Melakukan Percakapan dengan Data Anda menggunakan Agen BigQuery & Antigravity IDE

1. Ringkasan

Mari kita luangkan waktu sejenak untuk melihat arsitektur besar yang telah kita bangun selama empat bagian terakhir:

Bagian 1: Kami menggunakan BigQuery Knowledge Catalog untuk mengubah PDF resep Froyo mentah menjadi tabel relasional terstruktur.

Bagian 2: Kami membangun jembatan transaksional Zero-ETL, yang menggabungkan gudang BigQuery kami langsung ke AlloyDB.

Bagian 3: Kita mengatur aplikasi Multi-Agen (FroyoOS) menggunakan Agent Development Kit dan MCP Toolbox.

Bagian 4: Kami membuktikan bahwa agen kami aman untuk produksi dengan membangun Pipeline Evaluasi jalur ganda.

Operasi kami berjalan dengan sempurna. Namun, bagaimana dengan developer dan analis bisnis yang perlu memahami data dalam jumlah besar yang dihasilkan oleh sistem ini?

Hari ini, kita akan menjelajahi masa depan analisis. Kita akan mulai langsung di dalam editor kode Antigravity IDE dengan Google Cloud Data Agent Kit, lalu beralih ke Konsol Google Cloud untuk memvisualisasikan data menggunakan BigQuery Conversational Analytics.

Mulai membangun.

Yang akan Anda pelajari

Dalam codelab terakhir dari seri Agentic Data Cloud ini, Anda akan menggabungkan semua bagian arsitektur untuk memberikan insight bisnis yang dapat ditindaklanjuti. Anda akan mempelajari:

• Analisis yang Mengutamakan IDE: Cara menginstal dan mengonfigurasi ANTIGRAVITY IDE dan Google Cloud Data Agent Kit untuk membuat kueri arsitektur Anda langsung dari lingkungan pengembangan Anda.
• BigQuery Percakapan: Cara membuat, mengonfigurasi, dan menginstruksikan Agen Data BigQuery untuk mengotomatiskan tugas SQL yang kompleks dan perkiraan menggunakan bahasa alami.
• Demokratisasi Data: Cara memublikasikan agen Anda ke perusahaan, sehingga dapat diakses oleh analis dan pengguna bisnis di seluruh organisasi.
• Memvisualisasikan Insight: Cara mengintegrasikan analisis percakapan agen Anda dengan lancar ke Data Studio untuk membuat dasbor dinamis yang siap untuk prakiraan.
• Ekosistem Agentic Data Cloud: Cara mengartikulasikan nilai arsitektur end-to-end Anda — dari data mentah tidak terstruktur di Bagian 1 hingga dasbor yang siap digunakan oleh eksekutif di Bagian 5.

Persyaratan

• Browser, seperti Chrome atau Firefox.
• Project Google Cloud yang mengaktifkan penagihan.
• Pemahaman dasar tentang SQL.

2. Sebelum memulai

Membuat project

1. Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
2. Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project.

Anda dapat menyelesaikan sebagian besar codelab ini tanpa membuat Akun Penagihan. Hanya Agen Percakapan BigQuery (bagian terakhir codelab) yang memerlukan akun penagihan.

3. Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud. Klik Activate Cloud Shell di bagian atas konsol Google Cloud.

4. Setelah terhubung ke Cloud Shell, Anda dapat memeriksa bahwa Anda sudah diautentikasi dan project sudah ditetapkan ke project ID Anda menggunakan perintah berikut:

gcloud auth list

5. Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.

gcloud config list project

6. Jika Anda ingin melakukan autentikasi

gcloud auth login

7. Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project <YOUR_PROJECT_ID>

8. Aktifkan API yang diperlukan: Jalankan perintah ini untuk mengaktifkan semua API yang diperlukan:

gcloud services enable \
  alloydb.googleapis.com \
  bigquery.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  iam.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com \
  servicenetworking.googleapis.com \ 
  aiplatform.googleapis.com

9. Pastikan Anda telah menyelesaikan lab bagian 1, bagian 2, dan bagian 3 sebagai persiapan untuk lab ini:

Penting: Jika Anda belum membaca bagian 1, sekarang adalah waktu yang tepat untuk melakukannya. Data ini penting untuk beberapa analisis dan insight yang kami ekstrak dalam lab ini.*

3. Memperluas Data Warehouse

Ingat tabel BigQuery yang kita buat dari data tidak terstruktur?

Untuk melakukan analisis yang bermakna, kita memerlukan data transaksi historis. Di BigQuery, di bagian set data froyo_data, mari kita buat tiga tabel baru untuk menyimulasikan operasi waralaba selama bertahun-tahun:

1. froyo_data.orders: Header pesanan historis (Tanggal, ID Toko, Total)
2. froyo_data.order_items: Detail item baris (Jumlah, Harga)
3. froyo_data.customer_allergen_data: Tabel CRM yang melacak alergi yang diketahui dari pelanggan setia kami

Mari tambahkan tabel terkait penjualan dan pelanggan ini ke set data tersebut sebagai persiapan untuk kasus penggunaan analisis kita.

1. Buka Cloud Shell Terminal dari Konsol Google Cloud Anda.
2. Buka folder root ruang kerja Anda atau folder root project froyo-data (yang telah kita kerjakan selama beberapa bagian terakhir dalam seri ini).
3. Download 3 file data historis (dalam file csv) ke direktori kerja Anda dengan menjalankan perintah berikut satu per satu:

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/customer_allergen_data.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/order_items.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/orders.csv

4. Setelah melihat file tersebut di root direktori kerja, buka Terminal Cloud Shell dengan beralih ke terminal.
5. Buka direktori tempat Anda menyimpan 3 file ini di Cloud Shell Terminal.
6. Pastikan BigQuery Anda memiliki set data bernama "froyo_data" dari bagian 1 seri ini (jika tidak, kembali dan buat set data dan tabel).
7. Jalankan perintah berikut dari Terminal Cloud Shell:

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.orders \
  ./orders.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.order_items \
  ./order_items.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.customer_allergen_data \
  ./customer_allergen_data.csv

Tindakan ini akan membuat 3 tabel tambahan dalam set data froyo_data Anda.

4. Pengalaman Developer — Masuk ke "Data Agent Kit"

Biasanya, jika developer ingin menganalisis data atau menulis kueri machine learning yang kompleks, mereka harus terus beralih konteks antara IDE, konsol database, dan dokumentasi.

Jangan khawatir. Dengan ekstensi Google Cloud Data Agent Kit yang baru diluncurkan, IDE Anda akan menjadi pusat data yang andal.

IDE ANTIGRAVITASI

ANTIGRAVITY IDE adalah lingkungan pengembangan berbasis agen generasi berikutnya dari Google yang dirancang khusus untuk era AI. Platform ini mengintegrasikan jendela konteks multi-modal yang besar dan penggunaan alat otonom secara langsung ke dalam editor, sehingga memungkinkan developer mengorkestrasi resource cloud dan mengorkestrasi pipeline data yang kompleks tanpa harus keluar dari kode mereka.

Menyiapkan ANTIGRAVITY IDE

1. Download IDE: Buka antigravity.google dan download Antigravity IDE untuk sistem operasi Anda (Windows, macOS, atau Linux).
2. Instal dan Luncurkan: Jalankan penginstal dan buka aplikasi.

3. Klik lanjutkan dengan Google, pilih akun Gmail Anda, dan berikan otorisasi.
4. Setelah login, buat folder kerja (ruang kerja/ project). Mari kita sebut "Agent Data Cloud".

Project tersebut akan muncul dalam daftar "Project" di sebelah kiri:

5. Mulai percakapan awal dengan agen — "halo".
6. Di pojok kanan atas, perhatikan tombol Open IDE.

Namun, sebelum dapat mengkliknya, Anda harus menginstal Antigravity IDE. Buka halaman antigravity.google/download, lalu scroll ke bawah ke bagian Antigravity IDE, download varian yang Anda butuhkan.

Setelah didownload, kembali ke instance Antigravity yang terbuka dan klik tombol Open IDE di sudut kanan atas.

7. Anda akan melihat jendela pop-up tentang izin, lanjutkan untuk membukanya.

Di sisi kanan, Anda akan melihat panel agen di sebelah kiri, penjelajah project di tengah, dan ruang untuk pengembangan Anda.

Menyiapkan Ekstensi Data Agent Kit

1. Instal Ekstensi: Buka marketplace Ekstensi di dalam ANTIGRAVITY IDE. Cari dan instal ekstensi Google Cloud Data Agent Kit.
2. Klik tombol Instal dan setelah selesai, Anda akan dapat melihat ekstensi tersebut di panel navigasi.

3. Klik opsi tersebut untuk membuka penjelajah Google Cloud Data Agent Kit, buka bagian SETTINGS, lalu klik Settings. Masukkan detail project dan region Anda di sana, lalu simpan.

4. Sekarang klik Project Explorer di bagian atas panel Navigation. Tindakan ini akan membuka penjelajah project Anda di panel penjelajah.
5. Klik kanan ruang penjelajah dan buat file baru bernama " GEMINI.md".

6. Tempelkan kode berikut di GEMINI.md (Jangan lupa untuk mengganti <<YOUR_PROJECT_ID>> dengan nilai Anda):

## 1. Project Context
- **Project ID**: <<YOUR_PROJECT_ID>>
- **Domain**: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
- **Data**: All froyo, customer, order related information is processed and stored in BigQuery `froyo_data` dataset.

## 2. Execution & Data Processing Rules
- **CRITICAL RULE - Structured Specs**: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named `froyo_data`.
- **CRITICAL RULE - Customer Data**: Existing Froyo customer data resides in BigQuery in the tables `customers_allergen_data`. 
- ** CRITICAL RULE - Sales Data**: Sales data is present in tables `orders` and `order_items`.
- ** CRITICAL RULE - General: When you are referencing a dataset, ensure you are using it with the dataset ID (`froyo_data`) . For example, to query orders table in this dataset you should use `froyo_data.orders`.

Sekarang, Anda memiliki agen AI yang sangat mumpuni dan terintegrasi langsung di IDE Anda, siap menulis kode, membuat SQL, dan menganalisis arsitektur Anda.

Sekarang kita memiliki tantangan analisis yang menarik: Dapatkah kita mengorelasikan penjualan historis kita dengan data alergen kompleks yang disimpulkan yang kita ekstrak dari PDF di Bagian 1?

5. Menyimpulkan Kecerdasan melalui Agen IDE

Minta Agen IDE kita untuk melakukan tugas berat. Buka jendela chat Agent Data Kit langsung di dalam ANTIGRAVITY IDE Anda dan berikan perintah berikut:

Does Midnight Swirl contain any allergen?

Aplikasi akan meminta serangkaian izin, berikan izin yang sesuai.

Terakhir, aplikasi akan mengambil respons untuk Anda di akhir analisisnya:

Hore!!! Item Midnight Swirl telah diidentifikasi dengan benar mengandung Soy.

Sekarang, mari kita ajukan pertanyaan yang sedikit lebih kompleks. Kirim perintah berikut di Antigravity IDE:

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

Respons:

Anda dapat melanjutkan. Coba perintah seperti:

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

Tanpa perlu mencari sintaksis BQML, Agent Data Kit akan memasukkan kode CREATE MODEL dan ML.FORECAST yang tepat ke dalam editor Anda. Dapat menjalankan ini secara langsung terhadap lingkungan BigQuery Anda tanpa harus keluar dari ANTIGRAVITY IDE.

Luar biasa!!!

6. Analisis Percakapan di BigQuery

Meskipun developer menyukai IDE, pengguna bisnis dan eksekutif lebih sering menggunakan konsol cloud. Mereka tidak ingin melihat SQL, mereka hanya ingin jawaban.

Mari kita mulai:

1. Memberi diri Anda sendiri peran yang diperlukan

Buka halaman IAM project dan berikan peran Gemini Data Analytics Data Agent Owner kepada diri Anda:

Peran ini memberi Anda izin untuk membuat, mengedit, membagikan, dan menghapus semua agen data dalam project.

2. Mengaktifkan API yang diperlukan

Buka BigQuery di Konsol Google Cloud. Gunakan menu navigasi sidebar atau menu penelusuran di bagian atas halaman untuk membuka BigQuery > Agen.

Klik Aktifkan Data Analytics API dengan Gemini:

Aktifkan Gemini in BigQuery API dan Gemini for Google Cloud API:

Anda akan melihat halaman agen baru:

3. Mengonfigurasi Informasi Agen

Agent Name: Froyo Agent

Deskripsi Agen: Membantu menjawab pertanyaan terkait produk froyo, alergen, bahan, resep, pelanggan,pesanan,dan penjualan.

4. Buka bagian Sumber Pengetahuan, lalu pilih semua tabel di bawah dari set data Anda:

a. Tambahkan tabel dalam gambar di atas, lalu klik Tambahkan Sumber.

b. Untuk setiap sumber, klik tombol sesuaikan di sebelah kanan. Anda akan melihat formulir di bawah ini:

c. Klik "Terima" untuk deskripsi tabel.

d. Klik "Terima" untuk setiap deskripsi kolom juga.

e. Klik Perbarui.

Anda harus mengulangi langkah ini untuk semua tabel di sumber.

5. Petunjuk Konfigurasi

Masukkan petunjuk yang sama yang kita gunakan di Antigravity IDE GEMINI.md di sini:

1. Project Context
Project ID: <<YOUR_PROJECT_ID>>
Domain: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
Data: All froyo, customer, order related information is processed and stored in BigQuery froyo_data dataset. Use all the tables and data in the dataset for querying for user questions.
Context: Use Data Agent Kit skills wherever possible.
2. Execution & Data Processing Rules
CRITICAL RULE - Structured Specs: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named froyo_data.
CRITICAL RULE - Customer Data: Existing Froyo customer data resides in BigQuery in the tables customers_allergen_data. When you are referencing a dataset, ensure you are using it with the dataset ID (froyo_data) . For example, to query orders table in this dataset you should use froyo_data.orders.

6. Simpan agen Anda.

7. Mulai Chat dengan Data Anda

7. Uji di bagian pratinjau sisi kanan:

Ajukan pertanyaan Anda:

Does midnight swirl contain any allergen?

Berikut responsnya:

Sekarang mari kita ajukan pertanyaan yang rumit:

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

Respons:

Sekarang, mari kita coba perintah insight mendalam:

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

Anda dapat melihat bahwa kueri yang digunakan ditampilkan, dengan hasil tabel beserta diagram:

Wow! Jadi, hal itu berjalan dengan baik dengan diagram dan insight. Saatnya mengajukan pertanyaan penting untuk produk.

8. Ujian Terakhir

Ajukan pertanyaan:

What will be the top most selling product of 2026

Lihat insight terakhir itu. Agen Data BigQuery tidak hanya memberi kami angka; agen tersebut secara eksplisit mengaitkan perkiraan penjualan kembali ke inventaris dan rantai pasokan bahan kami — data persis yang kami ekstrak dari PDF yang berantakan di Bagian 1.

9. Memublikasikan Agen Anda ke Perusahaan

Klik tombol Publikasikan di bagian atas agen pratinjau.

Setelah kita membangun, mengonfigurasi, dan menguji Agen Froyo, sekarang saatnya merilisnya ke seluruh bisnis.

Di pojok kanan atas halaman konfigurasi Agen, klik tombol Publikasikan.

Dengan memublikasikan, agen Anda akan langsung tersedia di tiga saluran perusahaan yang efektif untuk Anda dan siapa pun yang Anda ajak berbagi agen tersebut:

1. BigQuery: Analis data Anda kini dapat memulai percakapan dengan agen ini langsung dari hub Agen atau tepat di dalam ruang kerja SQL BigQuery Studio mereka.
2. Conversational Analytics API: Developer Anda dapat mengakses agen ini melalui REST API, sehingga mereka dapat mengintegrasikan analisis percakapan ini ke dalam aplikasi web internal kustom Anda sendiri.
3. Data Studio: Eksekutif Anda dapat berinteraksi dengan agen ini dan membuat dasbor percakapan dinamis langsung di dalam Data Studio.

Kami telah berhasil mengeluarkan data kami dari silo dan menempatkannya langsung ke tangan orang-orang yang membutuhkannya, tepat di tempat mereka bekerja.

Klik drop-down tombol Bagikan di bagian atas Agen BigQuery yang dipublikasikan dan pilih opsi "Salin Link ke agen di Data Studio" dari daftar:

Tempelkan link tersebut di browser Anda, lalu tekan enter. Memberikan konfirmasi untuk pemberitahuan akses interaksi agen:

Anda dapat memulai percakapan dan visualisasi interaktif dengan agen yang baru dipublikasikan dari Data Studio, begitu juga dengan tim kepemimpinan dan tim lain yang memerlukan informasi ini.

10. Pembersihan

Setelah lab ini selesai, jangan lupa untuk menghapus izin semua pengguna untuk Agen BigQuery yang baru saja Anda buat.

11. Selamat!

Anda telah resmi membangun Agentic Data Cloud.

Anda tidak hanya membuat chatbot sederhana. Selama lima sesi ini, Anda telah berhasil merancang sistem AI perusahaan yang lengkap, modern, dan dievaluasi dari awal. Anda telah beralih dari "data gelap" ke intelijen transaksional real-time, dan akhirnya ke perkiraan bisnis percakapan.

12. Gambaran Lengkap

Mari kita lihat kembali apa yang telah kita capai dalam seri ini. Kami tidak hanya membuat chatbot sederhana. Kami merancang Agentic Data Cloud yang lengkap dan modern:

Bagian 1: Membuka data gelap dengan mengubah PDF menjadi tabel relasional terstruktur menggunakan Knowledge Catalog.

Bagian 2: Memecah silo data dengan memfederasikan gudang analisis kami langsung ke database transaksional AlloyDB.

Bagian 3: Memberdayakan pengguna dengan membangun Multi-Agent OS yang mengeksekusi alat database yang aman dengan lancar melalui protokol MCP

Bagian 4: Memastikan keamanan dengan menerapkan pipeline Evaluasi yang ketat untuk mendeteksi halusinasi dan pelarian dari batasan.

Bagian 5: Insight yang dapat diakses semua orang menggunakan ANTIGRAVITY IDE dan Analisis Percakapan di BigQuery.

Inilah masa depan software perusahaan. Agen AI bukan lagi sekadar lapisan terluar di sekitar LLM. Mesin ini adalah mesin orkestrasi yang terintegrasi sepenuhnya, dievaluasi, dan aman yang berada di atas platform data terpadu.