BigQuery Agents ve Antigravity IDE'yi kullanarak verilerinizle sohbet etme

1. Genel Bakış

Şimdi biraz zaman ayırıp son dört bölümde oluşturduğumuz devasa mimariye göz atalım:

1. bölüm: Ham Froyo tarifi PDF'lerini yapılandırılmış, ilişkisel tablolara dönüştürmek için BigQuery Knowledge Catalog'u kullandık.

2. Bölüm: BigQuery ambarımızı doğrudan AlloyDB'ye bağlayan, sıfır ETL'li bir işlemsel köprü oluşturduk.

3. Bölüm: Agent Development Kit ve MCP Toolbox'ı kullanarak çoklu aracı uygulaması (FroyoOS) oluşturduk.

4. Bölüm: Çift kanallı bir değerlendirme ardışık düzeni oluşturarak aracımızın üretim için güvenli olduğunu kanıtladık.

İşlemlerimiz sorunsuz bir şekilde devam ediyor. Peki bu sistemin oluşturduğu büyük miktardaki veriyi anlaması gereken geliştiriciler ve iş analistleri ne olacak?

Bugün, analitiklerin geleceğini keşfedeceğiz. Google Cloud Data Agent Kit ile kod düzenleyicimiz Antigravity IDE'de başlayıp BigQuery Conversational Analytics'i kullanarak verilerimizi görselleştirmek için Google Cloud Console'a geçeceğiz.

Oluşturmaya başlayalım.

Neler öğreneceksiniz?

Agentic Data Cloud serisinin bu son codelab'inde, uygulanabilir iş analizleri sunmak için mimarinizin tüm parçalarını bir araya getireceksiniz. Öğrenecekleriniz:

• IDE-First Analytics: Mimarınızı doğrudan geliştirme ortamınızdan sorgulamak için ANTIGRAVITY IDE ve Google Cloud Data Agent Kit'i yükleme ve yapılandırma.
• Etkileşimli BigQuery: Doğal dili kullanarak karmaşık SQL görevlerini ve tahminleri otomatikleştirmek için BigQuery Veri Aracıları'nı oluşturma, yapılandırma ve yönlendirme.
• Veri Demokratikleştirme: Aracılarınızı kuruluşta nasıl yayınlayacağınız ve kuruluş genelindeki analistler ile işletme kullanıcılarının bu aracılara nasıl erişebileceği.
• Analizleri Görselleştirme: Dinamik ve tahmine hazır kontrol panelleri oluşturmak için temsilcinizin sohbet analizi verilerini Data Studio'ya sorunsuz bir şekilde entegre etme.
• Agentic Data Cloud Ekosistemi: Bölüm 1'deki ham yapılandırılmamış verilerden Bölüm 5'teki yöneticilere hazır kontrol panellerine kadar uçtan uca mimarinizin değerini nasıl ifade edeceğinizi öğrenin.

Şartlar

• Chrome veya Firefox gibi bir tarayıcı
• Faturalandırmanın etkin olduğu bir Google Cloud projesi.
• SQL hakkında temel düzeyde bilgi sahibi olmanız gerekir.

2. Başlamadan önce

Proje oluşturma

1. Google Cloud Console'daki proje seçici sayfasında bir Google Cloud projesi seçin veya oluşturun.
2. Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun. Bir projede faturalandırmanın etkin olup olmadığını kontrol etmeyi öğrenin.

Bu codelab'in büyük bir bölümünü faturalandırma hesabı oluşturmadan tamamlayabilirsiniz. Yalnızca BigQuery Conversational Agent (codelab'in son bölümü) için faturalandırma hesabı gerekir.

3. Google Cloud'da çalışan bir komut satırı ortamı olan Cloud Shell'i kullanacaksınız. Google Cloud Console'un üst kısmında Cloud Shell'i Etkinleştir'i tıklayın.

4. Cloud Shell'e bağlandıktan sonra aşağıdaki komutu kullanarak kimliğinizin doğrulandığını ve projenin proje kimliğinize ayarlandığını kontrol edin:

gcloud auth list

5. gcloud komutunun projeniz hakkında bilgi sahibi olduğunu onaylamak için Cloud Shell'de aşağıdaki komutu çalıştırın.

gcloud config list project

6. Kimlik doğrulamak istiyorsanız

gcloud auth login

7. Projeniz ayarlanmamışsa ayarlamak için aşağıdaki komutu kullanın:

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

8. Gerekli API'leri etkinleştirin: Gerekli tüm API'leri etkinleştirmek için şu komutu çalıştırın:

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. Bunun için 1. bölüm, 2. bölüm ve 3. bölüm laboratuvarlarını tamamladığınızdan emin olun:

Önemli: 1. bölümü henüz okumadıysanız şimdi okuyabilirsiniz. Bu veriler, bu laboratuvarda elde ettiğimiz bazı analizler ve içgörüler için önemlidir.*

3. Veri ambarını genişletme

Yapılandırılmamış verilerimizden oluşturduğumuz BigQuery tablolarını hatırlıyor musunuz?

Anlamlı analizler yapabilmek için geçmiş işlem verilerine ihtiyacımız var. BigQuery'de, froyo_data veri kümemizin altında, yıllarca süren franchise operasyonlarını simüle etmek için üç yeni tablo oluşturalım:

1. froyo_data.orders: Geçmiş sipariş başlıkları (tarihler, mağaza kimlikleri, toplamlar)
2. froyo_data.order_items: Satır öğesi ayrıntıları (Miktarlar, Fiyatlar)
3. froyo_data.customer_allergen_data: Sadık müşterilerimizin bilinen alerjilerini izleyen bir CRM tablosu

Analiz kullanım alanımıza hazırlanmak için bu satış ve müşteriyle ilgili tabloları veri kümesine ekleyelim.

1. Google Cloud Console'unuzdan Cloud Shell Terminali'ne gidin.
2. Çalışma alanınızın kök klasörüne veya froyo-data proje kök klasörüne (bu serinin son birkaç bölümünde üzerinde çalıştığımız) gidin.
3. Aşağıdaki komutları tek tek çalıştırarak 3 geçmiş veri dosyasını (CSV dosyaları halinde) çalışma dizininize indirin:

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. Bu dosyaları çalışma dizininizin kök dizininde gördüğünüzde, terminale geçerek Cloud Shell Terminalinize gidin.
5. Cloud Shell terminalinizde bu 3 dosyanın bulunduğu dizine gidin.
6. BigQuery'nizde bu serinin 1. bölümünde oluşturduğumuz "froyo_data" adlı veri kümesinin bulunduğundan emin olun (bulunmuyorsa geri dönüp veri kümesini ve tabloları oluşturun).
7. Cloud Shell terminalinizde aşağıdaki komutları çalıştırın:

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

Bu işlem, froyo_data veri kümenizde 3 ek tablo oluşturmalıdır.

4. Geliştirici deneyimi: "Veri Aracısı Kiti"ne giriş

Geleneksel olarak, bir geliştirici verileri analiz etmek veya karmaşık makine öğrenimi sorguları yazmak istediğinde IDE'si, veritabanı konsolları ve dokümanları arasında sürekli olarak bağlam değiştirmek zorunda kalıyordu.

Artık sorun değil. Yeni kullanıma sunulan Google Cloud Data Agent Kit uzantısıyla IDE'niz bir veri merkezi haline gelir.

ANTIGRAVITY IDE

ANTIGRAVITY IDE, Google'ın yeni nesil, ajan odaklı geliştirme ortamıdır ve özellikle yapay zeka çağı için tasarlanmıştır. Büyük çok formatlı bağlam pencerelerini ve bağımsız araç kullanımını doğrudan düzenleyiciye entegre ederek geliştiricilerin bulut kaynaklarını ve karmaşık veri ardışık düzenlerini kodlarından hiç ayrılmadan düzenlemesine olanak tanır.

ANTIGRAVITY IDE'yi Kurma

1. IDE'yi indirin: antigravity.google adresine gidip işletim sisteminiz (Windows, macOS veya Linux) için Antigravity IDE'yi indirin.
2. Yükleme ve başlatma: Yükleyiciyi çalıştırın ve uygulamayı açın.

3. Google ile devam et'i tıklayın, Gmail hesabınızı seçin ve yetkilendirin.
4. Giriş yaptıktan sonra bir çalışma klasörü (çalışma alanı/ proje) oluşturun. Buna "Agent Data Cloud" adını verelim.

Bu proje, soldaki "Projeler" listesinde görünmelidir:

5. Temsilciyle ön sohbet edin ("merhaba").
6. Sağ üst köşedeki Open IDE (IDE'yi Aç) düğmesine dikkat edin.

Ancak bu seçeneği tıklamadan önce Antigravity IDE'yi yüklemeniz gerekir. antigravity.google/download sayfasına gidin ve Antigravity IDE bölümüne ilerleyip ihtiyacınız olan varyantı indirin.

İndirme işlemi tamamlandıktan sonra açık Antigravity örneğinize geri dönün ve sağ üst köşedeki Open IDE (IDE'yi Aç) düğmesini tıklayın.

7. İzinlerle ilgili pop-up'ları görmeniz gerekir. Açmaya devam edin.

Sağ tarafta aracı bölmesini, sol tarafta proje gezginini ve ortada geliştirme alanınızı görürsünüz.

Veri Ajanı Kiti Uzantısı'nı ayarlama

1. Uzantıyı yükleyin: ANTIGRAVITY IDE'de Uzantılar Marketplace'i açın. Google Cloud Data Agent Kit uzantısını arayıp yükleyin.
2. Yükle düğmesini tıklayın. İşlem tamamlandığında uzantıyı gezinme bölmesinde görebilirsiniz.

3. Bu seçeneği tıkladığınızda Google Cloud Data Agent Kit Explorer açılır. SETTINGS (AYARLAR) bölümüne gidip Settings'i (Ayarlar) tıklayın. Proje ayrıntılarınızı ve bölgenizi girip kaydedin.

4. Şimdi Gezinme bölmesinin üst kısmındaki Proje Gezgini'ni tıklayın. Bu işlem, gezgin bölmesinde proje gezgininizi açar.
5. Gezgin alanını sağ tıklayın ve "GEMINI.md" adlı yeni bir dosya oluşturun.

6. Aşağıdakileri GEMINI.md dosyasına yapıştırın (<<YOUR_PROJECT_ID>> yerine kendi değerinizi yazmayı unutmayın):

## 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`.

Artık doğrudan IDE'nizde yer alan, kod yazmaya, SQL oluşturmaya ve mimarinizi analiz etmeye hazır, son derece yetenekli bir yapay zeka aracınız var.

Şimdi ise ilginç bir analiz zorluğuyla karşı karşıyayız: Geçmiş satışlarımızı, 1. bölümde PDF'lerden çıkardığımız karmaşık ve çıkarıma dayalı alerjen verileriyle ilişkilendirebilir miyiz?

5. IDE aracısı üzerinden bilgi çıkarma

İşin zor kısmını IDE Agent'a bırakalım. ANTIGRAVITY IDE'nizin içinden Agent Data Kit sohbet penceresini açın ve aşağıdaki istemi girin:

Does Midnight Swirl contain any allergen?

Bir dizi izin isteyecektir. İlgili izinleri verin.

Son olarak, analizinin sonunda sizin için yanıtı alır:

Yaşasın!!! Midnight Swirl öğesinin soya içerdiğini doğru şekilde tanımlıyor.

Şimdi biraz daha karmaşık bir soru soralım. Antigravity IDE'de aşağıdaki istemi gönderin:

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

Yanıt:

Devam edebilirsiniz. Aşağıdaki gibi istemleri deneyin:

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

Ajan Veri Kiti, BQML söz dizimini aramanıza gerek kalmadan tam CREATE MODEL ve ML.FORECAST kodunu düzenleyicinize bırakır. ANTIGRAVITY IDE'den hiç ayrılmadan bunu doğrudan BigQuery ortamınızda çalıştırabilirsiniz.

Bu ne kadar harika!!!

6. BigQuery'de Etkileşimli Analytics

Geliştiriciler IDE'yi severken işletme kullanıcıları ve yöneticiler Cloud Console'u kullanır. SQL görmek istemezler, sadece yanıt isterler.

Haydi başlayalım:

1. Kendinize gerekli rolleri verme

Projenin IAM sayfasına gidin ve kendinize Gemini Veri Analizi Veri Aracısı Sahibi rolünü verin:

Bu rol, projedeki tüm veri aracılarını oluşturma, düzenleme, paylaşma ve silme izni verir.

2. Gerekli API'leri etkinleştirme

Google Cloud Console'da BigQuery'ye gidin. BigQuery > Aracıları'na gitmek için sayfanın üst kısmındaki kenar çubuğu gezinme menüsünü veya arama menüsünü kullanın.

Gemini ile Data Analytics API'yi etkinleştir'i tıklayın:

Hem BigQuery'de Gemini API hem de Google Cloud için Gemini API'yi etkinleştirin:

Yeni aracı sayfasını görmeniz gerekir:

3. Aracı bilgilerini yapılandırma

Aracı Adı: Froyo Agent

Temsilci Açıklaması: Froyo ürünleri, alerjenler, içerikler, tarifler, müşteriler, siparişler ve satışlarla ilgili soruların yanıtlanmasına yardımcı olur.

4. Bilgi Kaynakları bölümüne gidin ve aşağıdaki tüm tabloları veri kümenizden seçin:

a. Yukarıdaki resimde yer alan tabloları ekleyin ve Kaynak Ekle'yi tıklayın.

b. Her kaynak için sağdaki özelleştir düğmesini tıklayın. Aşağıdaki formu görürsünüz:

c. Tablo açıklaması için "Kabul et"i tıklayın.

d. Alan açıklamalarının her biri için de "Kabul et"i tıklayın.

e. Güncelle'yi tıklayın.

Bu işlemi, kaynakta bulunan tüm tablolar için tekrarlamanız gerekir.

5. Yapılandırma Talimatları

Antigravity IDE GEMINI.md'de kullandığımız talimatları buraya girin:

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. Temsilcinizi kaydedin.

7. Verilerinizle sohbet edin

7. Sağ taraftaki önizleme bölümünde test edin:

Sorunuzu sorun:

Does midnight swirl contain any allergen?

Yanıt:

Şimdi karmaşık soruyu soralım:

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

Yanıt:

Şimdi ayrıntılı analiz istemi deneyelim:

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

Tablo sonucu ve grafiğin yanı sıra kullandığı sorguyu da gösterdiğini görebilirsiniz:

İnanılmaz! Bu nedenle, grafikler ve analizlerle iyi bir uyum yakaladık. Ürünlerle ilgili nihai soruyu sorma zamanı.

8. The Ultimate Test

Soruyu sorun:

What will be the top most selling product of 2026

Son içgörüye bakın. BigQuery Veri Aracısı bize sadece bir sayı vermedi. Satış tahminini, envanterimiz ve malzeme tedarik zincirimizle açıkça ilişkilendirdi. Bu, 1. bölümde karmaşık PDF'lerden çıkardığımız verilerin aynısıydı.

9. Temsilcinizi işletmede yayınlama

Önizleme aracısının üst kısmındaki Yayınla düğmesini tıklayın.

Froyo aracımızı oluşturup yapılandırdıktan ve test ettikten sonra, işletmenin geri kalanında kullanıma sunma zamanı geldi.

Aracı yapılandırma sayfasının sağ üst köşesinde Yayınla düğmesini tıklayın.

Yayınladığınızda temsilciniz, size ve paylaştığınız kişilere yönelik üç güçlü kurumsal kanalda anında kullanılabilir hâle gelir:

1. BigQuery: Veri analistleriniz artık bu aracıyla doğrudan Aracı Merkezi'nden veya BigQuery Studio SQL çalışma alanından sohbet edebilir.
2. Etkileşimli Analytics API: Geliştiricileriniz, bu aracıyı bir REST API aracılığıyla kullanarak bu etkileşimli analizleri kendi özel dahili web uygulamalarınıza entegre edebilir.
3. Data Studio: Yöneticileriniz bu ajanla etkileşime geçebilir ve doğrudan Data Studio'da dinamik sohbet kontrol panelleri oluşturabilir.

Verilerimizi başarıyla silolardan çıkardık ve doğrudan ihtiyaç duyan kişilerin eline, tam da çalıştıkları yere ulaştırdık.

Yayınlanan BigQuery aracınızın üst kısmındaki Paylaş düğmesinin açılır listesini tıklayın ve listeden "Data Studio'da aracıya bağlantıyı kopyala" seçeneğini belirleyin:

Bu bağlantıyı tarayıcınıza yapıştırıp Enter tuşuna basın. Ajan etkileşimi erişim uyarısı için onay sağlayın:

Data Studio'dan yeni yayınlanan ajanla etkileşimli sohbetler ve görselleştirmeler başlatabilirsiniz. Bu bilgileri kullanması gereken yöneticileriniz ve diğer ekipler de aynı şekilde yararlanabilir.

10. Temizleme

Bu laboratuvar tamamlandıktan sonra, yeni oluşturduğunuz BigQuery aracısı için tüm kullanıcıların izinlerini kaldırmayı unutmayın.

11. Tebrikler!

Resmi olarak bir Agentic Data Cloud oluşturdunuz.

Basit bir chatbot oluşturmadınız. Bu beş oturum boyunca, eksiksiz, modern ve değerlendirilmiş bir kurumsal yapay zeka sistemini sıfırdan başarıyla tasarladınız. "Karanlık verilerden" gerçek zamanlı işlemsel zekaya ve nihayetinde etkileşimli iş tahmini özelliğine geçiş yaptınız.

12. The Complete Picture

Bir adım geri çekilip bu seride neler başardığımıza bakalım. Basit bir chatbot oluşturmakla kalmadık. Tamamen modern bir Agentic Data Cloud tasarladık:

1. Bölüm: Bilgi Kataloğu'nu kullanarak PDF'leri yapılandırılmış ilişkisel tablolara dönüştürerek karanlık verilerin kilidini açtık.

2. Bölüm: Analitik veri ambarımızı doğrudan bir AlloyDB işlemsel veritabanına bağlayarak veri silolarını ortadan kaldırdık.

3. Bölüm: MCP protokolü aracılığıyla güvenli veritabanı araçlarını sorunsuz bir şekilde çalıştıran çoklu ajanlı bir işletim sistemi oluşturarak kullanıcıları güçlendirme

4. Bölüm: Halüsinasyonları ve jailbreak'leri yakalamak için titiz bir değerlendirme ardışık düzeni uygulayarak güvenliği sağladı.

5. Bölüm: ANTIGRAVITY IDE ve BigQuery'deki Etkileşimli Analytics ile demokratikleştirilmiş analizler.

Kurumsal yazılımın geleceği bu. Yapay zeka ajanı artık yalnızca bir LLM sarmalayıcısı değildir. Birleşik veri platformunun üzerinde yer alan, tamamen entegre edilmiş, değerlendirilmiş ve güvenli bir düzenleme motorudur.