Verbindung zu Data Cloud herstellen

Mit Gemini Enterprise Data Cloud-Connectors können Sie Ihre Gemini Enterprise-Apps direkt mit analytischen und betrieblichen 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. So können die Agent-Tools nach Daten suchen, auf die der Nutzer Zugriff hat, und Kontextinformationen abrufen.

Anwendungsfälle

Data Cloud-Connectors sind für die konversationelle Analyse konzipiert. So können Geschäftsanwender und Analysten in Gemini Enterprise-Apps Fragen in natürlicher Sprache stellen, Daten analysieren und Statistiken generieren. Beispiel-Anwendungsfälle umfassen Folgendes:

  • BigQuery-Analyse: Mit Prompts in natürlicher Sprache können Sie strukturierte Daten abfragen und analysieren, die sich in BigQuery befinden oder in BigQuery verwendet werden können.
  • Echtzeit-Einblicke in 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 Modus für die Datenaufnahme kopieren Daten-Cloud-Connectors Daten aus der Datenquelle in den Gemini Enterprise-Datenspeicher.

Im Modus für föderierte Abfragen werden Ihre Daten von Data Cloud-Connectors direkt abgefragt, ohne dass sie in einen Gemini Enterprise-Datenspeicher kopiert oder indexiert werden:

  1. Model Context Protocol (MCP) und nutzerspezifische Authentifizierung: Jeder Data Cloud-Connector wird von einem 1P-MCP-Server (First Party Model Context Protocol) unterstützt. Wenn ein Nutzer eine Frage stellt, authentifiziert Gemini Enterprise die Anfrage mit den Anmeldedaten des Nutzers (Identity and Access Management (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-Stamm-Agent integrierte Knowledge Catalog-Tools, um nach Datenassets zu suchen, auf die der Nutzer Zugriff hat, und um Kontext abzurufen, einschließlich relevanter Tabellen, Schemas, Begriffe aus dem Unternehmensglossar und angereicherter Metadaten (abgeleitet aus technischen Metadaten, Mustern für frühere Anfragen und LLM-Inferenz).
  3. Formulierung und Ausführung von Live-Abfragen: Anhand des Schemas und des Geschäftskontexts, die aus Knowledge Catalog abgerufen werden, formuliert der Agent eine SQL-Abfrage und ruft die MCP-Tools des Connectors auf, um kontrollierte Echtzeitergebnisse zurückzugeben.

Vorteile von Data Cloud-Connectors für selbst erhobene Daten im Vergleich zu benutzerdefinierten MCP-Servern

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

  1. Integrierte Skills für eine höhere Antwortqualität: Zu den selbst entwickelten Connectors gehören vorkonfigurierte Agent-Skills, die auf die einzelnen Daten-Engines zugeschnitten sind, z. B. die Generierung von erweiterten SQL- und KI-Funktionen für BigQuery und Datenbanken, um die Genauigkeit von Anfragen und die Antwortqualität zu verbessern.
  2. Optimierte Einrichtung und verwaltete Authentifizierung: Erstanbieter-Connectors bieten eine geführte Einrichtung mit verwalteter Authentifizierung fürGoogle Cloud -Datenbanken und BigQuery. So müssen Sie keine MCP-Middleware bereitstellen oder Ihre eigene OAuth-Clientkonfiguration fürGoogle Cloud -Dienste verwalten. Darüber hinaus können Administratoren mit connectorspezifischen Einstellungen, z. B. durch die deterministische Angabe eines Standard- Google Cloud Abrechnungsprojekts für die Ausführung von BigQuery-Abfragen, die Governance erzwingen und die Abfragekosten verwalten.

Wann Data Cloud-Connectors und wann Conversational Analytics-KI-Datenagenten verwendet werden sollten

Sie können Daten mit Gemini Enterprise verbinden, indem Sie Data Cloud-Connectors (reibungslose Verbindungen mit breitem Zugriff direkt in Gemini Enterprise) oder Konversationsdaten-Agents (zweckorientierte Domänenexperten, die auf kuratierte Datasets für hohe Genauigkeit beschränkt sind) verwenden.

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

Merkmal Data Cloud-Connectors Konversations-Datenagenten
Optimal für Breiter, reibungsloser Datenzugriff über mehrere Datenbanken, Data Warehouses und BI-Quellen hinweg direkt in Gemini Enterprise, ohne dass vorab Schemas kuratiert werden müssen. Kuratierte, domänenspezifische Analysen, bei denen eine hohe Abfragegenauigkeit unerlässlich ist und ein dedizierter Experten-Agent eine strenge, deterministische Eingrenzung auf bestimmte Daten erfordert.
Genauigkeit und Überprüfung von Anfragen Formuliert Abfragen dynamisch über ein breites Schema hinweg mithilfe von Katalogmetadaten und allgemeinen Fähigkeiten. Die Genauigkeit von Abfragen kann bei komplexen oder normalisierten relationalen Datenbankschemas ohne explizite Tabellenbereichseingrenzung oder überprüfte Abfragen variieren. Verwendet kuratierte Schemas, gezielte Tabellen- und Spaltenbereiche sowie geprüfte Abfragen (Golden SQL), um eine hohe Abfragegenauigkeit und deterministische Ergebnisse für bestimmte Datasets zu erzielen.
Ressourcenbereich Umfassender Zugriff: Greift auf alle Ressourcen in der verbundenen Datenquelle zu, die der authentifizierte Nutzer abfragen darf (basierend auf Knowledge Catalog und Skills). Deterministische Bereichseingrenzung: Der KI-Agent wird deterministisch auf eine bestimmte Gruppe von vorab ausgewählten Datasets oder Tabellen beschränkt.
Abfragen mit mehreren Quellen und Kontext Kann in einer einzigen Unterhaltung mehrere verbundene Datenquellen abfragen und zusammenführen. 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 Datenagent ist auf eine einzelne Datenquelle beschränkt (z. B. führt ein BigQuery-Datenagent nur Abfragen für BigQuery aus). Nutzer müssen den jeweiligen Agenten finden und Anfragen an ihn weiterleiten. Bei der Übergabe an einen untergeordneten Agenten wird der vollständige Kontext der ursprünglichen Unterhaltung möglicherweise nicht beibehalten.
Einrichtung und Wartung Geringer Aufwand: Konfigurieren Sie einen Connector pro Datenquellentyp, um alle für Nutzer zugänglichen Daten sofort ohne manuelle Schemaverwaltung verfügbar zu machen. Vorbereitungsaufwand: Sie müssen Tabellen auswählen, Messwerte und KPIs definieren und verifizierte Abfragen erstellen. Durch diese Vorab-Kuration werden deterministische und zuverlässige Abfrageergebnisse erzielt.
Überlegungen zu Leistung und Abrechnung Das Auffinden von Tabellen in einer großen Datenumgebung kann zusätzliche Latenzzeiten verursachen und erfordert gut gepflegte Metadaten und Fähigkeiten, um die Genauigkeit zu gewährleisten. Domain-spezifischer Kontext kann bei bestimmten Arbeitslasten zu einer höheren Genauigkeit führen. Für KI-Datenagenten für Conversational Analytics fallen jedoch Gebühren für Datentokens an.

KI-Datenagenten für die konversationelle Analyse erstellen und veröffentlichen

Um eine hohe Abfragegenauigkeit für relationale Datenbanken und gezielte Geschäftsmesswerte zu erzielen, können Sie Daten-Agents für konversationelle Analysen mit eingeschränktem Umfang für Gemini Enterprise erstellen und veröffentlichen:

Beschränkungen

  • Wenn Sie eine neue App erstellen oder einer vorhandenen App einen Datenspeicher hinzufügen, empfehlen wir, nur einen Datenspeicher mit Aktionen zu verknüpfen, die zu einem einzelnen Connectortyp gehören.

  • Bei föderierten Abfragen für relationale Datenbanken gibt es keine Tabellenbegrenzung oder überprüften Abfragen. Die Genauigkeit von Anfragen kann bei komplexen Schemas für transaktionale Datenbanken (z. B. AlloyDB for PostgreSQL, Cloud SQL, Spanner) variieren.

Nächste Schritte