แชทกับข้อมูลโดยใช้ Agent ของ BigQuery และ Antigravity IDE

1. ภาพรวม

มาดูสถาปัตยกรรมขนาดใหญ่ที่เราสร้างขึ้นในช่วง 4 ส่วนที่ผ่านมากัน

ส่วนที่ 1: เราใช้แคตตาล็อกความรู้ของ BigQuery เพื่อเปลี่ยน PDF สูตร Froyo ดิบให้เป็นตารางเชิงสัมพันธ์ที่มีโครงสร้าง

ส่วนที่ 2: เราสร้างบริดจ์ธุรกรรมแบบ Zero-ETL ซึ่งรวมคลังข้อมูล BigQuery เข้ากับ AlloyDB โดยตรง

ส่วนที่ 3: เราจัดระเบียบแอปพลิเคชัน Multi-Agent (FroyoOS) โดยใช้ Agent Development Kit และ MCP Toolbox

ส่วนที่ 4: เราพิสูจน์ว่าเอเจนต์ของเราปลอดภัยสำหรับการใช้งานจริงด้วยการสร้างไปป์ไลน์การประเมินแบบ 2 เส้นทาง

การดำเนินงานของเราเป็นไปอย่างราบรื่น แต่สำหรับนักพัฒนาซอฟต์แวร์และนักวิเคราะห์ธุรกิจที่ต้องการทำความเข้าใจข้อมูลจำนวนมหาศาลที่ระบบนี้สร้างขึ้นล่ะ

วันนี้เราจะมาสำรวจอนาคตของการวิเคราะห์ เราจะเริ่มต้นภายในตัวแก้ไขโค้ด Antigravity IDE ด้วย Google Cloud Data Agent Kit จากนั้นย้ายไปที่คอนโซล Google Cloud เพื่อแสดงภาพข้อมูลโดยใช้ BigQuery Conversational Analytics

มาเริ่มสร้างกันเลย

สิ่งที่คุณจะได้เรียนรู้

ใน Codelab สุดท้ายของชุดAgentic Data Cloud นี้ คุณจะนำชิ้นส่วนทั้งหมดของสถาปัตยกรรมมารวมกันเพื่อส่งมอบข้อมูลเชิงลึกทางธุรกิจที่นำไปใช้ได้จริง คุณจะได้เรียนรู้:

• Analytics ที่เน้น IDE เป็นอันดับแรก: วิธีติดตั้งและกําหนดค่า ANTIGRAVITY IDE และ Google Cloud Data Agent Kit เพื่อค้นหาสถาปัตยกรรมโดยตรงจากสภาพแวดล้อมในการพัฒนาซอฟต์แวร์
• BigQuery แบบสนทนา: วิธีสร้าง กำหนดค่า และสั่งให้เอเจนต์ข้อมูล BigQuery ทำงาน SQL ที่ซับซ้อนโดยอัตโนมัติและคาดการณ์โดยใช้ภาษาธรรมชาติ
• การกระจายข้อมูล: วิธีเผยแพร่เอเจนต์ไปยังองค์กรเพื่อให้ผู้ใช้ที่เป็นนักวิเคราะห์และผู้ใช้ทางธุรกิจทั่วทั้งองค์กรเข้าถึงได้
• การแสดงข้อมูลเชิงลึกด้วยภาพ: วิธีผสานรวมข้อมูลวิเคราะห์การสนทนาของตัวแทนเข้ากับ Data Studio อย่างราบรื่นเพื่อสร้างแดชบอร์ดแบบไดนามิกที่พร้อมสำหรับการคาดการณ์
• ระบบนิเวศของ Agentic Data Cloud: วิธีอธิบายคุณค่าของสถาปัตยกรรมแบบครบวงจร ตั้งแต่ข้อมูลดิบที่ไม่มีโครงสร้างในส่วนที่ 1 ไปจนถึงแดชบอร์ดที่พร้อมสำหรับผู้บริหารในส่วนที่ 5

ข้อกำหนด

• เบราว์เซอร์ เช่น Chrome หรือ Firefox
• โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
• คุ้นเคยกับ SQL ในระดับพื้นฐาน

2. ก่อนเริ่มต้น

สร้างโปรเจ็กต์

1. ในคอนโซล Google Cloud ให้เลือกหรือสร้างโปรเจ็กต์ Google Cloud ในหน้าตัวเลือกโปรเจ็กต์
2. ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว ดูวิธีตรวจสอบว่าโปรเจ็กต์เปิดใช้การเรียกเก็บเงินหรือไม่

คุณจะทำตาม Codelab นี้ส่วนใหญ่ได้โดยไม่ต้องสร้างบัญชีสำหรับการเรียกเก็บเงิน เฉพาะเอเจนต์การสนทนาของ BigQuery (ส่วนสุดท้ายของโค้ดแล็บ) เท่านั้นที่ต้องใช้บัญชีสำหรับการเรียกเก็บเงิน

3. คุณจะใช้ Cloud Shell ซึ่งเป็นสภาพแวดล้อมบรรทัดคำสั่งที่ทำงานใน Google Cloud คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของคอนโซล Google Cloud

4. เมื่อเชื่อมต่อกับ Cloud Shell แล้ว ให้ตรวจสอบว่าคุณได้รับการตรวจสอบสิทธิ์แล้วและตั้งค่าโปรเจ็กต์เป็นรหัสโปรเจ็กต์โดยใช้คำสั่งต่อไปนี้

gcloud auth list

5. เรียกใช้คำสั่งต่อไปนี้ใน Cloud Shell เพื่อยืนยันว่าคำสั่ง gcloud รู้จักโปรเจ็กต์ของคุณ

gcloud config list project

6. หากต้องการตรวจสอบสิทธิ์

gcloud auth login

7. หากไม่ได้ตั้งค่าโปรเจ็กต์ ให้ใช้คำสั่งต่อไปนี้เพื่อตั้งค่า

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

8. เปิดใช้ API ที่จำเป็น: เรียกใช้คำสั่งนี้เพื่อเปิดใช้ API ที่จำเป็นทั้งหมด

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. โปรดตรวจสอบว่าคุณได้ทําแล็บส่วนที่ 1 ส่วนที่ 2 และส่วนที่ 3 เรียบร้อยแล้วเพื่อเตรียมพร้อมสําหรับสิ่งต่อไปนี้

สำคัญ: หากคุณยังไม่ได้ทำส่วนที่ 1 ตอนนี้เป็นเวลาที่เหมาะสมที่จะทำ ข้อมูลนี้มีความสําคัญต่อการวิเคราะห์และข้อมูลเชิงลึกบางอย่างที่เราดึงออกมาในแล็บนี้*

3. การขยายคลังข้อมูล

คุณยังจำตาราง BigQuery ที่เราสร้างจากข้อมูลที่ไม่มีโครงสร้างได้ไหม

เราต้องมีข้อมูลธุรกรรมที่ผ่านมาเพื่อทำการวิเคราะห์ที่มีความหมาย ใน BigQuery ภายใต้ชุดข้อมูล froyo_data ให้สร้างตารางใหม่ 3 ตารางเพื่อจำลองการดำเนินงานของแฟรนไชส์เป็นเวลาหลายปี

1. froyo_data.orders: ส่วนหัวของคำสั่งซื้อย้อนหลัง (วันที่, รหัสร้านค้า, ยอดรวม)
2. froyo_data.order_items: รายละเอียดรายการสินค้า (จำนวน ราคา)
3. froyo_data.customer_allergen_data: ตาราง CRM ที่ติดตามการแพ้ที่ทราบของลูกค้าประจำ

มาเพิ่มตารางที่เกี่ยวข้องกับยอดขายและลูกค้าเหล่านี้ลงในชุดข้อมูลนั้นเพื่อเตรียมพร้อมสำหรับกรณีการใช้งานการวิเคราะห์กัน

1. ไปที่เทอร์มินัล Cloud Shell จากคอนโซล Google Cloud
2. ไปที่โฟลเดอร์รูทของพื้นที่ทำงานหรือโฟลเดอร์รูทของโปรเจ็กต์ froyo-data (ที่เราใช้ใน 2 ตอนที่ผ่านมาของซีรีส์นี้)
3. ดาวน์โหลดไฟล์ข้อมูลย้อนหลัง 3 ไฟล์ (ในไฟล์ CSV) ลงในไดเรกทอรีการทำงานโดยเรียกใช้คำสั่งต่อไปนี้ทีละรายการ

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. เมื่อเห็นไฟล์เหล่านั้นในรูทของไดเรกทอรีการทำงานแล้ว ให้ไปที่เทอร์มินัล Cloud Shell โดยสลับไปที่เทอร์มินัล
5. ไปที่ไดเรกทอรีที่มีไฟล์ทั้ง 3 นี้ในเทอร์มินัล Cloud Shell
6. ตรวจสอบว่า BigQuery มีชุดข้อมูลชื่อ "froyo_data" จากส่วนที่ 1 ของชุดข้อมูลนี้ (หากไม่มี ให้ย้อนกลับไปสร้างชุดข้อมูลและตาราง)
7. เรียกใช้คำสั่งต่อไปนี้จากเทอร์มินัล 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

ซึ่งควรสร้างตารางเพิ่มเติม 3 ตารางในชุดข้อมูล froyo_data

4. ประสบการณ์การใช้งานของนักพัฒนาแอป - เข้าสู่ "ชุดเครื่องมือตัวแทนข้อมูล"

โดยปกติแล้ว หากนักพัฒนาซอฟต์แวร์ต้องการวิเคราะห์ข้อมูลหรือเขียนการค้นหาแมชชีนเลิร์นนิงที่ซับซ้อน ก็จะต้องสลับบริบทระหว่าง IDE, คอนโซลฐานข้อมูล และเอกสารประกอบอยู่ตลอดเวลา

ปัญหานี้จะหมดไป ส่วนขยาย Google Cloud Data Agent Kit ที่เพิ่งเปิดตัวจะเปลี่ยน IDE ให้เป็นแหล่งข้อมูลที่ทรงพลัง

ANTIGRAVITY IDE

ANTIGRAVITY IDE คือสภาพแวดล้อมในการพัฒนาซอฟต์แวร์ที่เน้นเอเจนต์เป็นหลักรุ่นถัดไปของ Google ซึ่งออกแบบมาสำหรับยุค AI โดยเฉพาะ โดยจะผสานรวมหน้าต่างบริบทแบบมัลติโมดัลขนาดใหญ่และการใช้เครื่องมือแบบอัตโนมัติเข้ากับโปรแกรมแก้ไขโดยตรง ซึ่งช่วยให้นักพัฒนาซอฟต์แวร์สามารถจัดสรรทรัพยากรระบบคลาวด์และจัดสรรไปป์ไลน์ข้อมูลที่ซับซ้อนได้โดยไม่ต้องออกจากโค้ด

การตั้งค่า ANTIGRAVITY IDE

1. ดาวน์โหลด IDE: ไปที่ antigravity.google แล้วดาวน์โหลด Antigravity IDE สำหรับระบบปฏิบัติการของคุณ (Windows, macOS หรือ Linux)
2. ติดตั้งและเปิดใช้: เรียกใช้โปรแกรมติดตั้งและเปิดแอปพลิเคชัน

3. คลิก "ดำเนินการต่อด้วย Google" เลือกบัญชี Gmail แล้วให้สิทธิ์
4. เมื่อเข้าสู่ระบบแล้ว ให้สร้างโฟลเดอร์งาน (พื้นที่ทำงาน/ โปรเจ็กต์) เราจะเรียกชื่อว่า "Agent Data Cloud"

โดยควรปรากฏในรายการ "โปรเจ็กต์" ทางด้านซ้าย

5. แชทกับตัวแทนเบื้องต้นโดยพิมพ์ "สวัสดี"
6. สังเกตปุ่มเปิด IDE ที่มุมขวาบน!!!

แต่ก่อนที่จะคลิกได้ คุณต้องติดตั้ง Antigravity IDE ก่อน ไปที่หน้า antigravity.google/download แล้วเลื่อนลงไปที่ส่วน Antigravity IDE จากนั้นดาวน์โหลดตัวแปรที่คุณต้องการ

เมื่อดาวน์โหลดเสร็จแล้ว ให้กลับไปที่อินสแตนซ์ Antigravity ที่เปิดอยู่ แล้วคลิกปุ่ม Open IDE ที่มุมขวาบน

7. คุณควรเห็นป๊อปอัปเกี่ยวกับสิทธิ์ ให้เปิดต่อไป

ทางด้านขวา คุณจะเห็นแผงตัวแทน ทางด้านซ้ายจะเห็นโปรเจ็กต์ Explorer และตรงกลางจะเป็นพื้นที่สำหรับการพัฒนา

ตั้งค่าส่วนขยาย Data Agent Kit

1. ติดตั้งส่วนขยาย: เปิดตลาดกลางส่วนขยายภายใน ANTIGRAVITY IDE ค้นหาและติดตั้งส่วนขยายชุดเครื่องมือตัวแทนข้อมูล Google Cloud
2. คลิกปุ่มติดตั้ง เมื่อติดตั้งเสร็จแล้ว คุณจะเห็นส่วนขยายดังกล่าวในแผงการนำทาง

3. คลิกที่ปุ่มดังกล่าวเพื่อเปิด Google Cloud Data Agent Kit Explorer จากนั้นไปที่ส่วนการตั้งค่าแล้วคลิกการตั้งค่า ป้อนรายละเอียดโปรเจ็กต์และภูมิภาค แล้วบันทึก

4. ตอนนี้คลิก Project Explorer ที่ด้านบนของแผงการนำทาง ซึ่งควรจะเปิดโปรเจ็กต์ Explorer ในแผง Explorer
5. คลิกขวาที่พื้นที่ Explorer แล้วสร้างไฟล์ใหม่ชื่อ "GEMINI.md"

6. วางข้อความต่อไปนี้ใน GEMINI.md (อย่าลืมแทนที่ <<YOUR_PROJECT_ID>> ด้วยค่าของคุณ)

## 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`.

ตอนนี้คุณมี AI Agent ที่มีความสามารถสูงอยู่ใน IDE โดยตรง พร้อมที่จะเขียนโค้ด สร้าง SQL และวิเคราะห์สถาปัตยกรรม

ตอนนี้เรามีโจทย์การวิเคราะห์ที่น่าสนใจ นั่นคือ เราจะเชื่อมโยงยอดขายที่ผ่านมากับข้อมูลสารก่อภูมิแพ้ที่ซับซ้อนและอนุมานได้ซึ่งเราดึงมาจาก PDF ในส่วนที่ 1 ได้ไหม

5. การอนุมานข้อมูลอัจฉริยะผ่าน IDE Agent

มาขอให้ IDE Agent ของเราช่วยทำงานหนักๆ กัน เปิดหน้าต่างแชทของ Agent Data Kit ใน ANTIGRAVITY IDE แล้วป้อนพรอมต์ต่อไปนี้

Does Midnight Swirl contain any allergen?

แอปจะขอสิทธิ์หลายอย่าง ให้เลือกอนุญาตตามความเหมาะสม

สุดท้ายนี้ ระบบจะดึงคำตอบให้คุณเมื่อการวิเคราะห์เสร็จสิ้น

เย้!!! โดยระบุได้อย่างถูกต้องว่าไอเทม Midnight Swirl มีถั่วเหลือง

ตอนนี้มาลองถามคำถามที่ซับซ้อนขึ้นเล็กน้อยกัน ส่งพรอมต์ต่อไปนี้ใน IDE ของ Antigravity

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

คำตอบ:

คุณดำเนินการต่อได้ ลองใช้พรอมต์ต่อไปนี้

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

Agent Data Kit จะวางโค้ด CREATE MODEL และ ML.FORECAST ที่แน่นอนลงในเอดิเตอร์โดยไม่ต้องค้นหาไวยากรณ์ BQML สามารถดำเนินการนี้กับสภาพแวดล้อม BigQuery ได้โดยตรงโดยไม่ต้องออกจาก ANTIGRAVITY IDE

สุดยอดไปเลย!!!

6. Conversational Analytics ใน BigQuery

แม้ว่านักพัฒนาแอปจะชื่นชอบ IDE แต่ผู้ใช้ทางธุรกิจและผู้บริหารก็ใช้คอนโซลระบบคลาวด์ พวกเขาไม่ต้องการเห็น SQL แต่ต้องการเพียงคำตอบ

มาเริ่มกันเลย

1. มอบบทบาทที่จำเป็นให้ตัวเอง

ไปที่หน้า IAM ของโปรเจ็กต์และให้บทบาทเจ้าของเอเจนต์ข้อมูล Gemini Data Analytics แก่ตัวคุณเอง

บทบาทนี้ให้สิทธิ์คุณในการสร้าง แก้ไข แชร์ และลบ Data Agent ทั้งหมดในโปรเจ็กต์

2. เปิดใช้ API ที่จำเป็น

ไปที่ BigQuery ในคอนโซล Google Cloud ใช้เมนูการนำทางแถบด้านข้างหรือเมนูค้นหาที่ด้านบนของหน้าเพื่อไปยัง BigQuery > เอเจนต์

คลิกเปิดใช้ Data Analytics API ด้วย Gemini

เปิดใช้ทั้ง Gemini ใน BigQuery API และ Gemini สำหรับ Google Cloud API โดยทำดังนี้

ตอนนี้คุณควรเห็นหน้าตัวแทนใหม่

3. กำหนดค่าข้อมูลตัวแทน

ชื่อตัวแทน: Froyo Agent

คำอธิบายเอเจนต์: ช่วยตอบคำถามเกี่ยวกับผลิตภัณฑ์โยเกิร์ตแช่แข็ง สารก่อภูมิแพ้ ส่วนผสม สูตรอาหาร ลูกค้า คำสั่งซื้อ และยอดขาย

4. ไปที่ส่วนแหล่งความรู้ แล้วเลือกตารางทั้งหมดด้านล่างจากชุดข้อมูล

ก. เพิ่มตารางในรูปภาพด้านบน แล้วคลิกเพิ่มแหล่งข้อมูล

ข. สำหรับแต่ละแหล่งที่มา ให้คลิกปุ่มปรับแต่งทางด้านขวา คุณจะเห็นแบบฟอร์มด้านล่าง

ค. คลิก "ยอมรับ" สำหรับคำอธิบายตาราง

ง. คลิก "ยอมรับ" สำหรับคำอธิบายของแต่ละช่องด้วย

จ. คลิกอัปเดต

คุณต้องทำขั้นตอนนี้ซ้ำสำหรับตารางทั้งหมดในแหล่งที่มา

5. กำหนดค่าคำสั่ง

วางวิธีการเดียวกันกับที่เราใช้ใน Antigravity IDE GEMINI.md ที่นี่

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. บันทึก Agent

7. แชทกับข้อมูลของคุณ

7. ทดสอบในส่วนแสดงตัวอย่างทางด้านขวา

ถามคำถาม:

Does midnight swirl contain any allergen?

คำตอบมีดังนี้

ตอนนี้มาถามคำถามที่ซับซ้อนกัน

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

คำตอบ:

มาลองใช้พรอมต์ข้อมูลเชิงลึกกันเลย

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

คุณจะเห็นว่าระบบแสดงการค้นหาที่ใช้ พร้อมผลลัพธ์ของตารางและแผนภูมิ

ว้าว ซึ่งเข้ากันได้ดีกับแผนภูมิและข้อมูลเชิงลึก ถึงเวลาสำหรับคำถามสำคัญเกี่ยวกับผลิตภัณฑ์แล้ว

8. การทดสอบขั้นสุดยอด

ถามคำถาม:

What will be the top most selling product of 2026

ดูข้อมูลเชิงลึกสุดท้ายนั้น BigQuery Data Agent ไม่ได้ให้แค่ตัวเลข แต่ยังเชื่อมโยงการคาดการณ์ยอดขายกลับไปที่ซัพพลายเชนสินค้าคงคลังและส่วนผสมของเราอย่างชัดเจน ซึ่งเป็นข้อมูลที่แน่นอนที่เราดึงออกมาจาก PDF ที่ไม่เป็นระเบียบในส่วนที่ 1

9. การเผยแพร่ Agent ไปยังองค์กร

คลิกปุ่มเผยแพร่ที่ด้านบนของเอเจนต์ตัวอย่าง

ตอนนี้เราได้สร้าง กำหนดค่า และทดสอบ Froyo Agent แล้ว ก็ถึงเวลาที่จะเผยแพร่ให้ส่วนอื่นๆ ของธุรกิจได้ใช้งาน

คลิกปุ่มเผยแพร่ที่มุมขวาบนของหน้าการกำหนดค่าเอเจนต์

การเผยแพร่จะทำให้ Agent พร้อมใช้งานทันทีในช่องทางระดับองค์กรที่มีประสิทธิภาพ 3 ช่องทางสำหรับคุณและทุกคนที่คุณแชร์ด้วย

1. BigQuery: ตอนนี้ผู้เชี่ยวชาญด้านข้อมูลสามารถแชทกับ Agent นี้ได้โดยตรงจากฮับ Agent หรือภายในพื้นที่ทํางาน SQL ของ BigQuery Studio
2. Conversational Analytics API: นักพัฒนาซอฟต์แวร์สามารถเข้าถึงเอเจนต์นี้ผ่าน REST API ซึ่งจะช่วยให้นักพัฒนาซอฟต์แวร์ผสานรวมข้อมูลวิเคราะห์เชิงสนทนาที่แน่นอนเหล่านี้เข้ากับเว็บแอปพลิเคชันภายในที่กำหนดเองได้
3. Data Studio: ผู้บริหารสามารถโต้ตอบกับ Agent นี้และสร้างแดชบอร์ดแบบสนทนาแบบไดนามิกได้โดยตรงภายใน Data Studio

เราได้นำข้อมูลออกจากไซโลและส่งต่อให้ผู้ที่ต้องการใช้ข้อมูลโดยตรงในที่ที่ผู้ใช้ทำงานอยู่แล้ว

คลิกเมนูแบบเลื่อนลงของปุ่มแชร์ที่ด้านบนของ BigQuery Agent ที่เผยแพร่แล้ว แล้วเลือกตัวเลือก "คัดลอกลิงก์ไปยัง Agent ใน Data Studio" จากรายการ

วางลิงก์นั้นในเบราว์เซอร์แล้วกด Enter โปรดยืนยันการแจ้งเตือนการเข้าถึงการโต้ตอบกับ Agent โดยทำดังนี้

คุณสามารถเริ่มการสนทนาและการแสดงข้อมูลเป็นภาพแบบอินเทอร์แอกทีฟกับ Agent ที่เผยแพร่ใหม่จาก Data Studio ได้ เช่นเดียวกับผู้บริหารและทีมอื่นๆ ที่ต้องการข้อมูลนี้

10. ล้างข้อมูล

เมื่อแล็บนี้เสร็จสิ้นแล้ว อย่าลืมนำสิทธิ์ของผู้ใช้ทั้งหมดสำหรับเอเจนต์ BigQuery ที่คุณเพิ่งสร้างออก

11. ยินดีด้วย

คุณได้สร้าง Agentic Data Cloud อย่างเป็นทางการแล้ว

คุณไม่ได้สร้างแค่แชทบอทธรรมดา ตลอดทั้ง 5 เซสชันนี้ คุณได้ออกแบบระบบ AI ขององค์กรที่สมบูรณ์ ทันสมัย และได้รับการประเมินตั้งแต่ต้นจนจบ คุณได้เปลี่ยนจาก "ดาร์กดาต้า" ไปสู่ข้อมูลเชิงลึกด้านธุรกรรมแบบเรียลไทม์ และสุดท้ายคือการคาดการณ์ทางธุรกิจแบบสนทนา

12. ภาพรวมทั้งหมด

ลองย้อนกลับไปดูสิ่งที่เราทำสำเร็จในซีรีส์นี้ เราไม่ได้สร้างแค่แชทบอทธรรมดา เราออกแบบ Agentic Data Cloud ที่สมบูรณ์และทันสมัยดังนี้

ส่วนที่ 1: ปลดล็อกดาร์กดาต้าด้วยการเปลี่ยน PDF เป็นตารางเชิงสัมพันธ์ที่มีโครงสร้างโดยใช้แคตตาล็อกความรู้

ส่วนที่ 2: ทำลายไซโลข้อมูลด้วยการรวมคลังข้อมูลวิเคราะห์ของเราเข้ากับฐานข้อมูลธุรกรรม AlloyDB โดยตรง

ส่วนที่ 3: เพิ่มศักยภาพให้ผู้ใช้ด้วยการสร้างระบบปฏิบัติการแบบหลาย Agent ที่เรียกใช้เครื่องมือฐานข้อมูลที่ปลอดภัยได้อย่างราบรื่นผ่านโปรโตคอล MCP

ส่วนที่ 4: รับประกันความปลอดภัยด้วยการใช้ไปป์ไลน์การประเมินที่เข้มงวดเพื่อตรวจจับอาการหลอนและการหลบเลี่ยง

ส่วนที่ 5: ข้อมูลเชิงลึกที่ทุกคนเข้าถึงได้โดยใช้ ANTIGRAVITY IDE และ Conversational Analytics ใน BigQuery

นี่คืออนาคตของซอฟต์แวร์สำหรับองค์กร ตัวแทน AI ไม่ได้เป็นเพียง Wrapper รอบ LLM อีกต่อไป ซึ่งเป็นเครื่องมือจัดระเบียบที่ผสานรวม ประเมิน และปลอดภัยอย่างเต็มรูปแบบซึ่งอยู่บนแพลตฟอร์มข้อมูลแบบครบวงจร