Verbindung zu Data Cloud herstellen

Mit Gemini Enterprise Data Cloud-Connectors können Sie Ihre Gemini Enterprise-Apps direkt mit analytischen und operativen Datenquellen von Google Cloud verbinden. Die folgenden Data Cloud-Connectors sind verfügbar:

Wenn Sie einen BigQuery-, Spanner-, Cloud SQL- oder AlloyDB for PostgreSQL-Datenspeicher im Modus für föderierte Abfragen verbinden, wird Knowledge Catalog (Vorabversion) automatisch auf dem Tab Assistant Ihrer Gemini Enterprise-App aktiviert, anstatt als separater Datenspeicher. So erhält der Agent Tools, mit denen er nach Daten suchen kann, auf die der Nutzer Zugriff hat, und Kontext abrufen kann.

Anwendungsfälle

Data Cloud-Connectors sind für konversationelle Analysen konzipiert. Sie ermöglichen es geschäftlichen Nutzern und Analysten, Fragen in natürlicher Sprache zu stellen, Daten zu untersuchen und Insights in Gemini Enterprise-Anwendungen zu generieren. Beispiel-Anwendungsfälle umfassen Folgendes:

  • BigQuery-Analyse: Verwenden Sie Prompts in natürlicher Sprache, um strukturierte Daten abzufragen und zu analysieren, die sich im BigQuery-Datenstandort befinden oder in BigQuery genutzt werden können.
  • Database Insights in Echtzeit für operative Datenbanken (Spanner, Cloud SQL und AlloyDB for PostgreSQL): Führen Sie Live-Analyseabfragen und autorisierte Datenbankvorgänge in relationalen und verteilten Datenbanken aus.

Funktionsweise von Data Cloud-Connectors

Im Datenaufnahmemodus kopieren Data Cloud-Connectors Daten aus der Datenquelle in den Gemini Enterprise-Datenspeicher.

Im föderierten Abfragemodus fragen Data Cloud-Connectors Ihre Daten direkt ab, ohne sie in einen Gemini Enterprise-Datenspeicher zu kopieren oder zu indexieren:

  1. Model Context Protocol (MCP) und Authentifizierung pro Nutzer: Jeder Data Cloud-Connector wird von einem Erstanbieter-MCP-Server unterstützt. Wenn ein Nutzer eine Frage stellt, authentifiziert Gemini Enterprise die Anfrage mit den eigenen Anmeldedaten des Nutzers (IAM-Berechtigungen oder OAuth 2.1) und führt Abfragen direkt für die zugrunde liegende Datenquelle aus.
  2. Semantische Erkennung und Kontextabruf mit Knowledge Catalog: Wenn ein Nutzer eine Frage zu Daten stellt, verwendet der Gemini Enterprise-Root-Agent integrierte Knowledge Catalog-Tools, um nach Daten-Assets zu suchen, auf die der Nutzer Zugriff hat, und Kontext abzurufen. Dazu gehören relevante Tabellen, Schemas, Begriffe aus dem Unternehmensglossar und angereicherte Metadaten (abgeleitet aus technischen Metadaten, historischen Abfragemustern und LLM-Inferenz).
  3. Live-Abfrageformulierung und -ausführung: Der Agent formuliert mithilfe des Schemas und des Geschäftskontexts, die aus Knowledge Catalog abgerufen wurden, eine SQL-Abfrage und ruft die MCP-Tools des Connectors auf, um verwaltete Echtzeitergebnisse zurückzugeben.

Vorteile von Erstanbieter-Data Cloud-Connectors gegenüber benutzerdefinierten MCP-Servern

Im Vergleich zur Verbindung mit öffentlichen oder selbstverwalteten MCP-Servern über einen generischen benutzerdefinierten MCP-Server-Datenspeicher bieten Erstanbieter-Data Cloud-Connectors die folgenden Vorteile:

  1. Integrierte Skills für eine höhere Antwortqualität: Connectors von Erstanbietern enthalten vorkonfigurierte Agenten-Skills, die auf die jeweilige Daten-Engine zugeschnitten sind, z. B. erweiterte SQL- und KI-Funktionsgenerierung für BigQuery und Datenbanken, um die Abfragegenauigkeit und Antwortqualität zu verbessern.
  2. Optimierte Einrichtung und verwaltete Authentifizierung: Erstanbieter-Connectors bieten eine geführte Einrichtung mit verwalteter Authentifizierung fürGoogle Cloud -Datenbanken und BigQuery. Sie müssen keine MCP-Middleware bereitstellen oder Ihre eigene OAuth-Clientkonfiguration fürGoogle Cloud -Dienste verwalten. Darüber hinaus helfen Connector-spezifische Einstellungen, z. B. die deterministische Angabe eines Standard-Abrechnungsprojekts von Google Cloud für die Ausführung von BigQuery-Abfragen, Administratoren dabei, die Governance durchzusetzen und die Abfragekosten zu verwalten.

Wann Data Cloud-Connectors und wann KI-Datenagenten für konversationelle Analysen verwendet werden sollten

Sie können Daten über Data Cloud-Connectors (einfache Verbindungen mit breitem Zugriff direkt in Gemini Enterprise) oder Daten-Agents für konversationelle Analysen (speziell entwickelte Domainexperten, die auf ausgewählte Datasets für hohe Genauigkeit beschränkt sind) mit Gemini Enterprise verbinden.

In der folgenden Tabelle werden die beiden Ansätze verglichen, damit Sie den für Ihren Anwendungsfall am besten geeigneten Ansatz auswählen können:

Merkmal Data Cloud-Connectors Daten-Agenten für konversationelle Analysen
Optimal für Umfassender, reibungsloser Datenzugriff auf mehrere Datenbanken, Data Warehouses und BI-Quellen direkt in Gemini Enterprise, ohne dass vorab ein Schema erstellt werden muss. Ausgewählte, domainspezifische Analysen, bei denen eine hohe Abfragegenauigkeit unerlässlich ist und ein dedizierter Experten-Agent eine strikte, deterministische Eingrenzung auf bestimmte Daten erfordert.
Genauigkeit und Überprüfung von Abfragen Formuliert Abfragen dynamisch über ein breites Schema hinweg, wobei Katalogmetadaten und allgemeine Fähigkeiten verwendet werden. Die Genauigkeit der Abfrage kann bei komplexen oder normalisierten relationalen Datenbankschemas ohne expliziten Tabellenbereich oder verifizierte Abfragen variieren. Verwendet kuratierte Schemas, fokussierte Tabellen- und Spaltenbereiche und verifizierte Abfragen (Golden SQL), um eine hohe Abfragegenauigkeit und deterministische Ergebnisse für Ziel-Datasets zu liefern.
Ressourcenbereich Umfassender Zugriff: Zugriff auf alle Ressourcen in der verbundenen Datenquelle, für die der authentifizierte Nutzer die Berechtigung zum Abfragen hat (gesteuert durch Knowledge Catalog und Skills). Deterministischer Bereich: Der Agent wird deterministisch auf eine bestimmte Gruppe von vorab ausgewählten Datasets oder Tabellen beschränkt.
Abfragen und Kontext aus mehreren Quellen Kann in einer einzigen Unterhaltung mehrere verbundene Datenquellen zusammenführen und abfragen. Der Gemini Enterprise-Root-Agent behält den vollständigen Kontext über die gesamte Unterhaltung und alle Gemini Enterprise-Funktionen (Chat, Prompts, Agent- und Workflow-Designer sowie Projekte) hinweg bei. Jeder KI-Datenagent ist auf eine einzelne Datenquelle beschränkt (ein BigQuery-KI-Datenagent fragt beispielsweise nur BigQuery ab). Nutzer müssen den spezifischen Agenten finden und dorthin weitergeleitet werden. Bei der Übergabe an Sub-Agenten wird möglicherweise nicht der gesamte Kontext der ursprünglichen Unterhaltung beibehalten.
Einrichtung und Wartung Schnelle Konfiguration: Konfigurieren Sie einen Connector pro Datenquellentyp, um alle für Nutzer zugänglichen Daten sofort ohne manuelle Schemakuration verfügbar zu machen. Kompromiss bei der Vorab-Kuratierung: Erfordert die Auswahl von Tabellen, die Definition von Messwerten und KPIs sowie das Erstellen verifizierter Abfragen. Diese Vorab-Kuratierung liefert deterministische, zuverlässige Abfrageergebnisse.
Überlegungen zu Leistung und Abrechnung Das Auffinden von Tabellen in einem großen Datenbestand kann zu zusätzlicher Latenz führen und erfordert gut gepflegte Metadaten und Fähigkeiten, um die Genauigkeit zu gewährleisten. Domain-spezifischer Kontext kann die Accuracy bei gezielten Arbeitslasten verbessern, aber für Daten-KI-Agenten für konversationelle Analysen fallen Gebühren für Datentokens an.

KI-Datenagenten für konversationelle Analyse erstellen und veröffentlichen

Wenn Sie eine hohe Abfragegenauigkeit für relationale Datenbanken und gezielte Geschäftsmesswerte erreichen möchten, können Sie bereichsbezogene Daten-Agents für konversationelle Analysen erstellen und in Gemini Enterprise veröffentlichen:

Beschränkungen

  • Wenn Sie eine neue Anwendung erstellen oder einer vorhandenen Anwendung einen Datenspeicher hinzufügen, sollten Sie nur einen Datenspeicher mit Aktionen verknüpfen, die zu einem einzelnen Connector-Typ gehören.

  • Föderierte Abfragen in relationalen Datenbanken haben keine Tabellenbereiche oder verifizierten Abfragen. Die Genauigkeit von Abfragen kann bei komplexen Schemas von Transaktionsdatenbanken (z. B. AlloyDB for PostgreSQL, Cloud SQL, Spanner) variieren.

Nächste Schritte