Acerca del contexto de datos en Knowledge Catalog

En un patrimonio de datos distribuido, los datos sin procesar y sin contexto rara vez son suficientes para resolver un problema empresarial. Cuando las bases de datos estructuradas, los registros no estructurados y las métricas analíticas carecen de significado comercial, los usuarios y los sistemas autónomos se enfrentan a un límite de contexto. Los analistas humanos deben realizar validaciones manuales para verificar las fuentes de datos, mientras que los agentes de IA suelen generar respuestas imprecisas (alucinaciones) o no pueden ejecutar acciones.

Knowledge Catalog resuelve este problema al hacer la transición de la administración de metadatos de un catálogo pasivo a un plano de control dinámico de contexto activo. Al agregar estructuras técnicas, reglas comerciales y patrones de uso del mundo real, Knowledge Catalog proporciona una capa de contexto unificada que ayuda a garantizar que tanto tú como tus aplicaciones basadas en IA puedan descubrir, evaluar e interpretar los recursos de datos de forma precisa y segura.

¿Qué es el contexto?

El contexto es el rico tejido de detalles estructurales, operativos y semánticos que describe un activo de datos. En lugar de representar una tabla como un esquema independiente de nombres y tipos de datos, el contexto proporciona la historia completa de tus datos.

Knowledge Catalog organiza el contexto en las siguientes capas:

  • Metadatos técnicos. Los detalles estructurales que se transfieren directamente desde los sistemas de origen, incluidos los esquemas de bases de datos, los tipos de campos, las claves de partición y las etiquetas de seguridad (como las políticas de Identity and Access Management [IAM]).

  • Metadatos semánticos. El significado empresarial de los datos, que incluye glosarios empresariales, relaciones de métricas, clasificaciones, terminología de dominio y consultas de referencia (preguntas verificadas en lenguaje natural que se asignan a instrucciones de código SQL correctas).

  • Metadatos operativos. El comportamiento y el estado de los datos a lo largo del tiempo, incluido el linaje de datos a nivel de la columna, los perfiles de ejecución, las estadísticas de creación de perfiles y las puntuaciones de calidad de los datos

  • Relaciones Son las vinculaciones inferidas o definidas entre las tablas de almacenamiento físico y los indicadores comerciales conceptuales.

  • Indicadores de confianza Indicadores de verificación, como sellos de propiedad y certificación, que verifican si un activo es una fuente confiable

  • Orientación para agentes Descripciones no estructuradas (como archivos README, notas de uso y registros de ejecución) que guían a las herramientas autónomas sobre cómo y cuándo consultar un recurso.

Al unificar estas capas, Knowledge Catalog ayuda a garantizar que tus datos se comprendan por completo, lo que te permite evitar los cuellos de botella operativos y la incertidumbre asociados con los datos aislados y sin documentación.

En qué se diferencia el contexto de datos de los metadatos

Si bien los metadatos proporcionan los componentes básicos fundamentales, los metadatos y el contexto no son intercambiables:

  • Metadatos Son atributos descriptivos que definen la estructura física, la ubicación y las propiedades técnicas de un activo de datos aislado (por ejemplo, nombres de columnas, tipos de datos, claves de partición y tamaños de tablas).
  • Context. Es el gráfico de conocimiento multidimensional sintetizado que combina esquemas técnicos, semántica empresarial, relaciones de datos, comportamiento operativo y señales de confianza para dar significado a los datos y guiar el razonamiento.

En la siguiente tabla, se destacan las diferencias clave entre los metadatos pasivos y el contexto de datos activo:

Dimensión Metadatos técnicos Contexto de datos activo
Enfoque principal Especificaciones físicas y formato de almacenamiento Significado comercial, comportamiento operativo y relaciones
Estado Pasivo: Se almacena en los registros del catálogo para que los ingenieros lo consulten de forma manual. Activo: Se enriquece continuamente con IA, se extrae de los historiales de búsqueda y se ensambla de forma dinámica para las instrucciones del LLM.
Consumidores principales Motores de bases de datos, ingenieros de datos y auditores de cumplimiento Agentes de IA, modelos de lenguaje grandes (LLM), analistas de negocios y interfaces conversacionales
Propósito principal Administración de almacenamiento, indexación y verificación de cumplimiento. Fundamentar el razonamiento del agente, resolver uniones y evitar alucinaciones

Ejemplo: Comparación de metadatos con el contexto

Para comprender cómo el contexto amplía los metadatos técnicos, considera cómo Knowledge Catalog representa una columna de transacción:

1. Solo metadatos técnicos

Los metadatos técnicos proporcionan información estructural, pero carecen de lógica empresarial y lineamientos operativos:

  • Tabla: fact_orders
  • Columna: disc_val
  • Tipo de datos: NUMERIC
  • Propiedades de almacenamiento: Particionada por order_date

Un agente de IA que solo use estos metadatos técnicos podría suponer que disc_val representa los descuentos totales para el cliente, pero no puede determinar si ese valor incluye impuestos, reembolsos del fabricante o cupones promocionales.

2. Contexto de datos enriquecido

Knowledge Catalog enriquece los metadatos técnicos con capas semánticas, relacionales y operativas en una carga útil de contexto unificada:

  • Esquema técnico: fact_orders.disc_val (NUMERIC).
  • Definición semántica: Se asigna al término del glosario empresarial "Descuento promocional", que se define como los descuentos para clientes que se aplican en la confirmación de compra, sin incluir los reembolsos del fabricante ni los subsidios de envío.
  • Relaciones descubiertas: Vincula automáticamente fact_orders.customer_id a dim_customers.id y fact_orders.promo_id a dim_promotions.id.
  • Uso operativo: El historial de consultas revela que el 90% de las consultas comerciales filtran esta tabla por status = 'COMPLETED' y la unen con dim_promotions.
  • Confianza y calidad: Se califica con un 99.8% de validez según los análisis automatizados de calidad de los datos, con una actualización de datos verificada en las últimas 2 horas.
  • Consulta de referencia: Incluye una plantilla de SQL verificada que muestra cómo calcular los ingresos netos reconocidos con disc_val.

Con este contexto completo, un agente de IA o un analista de datos pueden generar consultas con precisión e interpretar datos sin validación humana manual ni alucinaciones.

Los desafíos de usar datos sin contexto

La mayoría de los datos empresariales carecen de los metadatos necesarios, lo que dificulta su descubrimiento, confianza o puesta en funcionamiento para la IA. Sin un contexto estructurado, las organizaciones se enfrentan a varios cuellos de botella operativos:

  • Trabajo repetitivo de colaboración. La falta de definiciones comerciales claras obliga a los equipos de análisis y de IA a realizar ciclos de coordinación manuales y continuos con expertos en la materia (SME) para comprender las tablas de forma básica.

  • Desvío del contexto La documentación estándar permanece estática y se deteriora con el tiempo. Sin una supervisión continua, los metadatos desactualizados generan suposiciones incorrectas y flujos de trabajo de agentes de IA interrumpidos.

  • Fallas de razonamiento Los agentes de IA y los modelos de lenguaje grandes pueden generar consultas en SQL sintácticamente correctas, pero no respetar la lógica empresarial subyacente, lo que genera cálculos incorrectos desde una perspectiva comercial.

  • Información aislada. El conocimiento interno sobre cómo filtrar o unir correctamente los conjuntos de datos permanece atrapado en secuencias de comandos o configuraciones de paneles no documentados, en lugar de registrarse en un inventario centralizado.

Para superar estos cuellos de botella operativos y hacer que los datos sean prácticos, las organizaciones necesitan un motor de contexto confiable en todo su patrimonio de datos.

Pilares fundamentales de la administración del contexto

Para mantener este motor de contexto confiable en todo tu conjunto de datos, Knowledge Catalog opera en tres pilares:

Agregación

Knowledge Catalog recopila automáticamente metadatos de tus bases de datos integradas, catálogos REST de Iceberg y plataformas externas. Consolida estas entradas fragmentadas en una sola zona unificada de administración, lo que ayuda a garantizar que las políticas de seguridad y las definiciones de clasificación se hereden de manera coherente.

Enriquecimiento

Knowledge Catalog actualiza y organiza continuamente tu gráfico de contexto con la transferencia basada en IA. Mediante la extracción de registros de transacciones, esquemas de bases de datos y modelos de inteligencia empresarial, Knowledge Catalog descubre automáticamente las descripciones de las columnas y las relaciones entre las tablas. Este aprendizaje continuo capta el conocimiento institucional de los propietarios de datos y lo aplica a tus activos de forma dinámica.

Búsqueda y recuperación

Knowledge Catalog proporciona una búsqueda semántica de alta precisión que te permite consultar tu conjunto de datos en lenguaje natural. Dado que Knowledge Catalog comprende los grupos de permisos (ACL) y la terminología empresarial, tanto los usuarios como los agentes autónomos pueden ubicar el contexto de datos pertinente con baja latencia.

Cómo se ingresan los metadatos y el contexto en Knowledge Catalog

Para crear un motor de contexto confiable, Knowledge Catalog ingiere y organiza la información a través de conectores de plataformas automatizados, enriquecimiento continuo con IA y interfaces personalizadas extensibles.

Fuentes de datos propios y recopilación automatizada

Knowledge Catalog recopila automáticamente metadatos estructurales y operativos de los servicios principales de Google Cloud sin necesidad de configuración manual:

  • Bases de datos y almacenes de análisis Servicios como BigQuery, Spanner, Cloud SQL y AlloyDB para PostgreSQL sincronizan continuamente los metadatos técnicos, incluidos los esquemas de tablas, los tipos de datos de los campos, las claves de partición, las especificaciones de agrupamiento en clústeres y los límites de los conjuntos de datos.
  • Estadísticas de datos no estructurados En el caso de los archivos no estructurados almacenados en Cloud Storage (como la documentación en PDF o los manuales de políticas), Knowledge Catalog ejecuta análisis de detección y generación de perfiles que extraen conceptos clave y relaciones entre entidades, lo que genera un perfil de gráfico y registra tablas de objetos estructurados en BigQuery. Para obtener más información, consulta Acerca de las estadísticas de datos no estructurados.
  • Sincronización de linaje y semántica de IE lista para usar. En el caso de Looker (Google Cloud core), Knowledge Catalog sincroniza automáticamente los recursos de inteligencia empresarial:
    • Definiciones semánticas de LookML Modelos, Exploraciones, vistas, dimensiones y medidas
    • Recursos del panel de IE. Paneles, elementos de paneles y vistas.
    • Linaje de datos de extremo a extremo. Los datos de seguimiento de las relaciones fluyen desde las tablas subyacentes de BigQuery hasta los paneles de Looker posteriores. Para obtener más información, consulta Administra recursos de Looker (Google Cloud Core) con Knowledge Catalog.
  • Integración y transformaciones de datos. Servicios como Datastream capturan los metadatos y el linaje del flujo de captura de datos modificados (CDC), Dataform envía las definiciones de tablas y las transformaciones de SQL, y Cortex Framework publica los productos de datos registrados.

Curación continua del contexto basada en IA

Además de los esquemas técnicos estáticos, Knowledge Catalog actualiza de forma dinámica su gráfico de contexto con motores de inteligencia integrados:

  • Estadísticas de datos. Impulsado por Gemini en BigQuery, Data Insights extrae estadísticas de los registros de consultas históricos, las transacciones de los usuarios y los patrones de esquemas para generar descripciones de columnas en lenguaje natural, descubrir relaciones entre tablas (como las claves de unión) y proponer consultas de ejemplo verificadas ("consultas de oro") que capturan la lógica empresarial. Para obtener más información, consulta Acerca de las estadísticas de datos para los datos estructurados.
  • Creación de perfiles de datos y calidad de los datos automatizadas Los análisis calculan distribuciones estadísticas (como recuentos de valores distintos, proporciones de valores nulos y valores de muestra) y evalúan los datos en función de las verificaciones de calidad de los datos basadas en reglas, lo que adjunta puntuaciones de estado en tiempo real a las entradas del catálogo. Para obtener más información, consulta Información sobre la calidad de los datos automáticos.
  • Linaje de datos automatizado. Agrega los flujos de transformación a nivel de la columna y los historiales de ejecución de trabajos en todas tus canalizaciones de datos. Para obtener más información, consulta Acerca del linaje de datos.

Ingesta de metadatos personalizados y sistemas de terceros

Para las organizaciones con bases de conocimiento personalizadas, herramientas de administración de terceros o sistemas locales, Knowledge Catalog proporciona mecanismos de transferencia flexibles:

  • APIs de Knowledge Catalog (operaciones CRUD). Usa los métodos de la API de CreateEntry, UpdateEntry, CreateAspectType y SetAspect para registrar de forma programática recursos externos y adjuntar aspectos de metadatos personalizados (como calificaciones de cumplimiento o documentación del sistema).
  • Agentes de enriquecimiento personalizados. Usa frameworks de agentes, como el Kit de desarrollo de agentes (ADK) o LangChain, para crear agentes de enriquecimiento personalizados. Por ejemplo, un agente del ADK puede transferir documentación técnica de wikis internos o repositorios de Git, usar un LLM para analizarla y convertirla en términos estandarizados del glosario empresarial, y adjuntarlos a las entradas del catálogo. Para obtener más información, consulta Cómo compilar un agente de IA para enriquecer los metadatos.
  • Operaciones de importación y exportación Usa flujos de trabajo de importación y exportación masiva basados en archivos (JSON o CSV) para revisar las definiciones de la empresa generadas por IA, colaborar con los administradores de datos y actualizar los metadatos por lotes. Para obtener más información, consulta Exporta metadatos.

Cómo se consume el contexto en los servicios de 1P y 3P

Los servicios y las aplicaciones interactúan con Knowledge Catalog en dos roles distintos:

  • Proveedores de metadatos Servicios que envían metadatos técnicos, esquemas, definiciones de LookML y linaje a Knowledge Catalog (por ejemplo, Looker, Cloud SQL y Spanner). Los proveedores de metadatos envían metadatos al catálogo, pero no necesariamente consumen definiciones del glosario empresarial en sus propias interfaces de usuario.
  • Consumidores de contexto Servicios, herramientas para desarrolladores y agentes de IA que recuperan definiciones comerciales, perfiles operativos y reglas de administración de Knowledge Catalog para fundamentar su razonamiento y ejecución.

Antes de que las aplicaciones y los agentes puedan consumir contexto, debes establecer términos comerciales y reglas de calidad fundamentales. Para obtener más información, consulta Establece un contexto de datos fundamental y Crea un flujo de trabajo de calidad de los datos basado en políticas como código.

Las aplicaciones y los servicios de IA consumen contexto del Knowledge Catalog a través de los siguientes mecanismos:

Integraciones de origen (1P) incorporadas

Varios Google Cloud servicios consultan de forma nativa Knowledge Catalog para proporcionar experiencias de IA que tienen en cuenta el contexto:

  • Gemini en BigQuery (agente conversacional). Cuando ingresas instrucciones en lenguaje natural en BigQuery Studio, Gemini consulta automáticamente las definiciones del glosario empresarial de Knowledge Catalog, las descripciones de las columnas y las relaciones históricas de las consultas en segundo plano. Esto fundamenta a Gemini en la terminología empresarial de la organización, lo que garantiza que las consultas en SQL generadas usen las uniones de tablas y las definiciones de métricas correctas.
  • Agente de ingeniería de datos en BigQuery. Descubre y consulta tablas de Apache Iceberg y BigQuery, invoca automáticamente búsquedas en el catálogo semántico para resolver las dependencias de los recursos y genera metadatos del catálogo durante la ejecución de la canalización.
  • Vertex AI y Agent Builder. Los agentes de IA generativa y las aplicaciones de búsqueda personalizados creados en Vertex AI usan metadatos del catálogo y reglas de negocio para fundamentar el razonamiento del modelo en hechos empresariales verificados.
  • Google Cloud IU de la consola y de Business. Los usuarios finales y los administradores de datos exploran los recursos con la búsqueda semántica en lenguaje natural, ven gráficos interactivos de relaciones de datos y administran glosarios empresariales.

Ecosistemas de aplicaciones de terceros y agentes de IA

Los servicios y los sistemas autónomos sin integraciones incorporadas consumen contexto a través de protocolos abiertos y APIs de recuperación dedicadas:

Protocolo de contexto del modelo (MCP)

El Protocolo de contexto del modelo (MCP) es un estándar abierto que permite que los agentes de IA, las herramientas para desarrolladores y los IDE se conecten directamente a las herramientas de Knowledge Catalog. El MCP proporciona una interfaz estandarizada para inspeccionar esquemas de tablas, buscar definiciones de glosarios, verificar niveles de calidad de los datos y rastrear el linaje de los datos.

Knowledge Catalog admite dos opciones de implementación del MCP:

Cómo recuperar contexto con formato previo con la API de LookupContext

Para las canalizaciones de IA personalizadas y las aplicaciones de LLM, Knowledge Catalog proporciona el método de la API de LookupContext (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext).

En lugar de requerir que un agente realice varias llamadas secuenciales para inspeccionar esquemas, buscar términos del glosario, recuperar las puntuaciones de calidad de los datos y revisar los registros de consultas, el método LookupContext recupera un paquete unificado y con formato previo de metadatos enriquecidos en una sola solicitud.

Estas son algunas de las capacidades clave del método LookupContext:

  • Formatos listos para LLM Devuelve el contexto con el formato yaml (predeterminado), json o xml, diseñado para la inserción directa en las instrucciones del sistema de LLM.
  • Presupuesto de tokens (context_budget): Te permite especificar un presupuesto de caracteres objetivo. La API trunca y prioriza de forma inteligente los metadatos para que quepan en la ventana de contexto de tu modelo.
  • Vistas de contexto configurables.
    • BÁSICO. Devuelve metadatos de entrada fundamentales, esquemas, descripciones de columnas, texto de descripción general y lineamientos del agente.
    • STANDARD. Además de los metadatos básicos, recorre el gráfico de contexto para incluir relaciones de unión de varias tablas, términos y sinónimos del glosario empresarial adjuntos, patrones de uso del tiempo de ejecución y consultas de muestra verificadas.
  • Indicadores de uso y operativos detallados Devuelve estadísticas de uso detalladas extraídas del historial de búsqueda, como partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields y topAggregations.
  • Uniones descubiertas y consultas de referencia Incluye condiciones de unión de tablas inferidas (por ejemplo, orders.customer_id = customers.id) y ejemplos verificados de consultas en SQL.

Para obtener más información, consulta Cómo recuperar el contexto de los recursos de datos y la referencia de REST de lookupContext.

Cómo el contexto ayuda a los usuarios finales y a los agentes de IA

Knowledge Catalog proporciona contexto universal dentro de su nube de datos basada en agentes, ya que unifica esquemas técnicos, semántica empresarial, linaje de datos y métricas de calidad en una capa de contexto activa. Al exponer estos metadatos a través de interfaces abiertas, como el Protocolo de contexto del modelo (MCP), las APIs de recuperación de contexto y la búsqueda semántica, Knowledge Catalog ayuda a los usuarios y a los sistemas autónomos.

Elimina el trabajo manual de confianza para los usuarios

Sin una capa semántica centralizada, debes investigar el linaje de la base de datos y los historiales de consultas para responder preguntas comerciales básicas. Los catálogos estándar actúan como inventarios pasivos de esquemas, lo que requiere que busques manualmente las definiciones de las métricas o verifiques la limpieza de las tablas.

Knowledge Catalog convierte esta administración pasiva en inteligencia activa. Al presentar las puntuaciones de calidad, las descripciones semánticas y las advertencias de uso directamente junto con los recursos de datos, Knowledge Catalog te permite confiar en los datos y usarlos sin esperar las revisiones de ingeniería.

Fundamenta los agentes autónomos y habilita la administración dinámica

Los agentes de IA y los modelos de lenguaje grandes (LLM) requieren reglas estrictas y determinísticas para interactuar con las bases de datos. Sin un contexto semántico explícito, los agentes hacen suposiciones incorrectas sobre los nombres de las columnas o generan consultas en SQL defectuosas.

Además, la administración de metadatos de las transiciones de contexto activo pasa de un registro pasivo a una capa de administración activa. Al definir reglas comerciales, métricas y consignas de agentes verificadas directamente en el Catálogo de conocimiento, las organizaciones pueden controlar cómo los agentes recuperan, evalúan y utilizan los datos corporativos.

Knowledge Catalog resuelve esta brecha. Exporta perfiles de contexto activos unificados a tus aplicaciones de IA a través de interfaces estándares, como el Protocolo de contexto del modelo (MCP) o la API de LookupContext. Basar tus modelos en estos metadatos minimiza las alucinaciones, aplica las reglas de administración y ayuda a garantizar que las acciones autónomas se basen en la verdad organizacional verificada.

Coordina flujos de trabajo multiagente con contexto compartido

En un marco multiagente (o enjambre), agentes especializados independientes colaboran para ejecutar flujos de trabajo complejos. Cuando estos agentes operan en entornos aislados sin un plano de contexto compartido, se enfrentan a un límite de contexto: es posible que usen reglas comerciales contradictorias, no logren ubicar dependencias pertinentes o dupliquen el esfuerzo de recuperación.

Usar Knowledge Catalog como un registro de contexto centralizado te ayuda a coordinar y escalar enjambres multiagente. Fundamentar tu enjambre en Knowledge Catalog proporciona los siguientes beneficios:

  • Semántica empresarial compartida. Todos los agentes hacen referencia a los mismos significados y definiciones comerciales. Por ejemplo, si un agente de análisis de datos y un agente de informes recuperan una tabla que contiene cifras de ventas, usan la misma definición de glosario de una métrica como Gross Merchandise Value (GMV) para garantizar la coherencia.

  • Resolución dinámica de dependencias Los agentes pueden usar el linaje de datos para descubrir recursos upstream y downstream de forma programática. Esto permite que un agente de solución de problemas de la canalización rastree una falla de datos hasta su tabla de origen y le entregue la tarea a un agente de reparación sin codificar de forma rígida las reglas de dependencia.

  • Interfaz de conexión unificada Si usas el Protocolo de contexto del modelo (MCP), expones un solo endpoint semántico a todo el enjambre. Esto elimina la necesidad de configurar integraciones de API personalizadas para cada agente individual.

  • Administración de la seguridad a nivel del perímetro Knowledge Catalog verifica las preguntas del agente con los roles de IAM preconfigurados. Esto ayuda a garantizar que los agentes recuperen solo el contexto de los recursos a los que están autorizados explícitamente a acceder, lo que evita la exposición accidental de datos en todo el enjambre.

Casos de uso para el contexto de datos

Para comprender cómo el contexto de los datos resuelve consultas complejas, considera cómo Knowledge Catalog aplica capas técnicas, semánticas y operativas en la práctica:

Comercio electrónico: Personaliza las recomendaciones de búsqueda

Para alinear las campañas de marketing de temporada con los inventarios de productos, los agentes de búsqueda deben comprender cómo los correos electrónicos promocionales no estructurados se relacionan con los catálogos de productos estructurados y las tablas de transacciones de los usuarios. Knowledge Catalog asigna estas entidades, lo que permite que los modelos de recomendación sugieran productos relevantes en tiempo real.

Fabricación: Optimiza el mantenimiento de la maquinaria

Los modelos de mantenimiento predictivo requieren la integración de registros de piezas estructurados con guías de reparación de técnicos no estructuradas y feeds de sensores en tiempo real. Al asignar relaciones entre los números de pieza y los capítulos del manual, Knowledge Catalog permite que los sistemas analíticos predigan la fatiga del equipo y programen las reparaciones antes de que se produzcan fallas.

Cuidado de la salud: Valida datos de ensayos clínicos

Los centros de investigación clínica deben verificar que las estadísticas de los pacientes cumplan con las estrictas reglas del estudio y que los registros de consentimiento de los pacientes se correspondan directamente con los conjuntos de datos de los resultados del ensayo. Knowledge Catalog hace un seguimiento del linaje de datos a nivel de la columna para auditar los flujos de consentimiento y alertar a los investigadores sobre las anomalías en el perfil de datos, lo que ayuda a preservar la integridad del ensayo.

Servicios financieros: Evaluación del riesgo crediticio

Los modelos de suscripción de préstamos utilizan las calificaciones de crédito de los clientes, los historiales de transacciones y los saldos de deuda activos en diferentes sistemas fuente. Knowledge Catalog proporciona un gráfico unificado de las métricas de préstamos y asigna el linaje de los datos, lo que permite que las herramientas de suscripción confirmen que las evaluaciones de riesgo usan activos certificados y que cumplen con los requisitos.

Telecomunicaciones: Diagnostica las operaciones de red

Los sistemas y agentes autónomos de administración de redes analizan el comportamiento de las señales en tiempo real, detectan las degradaciones del rendimiento y aplican acciones correctivas de autorreparación. Al fundamentar estos agentes en el contexto de Knowledge Catalog, los sistemas pueden rastrear de forma segura los componentes de la red a través de gráficos de linaje y mapear las relaciones entre los registros técnicos y las áreas de servicio empresarial.

¿Qué sigue?

Instructivo

Crea un glosario empresarial, define tipos de aspectos personalizados y enriquece los activos en BigQuery.

Integración de IA

Obtén más información sobre cómo el Protocolo de contexto del modelo conecta los agentes con las herramientas y los recursos de Knowledge Catalog.

Api

Extrae contexto en formato YAML o JSON con un presupuesto de tokens preformateado para la inyección directa de instrucciones en el LLM.

Agente de IA

Automatiza la selección de metadatos y la asignación de glosarios con el Kit de desarrollo de agentes.

Concepto

Obtén información sobre el metamodelo flexible, los tipos de entrada, los tipos de aspecto y los grupos de entrada.

Administración

Visualiza las transformaciones de datos a nivel de la columna para comprender el origen de los datos y el impacto en sentido descendente.