סקירה כללית על ניתוח נתוני השיחות

ניתוח נתוני השיחות ב-BigQuery מאפשר לכם לשוחח עם סוכנים על הנתונים שלכם באמצעות שפה טבעית. כדי לקבל תשובות לגבי הנתונים שלכם, אתם יכולים:

  • ליצור סוכני נתונים שמגדירים באופן אוטומטי את הקשר של הנתונים ואת הוראות העיבוד של שאילתות עבור קבוצה של מקורות ידע, כמו טבלאות, תצוגות, גרפים או פונקציות בהגדרת משתמש (UDF) שאתם בוחרים.
  • אם צריך, אפשר ליצור הקשר והוראות לסוכן בצורה של מטא-נתונים של טבלה ושדה בהתאמה אישית, הוראות לסוכן לפרש את הנתונים ולשאול שאילתות לגביהם, או על ידי יצירת שאילתות מאומתות (שנקראו בעבר שאילתות מוזהבות) כדי להגדיר את סוכן הנתונים כך שיענה ביעילות על שאלות בתרחישי שימוש ספציפיים.

לפני שמתאימים אישית סוכן, מומלץ קודם לעבוד עם ההקשר וההוראות שהסוכן יוצר.

דוגמאות להקשר ולהנחיות שאתם יכולים לספק לסוכן:

  • הקשר. אפשר להגדיר סוכן נתונים לניתוח מכירות כך שיבין שהמונח 'המובילים' מתייחס לנציגי מכירות עם ההכנסה הגבוהה ביותר, ולא רק לאלה שסגרו הכי הרבה עסקאות.
  • הוראות אתם יכולים להנחות את סוכן הנתונים לסנן תמיד את הנתונים לפי הרבעון האחרון כשאתם שואלים על 'מגמות', או לקבץ את התוצאות לפי 'קטגוריית מוצרים' כברירת מחדל.

אחרי שיוצרים סוכני נתונים, אפשר לקיים איתם שיחות כדי לשאול שאלות על נתונים ב-BigQuery באמצעות שפה טבעית. אתם יכולים גם ליצור שיחות ישירות עם מקור נתונים אחד או יותר כדי לקבל תשובות לשאלות בסיסיות חד-פעמיות.

ניתוח נתוני השיחות מבוסס על Gemini for Google Cloud ותומך בחלק מהפונקציות של AI ו-ML ב-BigQuery. מידע נוסף זמין במאמר תמיכה ב-AI וב-ML ב-BigQuery.

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

סוכני נתונים

סוכני נתונים מורכבים ממקור ידע אחד או יותר, ומקבוצת הוראות ספציפיות לתרחיש שימוש לעיבוד הנתונים. כשיוצרים סוכן נתונים, אפשר להגדיר אותו באמצעות האפשרויות הבאות:

  • שימוש במקורות ידע כמו טבלאות, תצוגות, גרפים ופונקציות מוגדרות על ידי המשתמש (UDF) עם סוכן נתונים. אפשר גם להתחבר לטבלאות Lakehouse ללא גבולות כמקורות. מידע נוסף זמין במאמר בנושא שאילתות על טבלאות Lakehouse בשפה טבעית.
  • אפשר לספק מטא-נתונים של טבלאות ושדות בהתאמה אישית כדי לתאר את הנתונים בצורה המתאימה ביותר לתרחיש השימוש הנתון.
  • לספק הוראות לפרש את הנתונים ולשאול שאילתות לגביהם, למשל: להגדיר את הפרטים הבאים:
    • מילים נרדפות ומונחים עסקיים לשמות של שדות
    • השדות הכי חשובים וערכי ברירת המחדל לסינון ולקיבוץ
  • ליצור שאילתות מאומתות שסוכן הנתונים יכול להשתמש בהן כדי להתאים את מבנה התשובה של הסוכן וללמוד את הלוגיקה העסקית שבה הארגון שלכם משתמש. שאילתות מאומתות נקראו בעבר שאילתות מוזהבות. שאילתות מאומתות יכולות להשתמש בפונקציות נתמכות של AI ו-ML ב-BigQuery, והן תומכות בפרמטרים של שאילתות.
  • יוצרים מונחים מותאמים אישית במילון המונחים של BigQuery לכל סוכן או מייבאים מונחים במילון המונחים העסקי מ-Knowledge Catalog. המונחים האלה עוזרים לסוכן לפרש את ההנחיות של המשתמשים. במאמר יצירה או בדיקה של מונחים במילון המונחים מוסבר מתי כדאי להשתמש בכל סוג.

ניהול סוכני נתונים

בכרטיסייה Agent Catalog במסוף Google Cloud , אפשר ליצור ולנהל סוכני נתונים מהסוגים הבאים:

  • סוכן לדוגמה מוגדר מראש לכל פרויקט Google Cloud .
  • רשימה של סוכנים שנמצאים בטיוטה, סוכנים שנוצרו וסוכנים שפורסמו.
  • רשימה של סוכנים שאנשים אחרים יוצרים ומשתפים איתכם.

מידע נוסף זמין במאמר יצירת סוכני נתונים.

שירותים אחרים בפרויקט שתומכים בסוכני נתונים, כמו Conversational Analytics API ו-Data Studio, יכולים לגשת לסוכני נתונים שיוצרים ב-BigQuery. אפשר גם לגשת לסוכן שנוצר במסוף Google Cloud על ידי קריאה אליו באמצעות Conversational Analytics API.

שיחות

שיחות הן צ'אטים שנשמרים עם סוכן נתונים או מקור נתונים. אתם יכולים לשאול את סוכני הנתונים שאלות מורכבות שכוללות מונחים נפוצים כמו 'מכירות' או 'הכי פופולרי', בלי שתצטרכו לציין שמות של שדות בטבלה או להגדיר תנאים לסינון הנתונים. אפשר גם לשאול שאלות לגבי נתונים שנמצאים באובייקטים כמו קובצי PDF. כשסוכן יוצר תשובה, הוא יכול לקבוע אילו מקורות נתונים לשלוח להם שאילתות, ולנצל אופטימיזציות כמו חלוקת טבלאות או אינדקסים של חיפושים.

התשובה שמתקבלת בצ'אט כוללת את התכונות הבאות:

  • התשובה לשאלה שלכם כטקסט, קוד או תמונות (מולטי-מודאלי). התשובה יכולה לכלול פונקציות נתמכות של AI ו-ML ב-BigQuery.
  • יצירת תרשימים במקומות המתאימים.
  • ההסבר של הסוכן לתוצאות.
  • מטא-נתונים על השיחה, כמו הסוכן ומקורות הנתונים שבהם נעשה שימוש.

כשיוצרים שיחה ישירה עם מקור נתונים, ה-API של ניתוח נתונים בשיחה מפרש את השאלה בלי ההקשר והוראות העיבוד שסוכן נתונים מספק. לכן, התוצאות של שיחות ישירות יכולות להיות פחות מדויקות. כדאי להשתמש בסוכני נתונים במקרים שבהם נדרשת רמת דיוק גבוהה יותר.

אפשר ליצור ולנהל שיחות ב-BigQuery באמצעות מסוףGoogle Cloud . מידע נוסף זמין במאמר ניתוח נתונים באמצעות שיחות.

תמיכה ב-AI וב-ML ב-BigQuery

ניתוח נתונים בשיחה תומך בפונקציות הבאות של AI ו-ML בתגובה לצ'אטים עם סוכני נתונים ומקורות נתונים, ובשאילתות SQL מאומתות שאתם יוצרים.

כדי להריץ שאילתות של AI גנרטיבי, צריך הרשאות מתאימות.

הסוכן משתמש בפונקציה AI.SEARCH רק בטבלאות שבהן מופעלת יצירה אוטונומית של הטמעה. אחרת, הסוכן משתמש בפונקציה AI.SIMILARITY, שדורשת יצירת הטמעה בזמן אמת.

תרחישים לדוגמה

כדי להפעיל פונקציות נתמכות, משתמשים בהן באחת מהדרכים הבאות:

  • כשיוצרים סוכן ומוסיפים שאילתה מאומתת – למשל, אם אתם מדעני נתונים שמכינים דוח חוזר – אפשר להשתמש בפונקציות AI נתמכות בשאילתה מאומתת כדי לתאר ברירות מחדל ולהפוך את הדוח לאוטומטי.
  • כששואלים סוכן שאלות כלליות לגבי נתונים, בשיחה או בשאילתה מאומתת באמצעות מילות מפתח, הסוכן יוצר SQL בתגובה לשאלות.

בטבלה הבאה מוצגות דוגמאות להנחיות מדוגמה אחת שמפעילות את השימוש בפונקציות של AI או ML:

תרחיש שימוש דוגמאות לשימוש מערך נתונים ציבורי
תחזיות ‫"Predict the number of trips for the next month"‏ (תחזית של מספר הנסיעות בחודש הבא). bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
זיהוי חריגה ‫"Find outliers in trips per day for 2018 using 2017 as a baseline" (חיפוש חריגים בנתוני הנסיעות ליום בשנת 2018 בהשוואה לנתוני הבסיס משנת 2017). bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
ניתוח השפעות סיבתיות "כמה נסיעות במוניות היו ביום אחרי ההכרזה על מגפת COVID-19 ב-11 במרץ 2020". bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2020
ניתוח מגמות ‫"Analyze the long-term trend of daily trips for 2017.‎" (נתח את המגמה לטווח ארוך של נסיעות יומיות בשנת 2017). bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
ניתוח עונתיות ‫"Analyze the seasonality pattern of daily trips for 2017.‎" bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
זיהוי נקודות שינוי ‫"Detect change points in daily trips" (זיהוי נקודות שינוי בנסיעות יומיות). bigquery-public-data.san_francisco_bikeshare.bikeshare_trips
גורמים מרכזיים ‫"Identify the key drivers for changes in trip volume between 2017 and 2018." bigquery-public-data.austin_bikeshare.bikeshare_trips
ניתוח קורלציה "How does body mass correlate with flipper length, culmen length, and culmen depth?" bigquery-public-data.ml_datasets.penguins
פרופיל נתונים ‫"Profile the table to check for any data inconsistencies" (יצירת פרופיל של הטבלה כדי לבדוק אם יש חוסר עקביות בנתונים) bigquery-public-data.ml_datasets.census_adult_income
מידול חיזוי ‫"Predict the body mass of penguins" ‏(חיזוי מסת הגוף של פינגווינים) bigquery-public-data.ml_datasets.penguins
חיפוש סמנטי ‫"Find the top 5 reviews that most closely match 'tension-building psychological thriller'‎" ‏(חיפוש 5 הביקורות המובילות שהכי מתאימות לתיאור 'מותחן פסיכולוגי עם מתח הולך וגובר') bigquery-public-data.imdb.reviews
יצירת טקסט על ידי מודל שפה גדול (LLM) "לכל מאמר בקטגוריה 'ספורט', סכם את העמודה 'גוף המאמר' במשפט אחד או שניים". bigquery-public-data.bbc_news.fulltext
סינון סמנטי "בקטגוריה 'טכנולוגיה', תסנן את המאמרים כדי למצוא את אלה שדנים בפריצות דרך בתחום הבינה המלאכותית". bigquery-public-data.bbc_news.fulltext
דירוג סמנטי ‫"For the articles in the entertainment category, provide a rating indicating their degree of positive sentiment." bigquery-public-data.bbc_news.fulltext
סיווג סמנטי "תתייג כל ביקורת לפי הנושא העיקרי של המבקר: משחק, עלילה, צילום, בימוי או אחר" bigquery-public-data.imdb.reviews
צבירה סמנטית ‫"Summarize the reviews for The English Patient" ‏(סכם את הביקורות על הסרט 'הפצוע האנגלי') bigquery-public-data.imdb.reviews

תמיכה במשימות ניתוח

ניתוח שיחות תומך בניתוח של סל קניות, שנקרא גם למידה של כללי שיוך. זו שיטה שמשמשת לחשיפת דפוסי רכישה. בניתוח הזה מזוהים קשרים בין פריטים שנרכשים יחד לעיתים קרובות בעסקה אחת.

לדוגמה, אתם יכולים לשאול את השאלה הבאה בשיחה שבה הטבלה bigquery-public-data.iowa_liquor_sales.sales היא מקור נתונים:

What are the best product bundling opportunities based on data from 2025?

הניתוח השיחתי משתמש בתבניות SQL מובנות כדי להחזיר תשובה מדויקת שכוללת מדדים של מינוף, תמיכה, רמת סמך ושיפור.

תמיכה בתרשימים

ניתוח שיחות תומך בשימוש בגרף כמקור נתונים. כששואלים שאלות לגבי הגרף, הסוכן יוצר שאילתות כדי לענות עליהן. הסוכנים יכולים להשתמש ב תיאורים ובמילים נרדפות שאתם מגדירים בתוויות ובמאפיינים של הגרף כדי לשפר את איכות התוצאות. סוכנים יכולים גם להשתמש במדדים שמוגדרים בתרשים כדי לבצע צבירה רב-רמתית. אם התשובה כוללת נתיבי גרף, יוצגו ויזואליזציות של הגרף.

בהתאם לסכימת הגרף ולשאלה ששואלים, הסוכן שולח שאילתה לגרף באמצעות Graph Query Language‏ (GQL) או באמצעות פונקציית הערך של הטבלה GRAPH_EXPAND ב-SQL. כדי להריץ שאילתות GQL צריך הזמנה של מהדורות BigQuery Enterprise או Enterprise Plus. בפרויקטים עם תמחור לפי דרישה, שאילתות GQL נכשלות עם שגיאה. אפשר להריץ שאילתות שמכילות את הפונקציה GRAPH_EXPAND באמצעות תמחור על פי דרישה, אבל הפונקציה לא תומכת בכל סוגי הגרפים. לדרישות ולמגבלות, אפשר לעיין במאמר בנושא GRAPH_EXPAND.

לדוגמה, אפשר להשתמש בסוכן לדוגמה Look Graph בדף Agents ב-BigQuery כדי לשאול שאלות דומות לשאלות הבאות לגבי הגרף bigquery-public-data.thelook_ecommerce.graph:

  • Which product is most popular among 25-year-olds?
  • Show me the connection between bow tie orders and distribution centers

אבטחה

אפשר לנהל את הגישה לניתוח נתוני השיחות ב-BigQuery באמצעות תפקידים והרשאות של IAM ב-Conversational Analytics API. מידע על התפקידים הנדרשים לפעולות ספציפיות זמין במאמרים בנושא התפקידים הנדרשים של סוכן הנתונים והתפקידים הנדרשים של השיחה.

ניתוח שיחות כולל את אמצעי האבטחה הבאים:

  • הוא יכול לגשת רק לנתונים ולמשאבים שיש לכם הרשאה לגשת אליהם.
  • הוא פועל בהתאם לאמצעי האבטחה של VPC-SC.
  • הוא לא יכול לבצע פעולות כתיבה ולא יכול להריץ שאילתות DML.
  • הוא לא יכול להפעיל פונקציות מרחוק.
  • הוא יכול לגשת רק למקורות מידע שאתם בוחרים באופן מפורש.
  • היסטוריית השיחות משותפת רק איתכם. אי אפשר לשתף אותו עם משתמשים אחרים.
  • כשיוצרים סוכן נתונים, צריך להיות לכם גישה לשליחת שאילתות לכל מקור ידע שאתם מוסיפים.

מיקומים

ניתוח שיחות תומך בשלושה מיקומים שקובעים את האחסון של משאבי הסוכן והשיחה, ואת המיקום שמשמש לעיבוד נתוני למידת מכונה:

  • מספר אזורים בארה"ב
  • מספר אזורים באיחוד האירופי
  • עולמי

ההתנהגויות הבאות מוגדרות כברירת מחדל כשיוצרים סוכנים ושיחות:

  • אם כל מקורות הידע שלכם מגיעים מאזורים בארה"ב, אז נעשה שימוש ב-MREP בארה"ב.
  • אם כל מקורות הידע שלכם מגיעים מאזורים באיחוד האירופי, המערכת משתמשת ב-MREP באיחוד האירופי.
  • אחרת, נעשה שימוש במיקום הגלובלי.

כשיוצרים סוכן, אפשר לבחור מיקום אחר. אחרי ששומרים את הסוכן, אי אפשר לשנות את המיקום שלו.

סוכנים שנוצרו לפני 4 ביוני 2026 נמצאים במיקום הגלובלי.

תמחור

החיוב על שאילתות שמופעלות כשיוצרים סוכני נתונים ומנהלים שיחות עם סוכני נתונים או עם מקורות נתונים הוא לפי תמחור של BigQuery Compute. מידע נוסף זמין במאמר בנושא תמחור של סוכנים.

שיטות מומלצות

כדאי לפעול לפי השיטות המומלצות הבאות כשעובדים עם ניתוח שיחות:

  • לפני שמוסיפים את הטבלאות כמקורות נתונים, מבצעים ניקוי נתונים בטבלאות.

  • אפשר לאחד טבלאות קשורות בתצוגה ולהשתמש בתצוגה הזו כמקור נתונים, במקום להסתמך על הסוכן שיקבע את הדרך הנכונה לאיחוד הנתונים.

  • מריצים סריקות של פרופילים על הנתונים.

  • הגדרת ההיקף של הסוכנים. לסוכנים עם היקף רחב יכולים להיות סתירות בהוראות, פלט מעורפל וביצועים לא עקביים. אם הסוכן שלכם צריך יותר מ-20 מקורות נתונים, אם הוא נמצא בשימוש של צוותים שמוגדרים בהם מדדים שונים, או אם הוא נותן עדיפות לסוג אחד של תוצאות על חשבון סוג אחר, כדאי ליצור סוכנים נוספים.

  • מספקים הקשר לסוכן. הסדר שבו כדאי לתת עדיפות לסוגי ההקשר הוא:

    1. שאילתות מאומתות. שאילתת SQL דטרמיניסטית שמופעלת כשהיא תואמת להנחיה של המשתמש.
    2. מילוני מונחים. הגדרות של מונחים שמקשרים עמודות להקשר סמנטי.
    3. הוראות לסוכן. הגדרות וכללים גלובליים שכתובים בשפה טבעית, כמו הגדרות של לוח שנה פיסקלי או כללי עיצוב.

  • מוסיפים תיאורים לטבלאות ולעמודות.

  • אל תשכפלו הגדרות של מונחים במילון המונחים של Knowledge Catalog ובמילון המונחים המותאם אישית של BigQuery.

  • כדי לנהל את העלויות של הסוכנים, אפשר להגדיר מגבלות הוצאות ברמת הפרויקט, ברמת המשתמש וברמת השאילתה.

  • איך שואלים שאלות יעילות בשיחות.

  • הסבר על שמירה ומחיקה של נתונים בשיחות עם סוכני נתונים.

מגבלות

אפשר להוסיף עד 100 מקורות ידע לסוכן.

מידע נוסף על מגבלות בנושא שאילתות, שיחות, נתונים והדמיות זמין במאמר מגבלות ידועות של Conversational Analytics API.

מכסת נפח משותפת דינמית

מכסת השימוש הדינמית המשותפת (DSQ) ב-Gemini Enterprise Agent Platform מנהלת את הקיבולת של מודל Gemini. בניגוד למכסות רגילות, DSQ מאפשרת לכם לגשת למאגר גדול של משאבים משותפים בלי הגבלה קבועה לכל פרויקט על תפוקת המודל.

הביצועים, כמו זמן האחזור, עשויים להשתנות בהתאם לעומס הכולל של המערכת. בזמנים של ביקוש גבוה במאגר המשותף, יכול להיות שתיתקלו מדי פעם בשגיאות זמניות של 429 Resource Exhausted. השגיאות האלה מצביעות על כך שהקיבולת של המאגר המשותף מוגבלת באופן זמני, אבל לא על כך שהגעתם למגבלת מכסה ספציפית בפרויקט. כדי לבדוק את הקיבולת, צריך לנסות לשלוח שוב את הבקשה אחרי השהיה קצרה.

זיהוי וניתוח של שאילתות שנוצרו על ידי סוכנים

עבודות BigQuery שמורצות על ידי סוכן נתונים כוללות תוויות ספציפיות. התוויות האלה מאפשרות לכם לזהות, לסנן ולנתח את המשימות של הסוכן.

אפשר להשתמש בתוויות האלה למשימות הבאות:

זיהוי תוויות של סוכני נתונים

‫BigQuery מוסיף תוויות למשימות שמופעלות על ידי ניתוח נתוני השיחות. התוויות האלה נכללות במגבלת 64 התוויות במשאב המשרה. כדי לקבל את התווית לסינון ולניתוח אחר, אפשר לראות את התווית במסוףGoogle Cloud . אפשר גם להחיל תוויות בהתאמה אישית על סוכן הנתונים. אי אפשר להשתמש בתוויות מותאמות אישית כדי לבטל את התוויות שנוצרו על ידי המערכת.

כדי לראות את התוויות של סוכן נתונים:

  1. במסוף Google Cloud , מעיינים בפרטי המשימה.

  2. בחלונית Query job details (פרטי עבודת השאילתה), מאתרים את הקטע Labels (תוויות) ומחפשים את התוויות הבאות:

    • ‫ca-bq-job: true מציין שהפעלתם את העבודה באמצעות ניתוח שיחות.
    • הסמל data-agent-id: DATA_AGENT_ID מציין שהסוכן לנתונים הפעיל את העבודה. הערך הוא קטע מזהה המשאב שחולץ משם המשאב של סוכן הנתונים.
    • ‫conversation-id: CONVERSATION_ID מציין שהמשרה משויכת לשיחה. הערך הוא פלח המזהה שחולץ משם משאב השיחה.

ניתוח משרות שנוצרו על ידי סוכנים

אפשר להשתמש בתווית כדי לנתח את המשימות שנוצרו על ידי הסוכן. לדוגמה, כדי לבדוק כמה משימות הופעלו על ידי סוכן נתונים, מריצים את השאילתה הבאה על התצוגה INFORMATION_SCHEMA.JOBS:

SELECT
  COUNT(*) AS job_count
FROM
  `PROJECT_ID`.`region-REGION`.INFORMATION_SCHEMA.JOBS
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(labels) AS label
    WHERE label.key = 'ca-bq-job' AND label.value = 'true'
  );

מחליפים את מה שכתוב בשדות הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
  • ‫REGION: האזור שבו המשימות פועלות (לדוגמה, us או eu).

המאמרים הבאים