Der Data Engineering Agent in BigQuery ist ein intelligenter, auf Gemini basierender Assistent, der über die einfache Codevervollständigung hinausgeht und eine durchgängige Aufgabenautomatisierung bietet. Er basiert auf Ihrer spezifischen Datenumgebung – er verwendet Metadaten aus Dataplex, um Ihre Schemas, die Datenherkunft und Geschäftsdefinitionen zu verstehen. Er kann den gesamten Datenlebenszyklus autonom verwalten: von der Ermittlung relevanter Datasets und der Generierung komplexer SQL- oder PySpark-Transformationen bis hin zur Orchestrierung dieser Jobs über Dataform oder Cloud Composer. Durch die Automatisierung der „Mühsal“ der Datenverarbeitung – wie das Beheben defekter Pipelines, das Dokumentieren von Legacy-Code oder das Migrieren von Abfragen aus älteren Data Warehouses – wandelt sich die Rolle des Data Engineers von einem manuellen Programmierer zu einem Architekten, der KI-gestützte Workflows überwacht.

Der Data Science Agent in BigQuery beschleunigt die Data-Science-Entwicklung mit agentischen Funktionen, di e die Datenexploration, ‑transformation und ML-Modellierung erleichtern.

Nach einem einfachen Prompt erstellt der Agent einen detaillierten Plan, der alle Aspekte der Data-Science-Modellierung abdeckt: Daten laden, untersuchen, bereinigen, visualisieren, Feature Engineering, Daten aufteilen, Modell trainieren/optimieren und bewerten. Wenn der Agent einen Fehler macht, kann er ihn automatisch korrigieren und neuen Code generieren, um ihn zu beheben. Sie behalten die volle Kontrolle, können jeden Schritt genehmigen und bei Bedarf manuelle Änderungen vornehmen.

Der Agent hat außerdem vollen Kontextbezug zu Ihrem Notebook und versteht vorhandenen Code, Ausgaben und Variablen. So kann er für jeden Schritt des Plans maßgeschneiderten Code bereitstellen, sodass Sie iterative Änderungen an Ihrem vorhandenen Code vornehmen können.

Konversationelle Analyse in BigQuery ist eine ausgeklügelte, auf künstlicher Intelligenz basierende Reasoning Engine, die den „Analysestau“ beseitigt, indem sie Datenteams in die Lage versetzt, die Lücke zwischen Geschäftsfragen und verlässlichen Antworten durch intuitive Interaktion in natürlicher Sprache zu schließen.

Dieser auf den neuesten Gemini-Modellen basierende Agent geht über die einfache Übersetzung hinaus. Er verankert seine Logik in den vorhandenen Datenbeständen Ihres Unternehmens – insbesondere durch die Nutzung von Metadaten, Tabellen- und Spaltenbeschreibungen, Geschäftsglossaren und nutzerdefinierten Funktionen –, um sicherzustellen, dass jedes generierte Ergebnis perfekt mit Ihren internen Geschäftsdefinitionen übereinstimmt. Der Agent geht über einfache Berichte hinaus und nutzt BigQuery AI, um zukünftige Ergebnisse zu prognostizieren und unstrukturierte Daten wie Bilder in Objekttabellen zu interpretieren, um verborgene Informationen in verwertbare Erkenntnisse umzuwandeln.

Konversationelle Analysen in Looker vereinfachen Business Intelligence, indem sie es Geschäftsanwendern ermöglichen, Antworten unter Einsatz natürlicher Sprache zu finden. Das entlastet die Datenanalysten und ermöglicht eine schnellere und sicherere Entscheidungsfindung. Geschäftsleute können direkte Fragen zur Produktleistung oder zu Traffic-Trends stellen, ohne komplexe Feldnamen verstehen zu müssen.

Über einfache Abfragen hinaus bietet Looker ein umfassendes Framework für das Lebenszyklusmanagement, das Sicherheit auf Unternehmensniveau und Nutzerverwaltung direkt in die Verbrauchsebene einbezieht. Die universelle semantische Ebene von Looker sorgt dafür, dass Messwerte wie Umsatz und Abwanderungsrate im gesamten Unternehmen einheitlich bleiben, indem ein zentraler Hub für Datenkontext, Definitionen und Beziehungen geschaffen wird.

Mit der Conversational Analytics API können Entwickler Funktionen für Abfragen in natürlicher Sprache in benutzerdefinierte Anwendungen, interne Tools oder Workflows einbetten. Dabei profitieren sie von einem vertrauenswürdigen Datenzugriff und einer skalierbaren, zuverlässigen Datenmodellierung. Es ist dieselbe API, die die sofort einsatzbereiten Konversationsfunktionen in Looker und BigQuery unterstützt.

Mit der Conversational Analytics API können Sie benutzerdefinierte Datenumgebungen erstellen, die Daten, Diagramme und Textantworten liefern. Dabei wird das vertrauenswürdige semantische Modell von Looker für die Genauigkeit genutzt oder um Agenten in BigQuery wichtige Geschäfts- und Datenkontexte bereitzustellen. Sie können diese Funktion einbetten, um intuitive Datenumgebungen zu schaffen, komplexe Analysen über natürliche Sprache zu ermöglichen und sogar konversationelle Analyse-Agents als „Tools“ für einen Orchestrator-Agenten mit dem Agent Development Kit zu orchestrieren.

Die Entwicklungstools für Agenten von Google Cloud reduzieren den Bedarf an benutzerdefinierten Datenbank-Connectors durch ADK- und MCP-Integrationsmethoden.

Der MCP-Server für BigQuery ermöglicht es einem KI-Agenten und MCP-Clients, Schemas zu interpretieren und Abfragen für BigQuery-Daten auszuführen. Gleichzeitig werden die mit dem Verschieben von Daten in Kontextfenster verbundenen Sicherheits- und Governance-Risiken und die Latenz reduziert.

Für mehr Flexibilität und Kontrolle können Sie die MCP Toolbox verwenden – einen Open-Source-Server, der das Hosting und die Verwaltung von Toolsets zentralisiert und agentische Anwendungen von der direkten Datenbankinteraktion entkoppelt. Sie ist außerdem mit einer Vielzahl von IDEs und Entwicklertools verfügbar, darunter Gemini CLI und Antigravity. So können Sie Ihre KI-Agents sicher mit Diensten wie AlloyDB, BigQuery, Spanner, Looker und anderen verbinden.

Darüber hinaus enthält das BigQuery ADK-Integrationstoolset sofort einsatzbereite Funktionen, mit denen Agenten selbstständig Daten untersuchen, Schemas verstehen, Abfragen und Prognosen ausführen und mithilfe natürlicher Sprache Erkenntnisse gewinnen können.