As tarefas de enriquecimento do Knowledge Studio permitem extrair automaticamente o contexto de negócios dos seus esquemas, procedimentos operacionais padrão (SOPs), repositórios de código e registros de consulta. Ao criar uma tarefa de enriquecimento, você configura recursos de destino, indicadores de conhecimento, comparativos de avaliação e uma programação para gerar propostas de metadados que fundamentam seus aplicativos de IA.
Antes de começar
Siga estes pré-requisitos antes de criar uma tarefa de enriquecimento.
Entender os conceitos
Antes de executar uma tarefa de enriquecimento, recomendamos que você se familiarize com os principais componentes da arquitetura de enriquecimento:
Para uma visão geral de como os agentes do Knowledge Studio automatizam a geração de metadados, consulte Sobre as tarefas de enriquecimento.
Para uma visão geral de como o contexto de metadados embasa os agentes de IA e simplifica a exploração de dados, consulte Sobre o contexto de dados.
Para uma visão geral da hierarquia do Knowledge Catalog, incluindo grupos de entradas, entradas, aspectos e links de entrada, consulte Sobre metadados no Knowledge Catalog.
Preparar os componentes necessários
Antes de criar uma tarefa de enriquecimento, verifique se o ambiente está configurado corretamente para o enriquecimento de IA. Para instruções de configuração, consulte Configurar pré-requisitos para tarefas de enriquecimento.
Tenha os seguintes componentes prontos:
Conta de serviço: uma conta de serviço de usuário dedicada com os papéis necessários. Nesta documentação, o termo conta de serviço de execução refere-se a essa conta serviço gerenciado pelo cliente para diferenciá-la dos agentes de serviço do Knowledge Catalog gerenciados pelo Google. A tarefa de enriquecimento é executada como essa conta de serviço e a usa para ler as fontes e gravar no conjunto de contexto.
Conjunto de contexto: um conjunto de contexto de destino para salvar os metadados enriquecidos. Os conjuntos de contexto são regionais, multirregionais ou globais, e cada conjunto de contexto pode ser enriquecido por apenas uma tarefa de enriquecimento por região. O conjunto de contexto também serve como a fonte padrão de recursos a serem enriquecidos. Tudo no conjunto de contexto é enriquecido por padrão, a menos que você filtre os recursos padrão durante a configuração. Também é possível criar um conjunto de contexto vazio durante a configuração da tarefa, caso não exista um. Para mais informações, consulte a seção Criar um conjunto de contexto em Gerenciar conjuntos de contexto.
Recursos para enriquecer (opcional): outros recursos de dados que você quer enriquecer e que ainda não estão no conjunto de contexto de destino. Adicionar esses recursos extras durante a criação de tarefas as enriquece e as adiciona automaticamente ao conjunto de contexto de destino quando as propostas da execução são aprovadas. Os recursos de destino podem incluir conjuntos de dados e tabelas do BigQuery ou catálogos, namespaces e tabelas do Lakehouse (até 500 recursos no total, entre os padrão e os adicionados). Para informações sobre a sintaxe do nome do recurso, consulte Nomes de recursos completos.
Indicadores de conhecimento (opcional): se você planeja fornecer ao agente de IA documentos, glossários ou scripts SQL para aprender, prepare seus buckets, pastas ou arquivos do Cloud Storage, formate seus conjuntos de dados de avaliação
.jsonlou configure provedores de autenticação de terceiros para URLs de origem de terceiros. Para instruções de configuração de conectores de terceiros, consulte Configurar conectores externos para tarefas de enriquecimento.Registros de rastreamento (opcional): se você planeja ativar o autoaprendizado do agente, configure um aplicativo do Gemini Enterprise (com instrumentação de rastreamento e registro de comandos e respostas ativados no Cloud Logging) ou uma tabela de análise de agentes do BigQuery em que o agente de enriquecimento possa aprender interações históricas. Para mais informações, consulte Gerenciar configurações de observabilidade e a seção "Configurar traces de agente para autoaprendizado" em Configurar pré-requisitos para tarefas de enriquecimento.
Criação de perfis de dados e insights de dados (recomendado): para melhorar a qualidade das propostas de metadados geradas, ative a criação de perfis de dados e os insights de dados de IA nas tabelas de destino usadas com frequência antes de executar a tarefa.
Funções exigidas
A configuração e a execução de tarefas de enriquecimento envolvem três identidades, cada uma exigindo papéis específicos do IAM:
- O usuário final (sua conta de usuário): cria, configura e aciona a tarefa de enriquecimento no Knowledge Studio.
- A conta de serviço de execução (gerenciada pelo cliente): executa a tarefa de enriquecimento, lê os recursos de origem e os traces de interação opcionais e propõe atualizações de metadados para o conjunto de contexto.
- O agente de serviço do Knowledge Catalog (gerenciado pelo Google): personifica sua conta de serviço de execução durante uma execução e executa jobs de consulta de validação, análise de histórico de consultas e amostragem do BigQuery no back-end.
O usuário final
Para receber as permissões necessárias para criar, modificar e executar tarefas de enriquecimento, peça ao administrador para conceder a você os seguintes papéis do IAM:
-
Criar, modificar e executar tarefas de enriquecimento:
Editor do DataScan Dataplex (
roles/dataplex.dataScanEditor) ou Editor do Dataplex (roles/dataplex.editor) no projeto -
Anexe a conta de serviço de execução à tarefa de enriquecimento:
Usuário da conta de serviço (
roles/iam.serviceAccountUser) na conta de serviço de execução
Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.
Esses papéis predefinidos contêm as permissões necessárias para criar, modificar e executar tarefas de enriquecimento. Para acessar as permissões exatas necessárias, expanda a seção Permissões necessárias:
Permissões necessárias
As seguintes permissões são necessárias para criar, modificar e executar tarefas de enriquecimento:
-
Criar, visualizar, listar, atualizar, excluir e executar tarefas de enriquecimento:
-
dataplex.agentTasks.create -
dataplex.agentTasks.get -
dataplex.agentTasks.getData -
dataplex.agentTasks.list -
dataplex.agentTasks.update -
dataplex.agentTasks.delete -
dataplex.agentTasks.run
-
-
Anexe a conta de serviço de execução:
iam.serviceAccounts.actAs
Essas permissões também podem ser concedidas com funções personalizadas ou outros papéis predefinidos.
A conta de serviço de execução
A conta de serviço de execução é a identidade gerenciada pelo cliente em que a tarefa de enriquecimento é executada e realiza todas as operações.
Para garantir que a conta de serviço de execução tenha as permissões necessárias para executar a tarefa de enriquecimento, ler dados de destino e propor atualizações de metadados, peça ao administrador para conceder os seguintes papéis do IAM à conta de serviço de execução:
-
Consumir APIs durante a execução da tarefa:
Consumidor do Service Usage (
roles/serviceusage.serviceUsageConsumer) no projeto que contém a tarefa de enriquecimento -
Acessar conjuntos de dados e tabelas de destino do BigQuery:
Visualização de Dados do BigQuery (
roles/bigquery.dataViewer) nos conjuntos de dados e tabelas de destino do BigQuery -
Ver os recursos de destino do Lakehouse (ao enriquecer recursos do Lakehouse):
Leitor do BigLake (
roles/biglake.viewer) nos catálogos, namespaces e tabelas de destino do Lakehouse -
Propor e gravar metadados em conjuntos de contexto:
- Editor de conteúdo do Dataplex (
roles/dataplex.contentEditor) no conjunto de contexto de destino - Editor do Dataplex Catalog (
roles/dataplex.catalogEditor) no projeto - Leitor do Dataplex Catalog (
roles/dataplex.catalogViewer) no projeto
- Editor de conteúdo do Dataplex (
-
(Opcional) Executar jobs do BigQuery no projeto de tarefa (necessário apenas se a criação do job for movida para dentro de um perímetro do VPC Service Controls):
Usuário de jobs do BigQuery (
roles/bigquery.jobUser) no projeto de tarefa -
(Opcional) Aprovar e publicar automaticamente as mudanças propostas (se você ativar a publicação automática):
Aprovador de fluxo de trabalho do Dataplex (
roles/dataplex.workflowApprover) no projeto -
(Opcional) Aprender com os registros de rastreamento do Logging (autoaprendizado):
Visualizador de registros particulares (
roles/logging.privateLogViewer) no projeto que possui o app do Gemini Enterprise -
(Opcional) Aprenda com uma tabela de análise de agentes do BigQuery (autoaprendizado):
- Visualização de dados do BigQuery (
roles/bigquery.dataViewer) na tabela de análise do agente (ou no conjunto de dados dela) - Usuário de jobs do BigQuery (
roles/bigquery.jobUser) no projeto que contém a tabela de análise de agentes
- Visualização de dados do BigQuery (
Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.
Esses papéis predefinidos contêm as permissões necessárias para executar a tarefa de enriquecimento, ler dados de destino e propor atualizações de metadados. Para acessar as permissões exatas necessárias, expanda a seção Permissões necessárias:
Permissões necessárias
As permissões a seguir são necessárias para executar a tarefa de enriquecimento, ler dados de destino e propor atualizações de metadados:
-
Consumir cota e serviços:
serviceusage.services.use -
Acessar metadados de conjuntos de dados e tabelas do BigQuery e ler dados de tabelas:
-
bigquery.datasets.get -
bigquery.tables.get -
bigquery.tables.getData
-
-
Confira os catálogos, namespaces e tabelas do Lakehouse:
-
biglake.catalogs.get -
biglake.namespaces.get -
biglake.tables.get -
biglake.tables.list
-
-
Ver e propor mudanças em conjuntos e entradas de contexto:
-
dataplex.entryGroups.getContextSet -
dataplex.entryGroups.requestContextChanges -
dataplex.entries.createContext -
dataplex.entries.updateContext -
dataplex.entries.getContext -
dataplex.entries.listContext -
dataplex.entryLinks.create
-
-
Criar, atualizar, visualizar e listar entradas e grupos de entradas do catálogo:
-
dataplex.entries.create -
dataplex.entries.update -
dataplex.entries.get -
dataplex.entries.list -
dataplex.entryGroups.create -
dataplex.entryGroups.update -
dataplex.entryGroups.requestChanges
-
-
(Opcional) Execute jobs do BigQuery (para perímetros do VPC Service Controls ou tabelas de análise de agentes do BigQuery):
bigquery.jobs.create -
(Opcional) Aprovar automaticamente as solicitações de mudança:
dataplex.changeRequests.use -
(Opcional) Ler as visualizações e as entradas de registro do Logging:
-
logging.views.access -
logging.logEntries.list
-
O administrador também pode conceder essas permissões à conta de serviço de execução com papéis personalizados ou outros papéis predefinidos.
O agente de serviço do Dataplex
O agente de serviço do Knowledge Catalog é uma conta serviço gerenciado pelo Google que o Knowledge Catalog usa para realizar operações de back-end em seu nome, como personificar sua conta de serviço de execução durante uma execução de enriquecimento e executar jobs de amostragem, análise de histórico de consultas e consulta de validação do BigQuery.
O agente de serviço do Knowledge Catalog usa o seguinte formato de e-mail:
service-PROJECT_NUMBER@gcp-sa-dataplex.
Substitua PROJECT_NUMBER pelo número do projeto do Google Cloud.
Conceder acesso ao histórico de consultas (recomendado) permite que o agente de enriquecimento analise
consultas SQL históricas (INFORMATION_SCHEMA.JOBS_BY_PROJECT) para identificar chaves de mesclagem
e filtros comuns. Se o papel Leitor de recursos do BigQuery
(roles/bigquery.resourceViewer) não for concedido, o agente vai pular
a análise do histórico de consultas sem falhar na execução.
Para garantir que o agente de serviço do Knowledge Catalog tenha as permissões necessárias para representar a conta de serviço de execução e realizar a criação de perfil de back-end do BigQuery, peça ao administrador para conceder os seguintes papéis do IAM ao agente de serviço do Knowledge Catalog:
-
Representar a conta de serviço de execução para executar a tarefa:
Criador de token da conta de serviço (
roles/iam.serviceAccountTokenCreator) na conta de serviço de execução -
Realizar consultas de criação de perfil e validação de back-end do BigQuery:
Visualização de Dados do BigQuery (
roles/bigquery.dataViewer) nos projetos ou conjuntos de dados que contêm as tabelas de destino -
(Recomendado) Ler o histórico de consultas do BigQuery no nível do projeto:
Leitor de recursos do BigQuery (
roles/bigquery.resourceViewer) nos projetos em que as consultas são executadas
Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.
Esses papéis predefinidos contêm as permissões necessárias para personificar a conta de serviço de execução e realizar a criação de perfil de back-end do BigQuery. Para acessar as permissões exatas necessárias, expanda a seção Permissões necessárias:
Permissões necessárias
As permissões a seguir são necessárias para personificar a conta de serviço de execução e realizar a criação de perfil de back-end do BigQuery:
-
Gere tokens e assine payloads para identidade temporária de conta de serviço:
-
iam.serviceAccounts.getAccessToken -
iam.serviceAccounts.getOpenIdToken -
iam.serviceAccounts.signJwt -
iam.serviceAccounts.signBlob
-
-
Acessar metadados de conjuntos de dados e tabelas do BigQuery e ler dados de tabelas:
-
bigquery.datasets.get -
bigquery.tables.get -
bigquery.tables.getData
-
-
(Recomendado) Listar jobs do BigQuery e visualizar metadados do projeto:
-
bigquery.jobs.listAll -
resourcemanager.projects.get
-
O administrador também pode conceder ao agente de serviço do Knowledge Catalog essas permissões com papéis personalizados ou outros papéis predefinidos.
Abrir o espaço de trabalho do Knowledge Studio
Para abrir o assistente de criação de tarefas, siga estas etapas:
No console do Google Cloud , acesse a página Knowledge Studio.
No painel de navegação, selecione Enriquecimentos.
Clique em + Criar tarefa de enriquecimento.
Dê um nome à tarefa de enriquecimento
No painel Definir, siga estas etapas:
- No campo Nome de exibição, forneça um nome descritivo para a tarefa (por
exemplo,
Finance Dataset enrichment). - No campo ID da tarefa, forneça um ID exclusivo ou use o ID gerado automaticamente.
No campo Meta, descreva o objetivo da tarefa de enriquecimento para orientar o processo de extração. Forneça orientações em linguagem natural detalhando a missão empresarial e as metas de capacidade de IA para esse conjunto de contexto.
Exemplo:
Curate and maintain the authoritative context set for the `subscription_revenue` domain. Focus on resolving metric discrepancies between `gross_sales`, `net_billed_revenue`, and `discount_applied`. Ensure all customer join keys (e.g. `customer_id`, `subscription_fk`) have explicit column documentation, and establish parameterized query templates for Monthly Recurring Revenue (MRR) and Churn Rate calculations.Clique em Continuar.
Configurar os parâmetros da tarefa de enriquecimento
O escopo especifica o que é enriquecido e o que o agente lê.
No painel Escopo, siga estas etapas:
No campo Projeto, selecione o projeto que contém o conjunto de contexto.
No campo Conjunto de contexto, selecione o conjunto de contexto que a tarefa enriquece e em que ela salva os resultados. Se você não tiver um conjunto de contextos, clique em Criar novo conjunto de contextos.
Os conjuntos de contexto são regionais, multirregionais ou globais, e cada conjunto de contexto pode ser enriquecido por apenas uma tarefa de enriquecimento por região. Se você selecionar um conjunto de contexto que já esteja anexado a uma tarefa de enriquecimento existente nessa região, o assistente vai mostrar uma mensagem de erro com um link para a tarefa existente e vai exigir que você selecione um conjunto de contexto diferente. Depois de criar uma tarefa de enriquecimento, não é possível mudar o conjunto de contexto dela.
Se o conjunto de contexto selecionado estiver localizado em uma multirregião (como
usoueu) ou emglobal, selecione uma única região no campo Região da tarefa de enriquecimento em que a tarefa de enriquecimento é executada (por exemplo,us-central1). Se o conjunto de contexto estiver localizado em uma única região, a tarefa usará automaticamente a região do conjunto de contexto.Na seção Recursos para enriquecer, revise os recursos padrão e, se quiser, adicione mais recursos do BigQuery ou do Lakehouse:
- Recursos padrão: tudo no conjunto de contexto selecionado é enriquecido por padrão. Abra Recursos padrão para analisar ou filtrar as tabelas preenchidas do seu conjunto de contexto.
- Adicionar mais recursos do BigQuery ou do Lakehouse: adicione conjuntos de dados ou tabelas do BigQuery ou catálogos, namespaces ou tabelas do Lakehouse que você quer enriquecer, além do conjunto de contexto. Ao adicionar esses recursos, eles também são adicionados ao conjunto de contexto quando as propostas da execução são aprovadas. Uma tarefa de enriquecimento é compatível com até 500 recursos no total, entre os recursos padrão e os adicionados.
Todos os recursos adicionados precisam corresponder ao local do conjunto de contexto. Um conjunto de contexto multirregional (como
us) corresponde a regiões únicas dentro desse local (comous-central1), e um conjunto de contextoglobalaceita recursos de qualquer região. Regiões incompatíveis causam falha na criação de tarefas.Se você selecionar um conjunto de contexto vazio e não adicionar outros recursos nesta seção, o Knowledge Studio vai mostrar um aviso. Se você executar a tarefa com essa configuração, ela vai gerar uma base de conhecimento semântica com base nas suas instruções, mas não vai enriquecer nenhuma entrada de tabela.
Para adicionar recursos pelo nome completo, insira o nome do recurso no campo de texto (use vírgulas para separar vários nomes de recursos):
Tabela do BigQuery:
//bigquery.googleapis.com/projects/PROJECT_ID/datasets/DATASET_ID/tables/TABLE_IDRecurso do Lakehouse:
//dataplex.googleapis.com/projects/PROJECT_ID/locations/LOCATION/lakes/LAKE_ID/zones/ZONE_ID/assets/ASSET_ID
Como alternativa, para selecionar recursos visualmente, siga estas etapas:
- Clique em Procurar para abrir a caixa de diálogo Selecionar fontes.
- Para selecionar recursos usados recentemente, clique na guia Recentes e selecione os recursos que você quer adicionar.
- Para navegar ou pesquisar todos os recursos, clique na guia Todos e faça o
seguinte:
- No campo Pesquisar, digite um termo de pesquisa para o recurso do BigQuery ou do Lakehouse.
- Na árvore de recursos, expanda a hierarquia do projeto e do conjunto de dados para localizar o recurso.
- Marque a caixa de seleção ao lado de um ou mais recursos. É possível visualizar o esquema e os detalhes do recurso selecionado no painel de detalhes.
- Clique em Confirmar.
Opcional: na seção Indicadores de conhecimento, conecte o agente de IA a outras fontes para ler o contexto. Esses recursos são somente leitura e não são enriquecidos.
- Buckets, pastas ou arquivos do Cloud Storage: insira um nome de bucket,
um caminho de pasta que termine com uma barra (como
bucket-name/folder/) ou um caminho individual ou clique em Procurar para selecionar buckets, pastas ou arquivos (até 1.000 origens do Cloud Storage). Pressione Enter, vírgula ou Espaço após cada entrada. Glossários: insira o nome do glossário ou clique em Procurar para pesquisar um glossário. Pressione Enter, vírgula ou espaço após cada nome de glossário.
Verifique se os glossários conectados estão em uma região compatível ou no escopo
global.Fontes externas: para conectar plataformas de terceiros, como Google Workspace, Microsoft SharePoint, GitHub ou Atlassian (espaços do Confluence e projetos do Jira), configure-as individualmente ou forneça um arquivo de configuração YAML.
Para configurar origens usando um arquivo YAML:
- No campo Arquivo de configuração de origem (opcional), clique em Procurar e selecione o arquivo YAML.
Para configurar uma origem manualmente:
- Em Fontes conectadas, clique em Configurar ao lado da plataforma que você quer configurar.
- No campo URLs de origem, insira os URLs dos seus documentos, repositórios, espaços ou projetos do Jira e pressione Enter ou vírgula após cada URL.
Se a plataforma exigir autenticação (como GitHub, Atlassian ou Microsoft), anexe suas credenciais fazendo o seguinte:
- Clique em + Adicionar conexão.
- No painel Nova conexão, insira o nome completo do recurso do
provedor de autenticação no campo Provedor de autenticação. Use o
seguinte formato:
projects/PROJECT_ID/locations/LOCATION/authProviders/PROVIDER_NAME - Em Padrões de URI, clique em + Adicionar padrão de URI para especificar
quais URLs essa credencial tem permissão para acessar. É possível usar
asteriscos (
*) como caracteres curinga (por exemplo,https://github.com/test-org/*). - Clique em Concluído.
Os recursos do Google Workspace se conectam diretamente usando as permissões do IAM da conta de serviço de execução da tarefa. Portanto, eles não exigem uma conexão de provedor de autenticação.
- Buckets, pastas ou arquivos do Cloud Storage: insira um nome de bucket,
um caminho de pasta que termine com uma barra (como
Clique em Continuar.
Configurar avaliação e autoaprendizado
As configurações no painel Melhorar são opcionais. Para informações sobre como formatar conjuntos de dados de avaliação e curadoria, consulte Configurar pré-requisitos para tarefas de enriquecimento. Para saber como selecionar um modelo no Gemini Enterprise, consulte a seção "Criar um agente usando o criador de fluxos" em Criar agentes no Agent Studio.
No painel Melhorar, siga estas etapas:
Opcional: na seção Avaliação, configure os seguintes campos:
Conjunto de avaliação: para medir o impacto das mudanças de contexto propostas, insira um URI do Cloud Storage ou clique em Procurar para selecionar o arquivo
.jsonl.Conjunto de curadoria: para fornecer um conjunto de perguntas iniciais para otimização iterativa, insira um URI do Cloud Storage ou clique em Procurar para selecionar o arquivo
.jsonl.
Opcional: na seção Publicação, especifique a cadência de publicação:
Quando você ativa a publicação automática, o agente organiza as propostas como solicitações de mudança e aprova automaticamente a execução se ela atender a todos os critérios de publicação, deixando um registro de auditoria. As propostas de exclusão são sempre retidas para revisão manual. Quando você desativa a publicação automática, um revisor humano precisa aprovar as solicitações de mudança antes que elas sejam publicadas no conjunto de contexto.
Para exigir a revisão humana antes que os metadados sejam mesclados ao conjunto de contexto de produção, desmarque a caixa de seleção Ativar publicação automática.
Para publicar automaticamente as execuções que atendem aos seus critérios de qualidade, marque a caixa de seleção Ativar publicação automática. Use o controle deslizante Publicar automaticamente acima de para definir a pontuação de confiança geral mínima necessária para que uma execução seja publicada automaticamente (o padrão é 85%). Cada proposta também precisa passar por verificações de validade (como sintaxe SQL válida). Se um conjunto de dados de avaliação estiver configurado, você também poderá usar o controle deslizante Queda máxima de qualidade para restringir a publicação quando a precisão da avaliação cair mais do que o limite especificado (o padrão é 5%). Se uma execução não atender a todas essas condições, todas as propostas vão permanecer em fase de teste como solicitações de mudança para revisão manual.
Opcional: para encontrar lacunas em conversas reais de agentes e manter o contexto atualizado, na seção Autoaprendizado, selecione o botão de alternância Ativar autoaprendizado.
Opcional: se você ativou o autoaprendizado, na seção Aprender com, adicione uma das seguintes fontes:
Apps do Gemini Enterprise: na lista ID do projeto, selecione o projeto. Na lista App do Gemini Enterprise, selecione o app que gera rastros de conversas e clique em Concluído. É possível adicionar vários apps do Gemini Enterprise. Para otimizar os recursos de enriquecimento e autoaprendizado, recomendamos que você especifique um modelo Gemini 3.8 Flash ou posterior no aplicativo Gemini Enterprise.
Análise de agentes do BigQuery: no campo Tabela, insira o nome da tabela que contém os eventos de conversa do agente ou clique em Procurar para selecioná-la visualmente e clique em Concluído. É possível adicionar várias tabelas.
Clique em Continuar.
Definir as configurações de execução
No painel Executar, siga estas etapas:
Na seção Executar como, clique na lista Conta de serviço e selecione a conta de serviço de execução que a tarefa usa para ler as fontes e gravar no conjunto de contexto.
Quando você seleciona uma conta de serviço, o Knowledge Studio executa automaticamente o Solucionador de problemas de políticas para verificar a conta de serviço de execução, o agente de serviço do Knowledge Catalog e os recursos de destino:
- Se algum papel obrigatório estiver ausente e você tiver permissão para modificar as políticas do IAM nesses recursos, clique em Conceder tudo para conceder os papéis ausentes automaticamente.
- (Recomendado) Selecione Conceder acesso ao histórico de consultas do BigQuery para
conceder o papel (
bigquery.jobs.listAll) de Leitor de recursos do BigQuery (roles/bigquery.resourceViewer) e, se quiser, especifique outros IDs de projeto no campo IDs de projeto do histórico de consultas em que as consultas do BigQuery são executadas.
Em Acionador, selecione a condição de acionamento:
- On demand: é executado somente quando você clica em Executar.
- Programado: é executado automaticamente em uma programação repetida (como diária, semanal ou mensal). Todos os horários de execução programados usam o Tempo Universal Coordenado (UTC).
Opcional: em Notificações, clique em + Adicionar destinatário para especificar até cinco endereços de e-mail que vão receber um relatório após cada execução.
Verifique os parâmetros no painel Resumo e clique em Criar.
Sua nova tarefa de enriquecimento foi salva. Dependendo das configurações do gatilho, a tarefa aguarda a primeira execução programada ou está pronta para ser executada imediatamente. As execuções de enriquecimento normalmente levam de 20 a 60 minutos para serem concluídas ou até várias horas para conjuntos de dados grandes com conjuntos de curadoria e avaliação ativados. Os registros de execução podem levar de 20 a 30 minutos para começar a aparecer enquanto o agente é inicializado e extrai sinais. Quando a tarefa termina uma execução, o agente coloca as propostas de metadados de IA generativa em um ou mais lotes de solicitação de mudança para sua análise.