité stricte lorsque l'accès aux données est important.

Pour répondre à ces exigences, il faut aller au-delà de la génération SQL ouverte et s'appuyer sur trois fonctionnalités fondamentales :

  • Contexte de domaine hors connexion facile à organiser : le contexte est la base d'une haute précision. Plutôt que de forcer un LLM à déduire les règles métier et les relations entre les tables au moment de l'exécution, un système de production a besoin d'un contexte de domaine structuré préparé hors connexion. La sélection et la maintenance de ce contexte doivent être automatisées afin que les équipes d'ingénierie ne soient pas bloquées par la création manuelle de règles fragiles.
  • Correspondance en ligne rapide et déterministe qui généralise et explique son travail : une faible latence en ligne nécessite un moteur qui associe rapidement les questions au contexte vérifié, résout les valeurs de la base de données, explique les règles métier exactes appliquées et signale les ambiguïtés à l'utilisateur plutôt que de deviner. En même temps, le système ne peut pas être un menu de rapport rigide. Il doit généraliser les variations de formulation, les combinaisons de filtres et les questions imprévues en utilisant le contexte et les métadonnées de schéma associés.
  • Limites de sécurité déterministes : étant donné que les interfaces en langage naturel connectent des entrées utilisateur non fiables à votre base de données, la sécurité est primordiale. Une solution de production ne peut pas s'appuyer sur des requêtes LLM pour appliquer des règles d'accès. Elle doit appliquer des contrôles déterministes au niveau de la base de données et du contexte (y compris la confidentialité au niveau des lignes pour les applications mutualisées) afin d'empêcher l'exposition non autorisée des données.

Comment le produit QueryData rassemble ces éléments

Le produit QueryData ne se limite pas au point de terminaison de l'API QueryData. Il fonctionne comme un système unifié en deux parties qui associe l'ingénierie de contexte au moment de la conception à une exécution et une généralisation rapides et déterministes au moment de l'exécution.

Context engineering au moment de la conception

Pour capturer votre logique de domaine hors connexion, vous associez votre base de données à un ensemble de contextes et vous le gérez à l'aide de l'agent d'ingénierie contextuelle :

  • Contexte de domaine structuré au-delà des schémas bruts : en plus des descriptions des tables et des colonnes de votre base de données, un ensemble de contexte stocke les connaissances de domaine précompilées pour votre base de données. Bien que le contexte de domaine puisse prendre de nombreuses formes, les ensembles de contextes acceptent trois types de contextes spécialisés :
    • Modèles de requête : modèles SQL paramétrés correspondant à des modèles de questions généralisés, associés à une explication d'intent certifiée afin que vos utilisateurs puissent vérifier comment QueryData a interprété les questions métier principales.
    • Facettes de requête : prédicats de filtre SQL modulaires et opérateurs d'IA de base de données (tels que ai.if et la recherche vectorielle) qui se combinent de manière dynamique avec des modèles afin qu'un ensemble de contexte compact couvre des centaines de combinaisons de filtres.
    • Recherches de valeurs : recherches rapides et déterministes dans la base de données qui corrigent les fautes d'orthographe, mappent les termes de l'utilisateur à des colonnes et des valeurs exactes, et identifient les cas où un terme correspond à plusieurs concepts.
  • Curation et optimisation automatisées : au lieu de créer des fichiers de contexte manuellement, vous exécutez l'agent d'ingénierie de contexte dans votre CLI ou votre IDE (comme Antigravity ou Claude Code) pour automatiser la boucle d'optimisation :
    • Générer un benchmark de référence : crée et développe des paires question-SQL représentatives à partir de votre schéma de base de données, de vos requêtes de départ et de votre codebase d'application.
    • Hill-climbing automatique : évalue l'API QueryData à l'aide d'Evalbench, diagnostique les schémas d'échec des causes principales, crée un contexte généralisé et importe automatiquement des ensembles de contextes améliorés à partir de votre CLI jusqu'à ce que la précision converge.
    • Valider sur un ensemble de test retenu : évalue l'ensemble de contexte final une fois à la fin de l'optimisation par rapport à des variantes de questions non vues pour confirmer que la précision se généralise au trafic réel sans surapprentissage.

Exécution de requêtes d'exécution

En production, votre harnais d'agent (tel que Agent Development Kit (ADK), LangChain, Antigravity ou Claude Code) envoie les questions des utilisateurs au point de terminaison de l'API QueryData dans l'API Conversational Analytics, directement ou via MCP Toolbox for Databases :

  • Exécution rapide et déterministe avec possibilité de généralisation :
    • Exécution déterministe des modèles et des facettes : lorsqu'une question correspond à votre ensemble de contexte, quelle que soit la variante de formulation ou la combinaison de filtres, l'API QueryData résout les valeurs de la base de données et combine le modèle SQL validé avec les facettes correspondantes. Il exécute ensuite la requête et renvoie à la fois la réponse et une explication certifiée de l'intention avec une faible latence.
    • Détection d'ambiguïté : si un terme de la requête correspond à plusieurs concepts valides dans vos données privées, l'API QueryData renvoie une requête de désambiguïsation afin que votre agent puisse demander des précisions à l'utilisateur au lieu de deviner.
    • Généralisation aux requêtes imprévues : lorsqu'une question ne correspond pas aux modèles et facettes prédéfinis, l'API QueryData synthétise dynamiquement le code SQL en utilisant les métadonnées de schéma de votre base de données, les recherches de valeurs et les modèles associés comme guide.
  • Sécurité appliquée à la base de données : pour protéger les données sensibles contre la manipulation des requêtes, le produit QueryData fonctionne avec des contrôles d'accès au niveau de la base de données. Pour les applications mutualisées sur AlloyDB et Cloud SQL, les vues sécurisées paramétrées intègrent des filtres d'utilisateurs authentifiés obligatoires directement dans la définition de la vue de base de données, de sorte que chaque requête respecte l'isolation des locataires.

Tarifs

Les tarifs de calcul AlloyDB s'appliquent aux requêtes qui s'exécutent lorsque vous créez des ensembles de contexte et utilisez QueryData avec vos agents de données ou vos sources de données de base de données. La création et l'utilisation d'ensembles de contextes et de QueryData pendant la période de preview n'entraînent aucuns frais supplémentaires. Pour en savoir plus, consultez Tarifs de l'agent Data Cloud.

Étapes suivantes