Le Data Engineering Agent de BigQuery est un assistant intelligent optimisé par Gemini qui va au-delà de la simple complétion de code pour fournir une automatisation des tâches de bout en bout. Il s'appuie sur votre environnement de données spécifique et utilise les métadonnées de Dataplex pour comprendre vos schémas, votre traçabilité et vos définitions métier. Il peut gérer de façon autonome l'ensemble du cycle de vie des données : de la découverte des ensembles de données pertinents à la génération de transformations SQL ou PySpark complexes, en passant par l'orchestration de ces jobs via Dataform ou Cloud Composer. En automatisant les tâches répétitives de l'ingénierie des données (comme la correction des pipelines défaillants, la documentation du code hérité ou la migration des requêtes d'anciens entrepôts de données), il transforme le rôle de l'ingénieur de données, qui passe de codeur manuel à architecte supervisant des workflows basés sur l'IA.

Le Data Science Agent de BigQuery accélère le développement de la data science grâce à des capacités agentives qui facilitent l'exploration et la transformation des données, ainsi que la modélisation par le ML.

À partir d'un simple prompt, l'agent génère un plan détaillé couvrant tous les aspects de la modélisation de data science : chargement, exploration, nettoyage et visualisation des données, ingénierie des caractéristiques, répartition des données, entraînement/optimisation de modèles et évaluation. Si l'agent commet une erreur, il peut s'autocorriger et générer un nouveau code pour la rectifier. Vous gardez le contrôle total, avec la possibilité d'approuver chaque étape et d'apporter des modifications manuelles si vous le souhaitez.

L'agent a également une conscience contextuelle complète de votre notebook. Il comprend le code, les sorties et les variables existants pour fournir un code adapté à chaque étape du plan, ce qui vous permet d'apporter des modifications itératives à votre code existant.

Conversational Analytics dans BigQuery est un moteur de raisonnement sophistiqué optimisé par l'IA qui élimine le "goulot d'étranglement analytique" en permettant aux équipes de données de faire le lien entre les questions métier et les réponses fiables grâce à une interaction intuitive en langage naturel.

S'appuyant sur les derniers modèles Gemini, cet agent va au-delà de la simple traduction en ancrant sa logique dans les éléments de données existants de votre organisation. Il exploite en particulier les métadonnées, les descriptions de tables et de colonnes, les glossaires d'entreprise et les fonctions définies par l'utilisateur pour s'assurer que chaque résultat généré correspond parfaitement à vos définitions métier internes. Au-delà de la simple création de rapports, l'agent utilise l'IA de BigQuery pour prévoir les résultats futurs et interprète les données non structurées, comme les images dans les tables d'objets, afin de transformer les informations cachées en renseignements exploitables.

Conversational Analytics dans Looker simplifie l'informatique décisionnelle en permettant aux utilisateurs professionnels de trouver des réponses en langage naturel. Cela réduit la charge de travail des analystes de données et facilite la prise de décisions plus rapides et plus éclairées. Les utilisateurs professionnels peuvent poser des questions directes sur les performances des produits ou les tendances du trafic, sans avoir besoin de comprendre des noms de champs complexes.

Au-delà des requêtes simples, cette solution fournit un cadre complet de gestion du cycle de vie, intégrant la sécurité et la gestion des utilisateurs de niveau entreprise directement dans la couche d'utilisation. La couche sémantique universelle de Looker garantit que les métriques telles que le chiffre d'affaires et le taux de désabonnement restent cohérentes dans toute l'entreprise en créant un hub central pour le contexte, les définitions et les relations des données.

L'API Conversational Analytics permet aux développeurs d'intégrer des fonctionnalités de requête en langage naturel dans des applications personnalisées, des outils internes ou des workflows, le tout basé sur un accès aux données approuvé et une modélisation des données fiable et évolutive. Il s'agit de la même API qui alimente les expériences conversationnelles prêtes à l'emploi dans Looker et BigQuery.

L'API Conversational Analytics vous permet de créer des expériences de données personnalisées offrant des réponses sous forme de données, de graphiques et de texte, tout en exploitant le modèle sémantique fiable de Looker pour en garantir l'exactitude. Elle fournit également aux agents des informations essentielles sur l'entreprise et des données contextuelles dans BigQuery. Vous pouvez intégrer cette fonctionnalité pour créer des expériences de données intuitives, effectuer des analyses complexes en langage naturel et même orchestrer des agents d'analyse conversationnelle en tant qu'outils pour un agent d'orchestration à l'aide d'Agent Development Kit.

Les outils de développement d'agents de Google Cloud permettent aux développeurs de ne pas avoir à créer de connecteurs de base de données personnalisés grâce aux méthodes d'intégration ADK et MCP.

Le serveur MCP pour BigQuery permet à un agent IA et aux clients MCP d'interpréter les schémas et d'exécuter des requêtes sur les données BigQuery tout en réduisant les risques de sécurité ou de gouvernance, ou la latence associée au déplacement des données dans les fenêtres de contexte.

Pour plus de flexibilité et de contrôle, utilisez MCP Toolbox, un serveur Open Source qui centralise l'hébergement et la gestion des ensembles d'outils, en dissociant les applications agentives de l'interaction directe avec les bases de données. Il est également disponible avec différents IDE et outils de développement, y compris Gemini CLI et Antigravity. Vous pouvez ainsi connecter de manière sécurisée vos agents IA à des services tels qu'AlloyDB, BigQuery, Spanner, Looker et bien d'autres.

De plus, l'ensemble d'outils d'intégration BigQuery ADK inclut des fonctions prêtes à l'emploi qui permettent aux agents d'explorer les données, de comprendre les schémas, d'exécuter des requêtes et des prévisions, et d'obtenir des insights en langage naturel, de manière autonome.