I connettori di Gemini Enterprise Data Cloud ti consentono di connettere le tue app Gemini Enterprise direttamente alle origini dati operative e analitiche di Google Cloud. Sono disponibili i seguenti connettori Data Cloud:
- BigQuery (disponibile in modalità di acquisizione dei dati e modalità di query federata (anteprima))
- Spanner (disponibile in modalità di acquisizione dei dati e modalità di query federata (anteprima))
- Cloud SQL (disponibile in modalità di acquisizione dei dati e modalità di query federata (anteprima))
- AlloyDB per PostgreSQL (disponibile in modalità di acquisizione dei dati e modalità di query federata (anteprima))
Quando connetti un datastore BigQuery, Spanner, Cloud SQL o AlloyDB per PostgreSQL in modalità query federata, Knowledge Catalog (anteprima) viene attivato automaticamente nella scheda Assistente dell'app Gemini Enterprise, anziché come datastore separato, per fornire all'agente gli strumenti per cercare i dati a cui l'utente ha accesso e cercare il contesto.
Casi d'uso
I connettori Data Cloud sono progettati per supportare l'analisi conversazionale, consentendo agli utenti aziendali e agli analisti di porre domande in linguaggio naturale, esplorare i dati e generare insight nelle app Gemini Enterprise. Esempi di casi d'uso:
- Analisi di BigQuery: utilizza prompt in linguaggio naturale per eseguire query e analizzare i dati strutturati che risiedono in BigQuery o che possono essere utilizzati in BigQuery.
- Insight sui database operativi in tempo reale (Spanner, Cloud SQL e AlloyDB per PostgreSQL): esegui query analitiche in tempo reale e operazioni sui database autorizzate su database relazionali e distribuiti.
Come funzionano i connettori Data Cloud
In modalità di importazione dati, i connettori di Data Cloud copiano i dati dall'origine dati nel datastore Gemini Enterprise.
In modalità di query federata, i connettori di Data Cloud eseguono query sui dati in loco senza copiarli o indicizzarli in un datastore Gemini Enterprise:
- Model Context Protocol (MCP) e autenticazione per utente: ogni connettore Data Cloud è basato su un server MCP proprietario (1P). Quando un utente pone una domanda, Gemini Enterprise autentica la richiesta utilizzando le credenziali dell'utente (autorizzazioni di Identity and Access Management (IAM) o OAuth 2.1) ed esegue le query direttamente sull'origine dati sottostante.
- Rilevamento semantico e recupero del contesto con Knowledge Catalog: quando un utente pone una domanda sui dati, l'agente principale di Gemini Enterprise utilizza gli strumenti integrati di Knowledge Catalog per cercare gli asset di dati a cui l'utente ha accesso e cercare il contesto, tra cui tabelle, schemi, termini del glossario aziendale e metadati arricchiti (derivati da metadati tecnici, pattern di query storici e inferenza LLM).
- Formulazione ed esecuzione di query in tempo reale: utilizzando lo schema e il contesto aziendale recuperati da Knowledge Catalog, l'agente formula una query SQL e richiama gli strumenti MCP del connettore per restituire risultati controllati in tempo reale.
Vantaggi dei connettori Data Cloud proprietari rispetto ai server MCP personalizzati
Rispetto alla connessione a server MCP pubblici o autogestiti utilizzando un datastore di server MCP personalizzato generico, i connettori Data Cloud proprietari offrono i seguenti vantaggi:
- Skill integrate per una qualità delle risposte superiore: i connettori proprietari includono skill dell'agente preconfigurate e personalizzate per ogni motore di dati, come la generazione avanzata di funzioni SQL e AI per BigQuery e i database, per migliorare l'accuratezza delle query e la qualità delle risposte.
- Configurazione semplificata e autenticazione gestita: i connettori proprietari offrono un'esperienza di configurazione guidata con autenticazione gestita per i databaseGoogle Cloud e BigQuery, eliminando la necessità di eseguire il deployment del middleware MCP o di gestire la configurazione del client OAuth per i serviziGoogle Cloud . Inoltre, le impostazioni specifiche del connettore, come la specifica deterministica di un progetto di fatturazione Google Cloud predefinito per l'esecuzione delle query BigQuery, aiutano gli amministratori ad applicare la governance e a gestire i costi delle query.
Quando utilizzare i connettori Data Cloud rispetto agli agenti per i dati di analisi conversazionale
Puoi connettere i dati a Gemini Enterprise utilizzando i connettori Data Cloud (connessioni ad accesso ampio e a basso attrito direttamente in Gemini Enterprise) o gli agenti per i dati di analisi conversazionale (esperti di dominio creati appositamente per set di dati selezionati per un'elevata precisione).
La tabella seguente mette a confronto i due approcci per aiutarti a scegliere quello più adatto al tuo caso d'uso:
| Caratteristica | Connettori Data Cloud | Agenti per i dati di analisi conversazionale |
|---|---|---|
| Ideale per | Accesso ai dati ampio e senza problemi su più database, data warehouse e origini BI direttamente in Gemini Enterprise senza una cura preventiva dello schema. | Analisi curate e specifiche del dominio in cui l'accuratezza delle query è essenziale e un agente esperto dedicato richiede un ambito rigoroso e deterministico per dati specifici. |
| Accuratezza e verifica delle query | Formula query in modo dinamico in un ampio schema utilizzando i metadati del catalogo e le competenze generali. L'accuratezza delle query può variare su schemi di database relazionali complessi o normalizzati senza un ambito esplicito della tabella o query verificate. | Utilizza schemi selezionati, un ambito mirato di tabelle e colonne e query verificate (golden SQL) per fornire un'elevata accuratezza delle query e risultati deterministici su set di dati mirati. |
| Ambito delle risorse | Accesso ampio: accede a tutte le risorse nell'origine dati connessa per cui l'utente autenticato dispone dell'autorizzazione per eseguire query (guidato da Knowledge Catalog e competenze). | Ambito deterministico: limita in modo deterministico l'agente a un insieme specifico di set di dati o tabelle preselezionati. |
| Query e contesto da più fonti | Può unire ed eseguire query su più origini dati connesse in un'unica conversazione; l'agente principale di Gemini Enterprise conserva il contesto completo nell'intera conversazione e in tutte le esperienze di Gemini Enterprise (chat, prompt, designer di agenti e workflow e progetti). | Ogni agente per i dati è limitato a una singola origine dati (ad esempio, un agente per i dati BigQuery esegue query solo su BigQuery); gli utenti devono scoprire e indirizzare l'agente specifico e i passaggi ai subagenti potrebbero non conservare il contesto completo della conversazione principale. |
| Configurazione e manutenzione | Configurazione rapida: configura un connettore per tipo di origine dati per rendere immediatamente disponibili tutti i dati accessibili agli utenti senza la gestione manuale dello schema. | Compromesso della selezione iniziale: richiede la selezione delle tabelle, la definizione di metriche e KPI e la creazione di query verificate. Questa selezione iniziale produce risultati delle query deterministici e affidabili. |
| Considerazioni su prestazioni e fatturazione | La scoperta di tabelle in un ampio patrimonio di dati può introdurre una latenza aggiuntiva e si basa su metadati e competenze ben gestiti per garantire l'accuratezza. | Il contesto selezionato per il dominio può produrre una maggiore accuratezza sui workload mirati, ma gli agenti per i dati di analisi conversazionale comportano addebiti per i token di dati. |
Crea e pubblica agenti per i dati di analisi conversazionale
Per ottenere un'elevata accuratezza delle query sui database relazionali e sulle metriche aziendali mirate, puoi creare e pubblicare agenti per i dati di analisi conversazionale con ambito su Gemini Enterprise:
- Pubblica gli agenti per i dati Spanner in Gemini Enterprise
- Pubblica gli agenti per i dati di Cloud SQL in Gemini Enterprise
- Pubblica gli agenti per i dati di AlloyDB per PostgreSQL in Gemini Enterprise
- Analisi conversazionale in BigQuery
Limitazioni
- Quando crei una nuova app o aggiungi un datastore a un'app esistente, ti consigliamo di associare un solo datastore alle azioni appartenenti a un singolo tipo di connettore.
- Le query federate sui database relazionali non hanno un ambito della tabella o query verificate. L'accuratezza delle query può variare in base agli schemi di database transazionali complessi (ad esempio AlloyDB per PostgreSQL, Cloud SQL, Spanner).
Passaggi successivi
- Per scoprire come funziona l'harness analitico integrato e come fornire il contesto organizzativo con le competenze e Knowledge Catalog, consulta Best practice per i connettori Data Cloud che utilizzano l'analisi conversazionale.
- Per scoprire di più sui controlli di sicurezza supportati (DRZ, CMEK e Controlli di servizio VPC) e sulla configurazione delle policy dell'organizzazione, consulta Connettori Data Cloud sicuri.
- Per scoprire come funziona Knowledge Catalog con i connettori Data Cloud e come gestirlo nella configurazione dell'assistente della tua app, consulta Connettiti a Knowledge Catalog.
- Per creare e configurare un connettore con BigQuery, consulta Connettiti a BigQuery.
- Per creare e configurare un connettore con Spanner, consulta Connettiti a Spanner.
- Per creare e configurare un connettore con Cloud SQL, consulta Connettiti a Cloud SQL.
- Per creare e configurare un connettore con AlloyDB per PostgreSQL, consulta Connettiti ad AlloyDB per PostgreSQL.