Hogyan lehet nagyméretű adatokon BigQuery segítségével a Gemini Enterprise alkalmazás használatát analizálni és irányítani

A Gemini Enterprise alkalmazás telepítése egy szervezetban átalakító lépés a munkavállalói termeléssel, amely felhasználóknak nagyszerű, nagy teljesítményű AI eszközök, keresés alapú asszisztensek és speciális megoldások, mint a NotebookLM-et biztosít. Ahogy az elfogadás nagy mértékben növekszik, ez kritikus adminisztratív kihívást eredményezhet: hogyan lehet a hatalmas mennyiségű telemetry-t auditálni, szabályozni és ebből a betekintést nyerni, anélkül, hogy a manuális feladatokba merülné. Azt, hogy az adminisztrátorok sikeresek legyenek, a Google Cloud teljeskörű, “out-of-the-box” elemzéseket nyújt előre kiszámított dashboardokkal a napi használat, a felhasználói bevonás és az aktív felhasználói metrikák nyomon követésére. Bár ez egy termékcentrikus perspektívát kínál a Gemini Enterprise alkalmazás használatára, az adminisztrátoroknak a munkavállalói AI hatásának megértéséhez egy jobban szervezett, szervezetközpontú perspektívára lehet szükség, amely a saját belső kontextusukhoz igazodik. Ez pont az, hogy a Google BigQuery használata az adminisztrátorok számára elengedhetetlen eszkövé válik a szervezetükben mélyebb nyomozások végzéséhez, amely lehetővé teszi az agentic AI elfogadásának elemzését és szabályozását. Miért a Gemini Enterprise app + BigQuery egy forradalmi eszköz? A Gemini Enterprise app bővítése BigQuery-vel lehetővé teszi egy kisméretű adminisztratív csapat számára a nagy mértékű telepítés elemzését és szabályozását. Különösen, ez az IT, a Data és a Security csapatok számára lehetővé teszi: Dicső elfogadást és viselkedést profilozni: Osztja a használati mintákat a részlegek szerint, hogy megtudja, mely csapatok építenek saját agentokat, nyomon követi a NotebookLM használatát, és kiszámolja az agent-hez tartozó alkalmazottak arányát. Szervezeti értéket megállapítani: Kombinálja a beszélgetési logokat az HR vagy a vállalkozási adatokkal, hogy kiszámítsa az tényleges megtakarított munkaórákat, nyomonkövesse az értékteremtést, és építsen vezető Looker dashboardokat. Pontos megfelelési auditokat végrehajtani: Auditolja a Google Drive mappák és vállalati könyvtárak között végrehajtott alapozási kéréseket, hogy megakadályozza az adatleképzást és védd a vállalati IP-t. Az üzeneteket azonnal megvizsgálni: Kérje a múltbeli logokat, amikor a biztonsági szűrők jelzik egy kérést, azonosítva a pontos szöveget, amely egy Modell Armor blokkot indított el, hogy megoldja a megfelelési figyelmeztetéseket. A fenti felhasználási esetek támogatására a telemetry öt különböző log táblába van osztva a BigQuery-ben, amelyek egyedi adatmezőket tartalmaznak: BigQuery célos tábla Telemetria Generált AI Felhasználói üzenetek discoveryengine_googleapis_com_gen_ai_user_message Verbatim prompt bejegyzések, amelyet a felhasználók írtak Generált AI Változatok discoveryengine_googleapis_com_gen_ai_choice Verbatim model válaszok, végrehajtás okok, és LLM megérthetési lépések Felhasználói tevékenységi telemetria discoveryengine_googleapis_com_genini_enterprise_user_activity Vállalati azonosító (IAM email) és alapozási fájlok hozzáférési útvonalai Cloud Audit tevékenységi cloudaudit_googleapis_com_activity Ellenőrző felület konfigurációs változások és adminisztratív felhasználói napló. Cloud Audit adat hozzáférés cloudaudit_googleapis_com_data_ac cess Nagyobb mennyiségű adatközpontos interakciók és keresési kérések. Aggregált OOB metrikák (Batch Export Table) előre összegezett ülések, ülések és bevonási metrikák a legutóbbi 30 napban. Ezt aszinkron módon kell kinyomtatni egyedi napi batch export API segítségével a metrikák exportálására, hogy ki tudják hozni a magas szintű elfogadás és költségtervezési dashboardokat. Azonnali adat-beépítés pipeline és architektúra: Azok az adminisztrátorok, akik skálázható megfigyelést szeretnek, automatizált telemetriapippel építik. A Gemini Enterprise adatainak BigQuery-ba mozgatása nem igényel bonyolult, testreszabott szoftverfejlesztést; ehelyett a folyamatos Cloud Logging Log Router Sink-et használja beszélgetési logokhoz, és aszinkron batch export API-t a magas szintű összesített ülésekhez. A következő diagram az adategyesítési pipeline-t és az, hogy a telemetriát BigQuery-ban, bemutatja: A következő tervdokumentum az, hogy a Gemini Enterprise-et a BigQuery-hoz csatlakoztassa a szervezete számára a legjobb elemzés és szabályozási alapja. A pipeline-ek: Folyamatos naplózás és audit szinkrok: Hozz létre naplószinkrok a Cloud Logging-ben, hogy elkapja és útvonalba helyezze az időzített eseményeket a BigQuery-ba: A stream pipeline (részletes logok): Folyamatosan elküldi a beszélgetési adatokat (felhasználói kéréseket, model választást és grounding eseményeket). Biztosítsa, hogy a prompt és a válasz naplózása engedélyezve van a Gemini Enterprise Admin Console-ban (lásd: “Használat és Audit Logok beállítása”). Inclusion Filter (replace [PROJECT_ID] with your Google Cloud Project ID): code_block )])]> Az audit pipeline (adminisztratív események): Megőrzi az adminisztrációs műveleteket (Admin Activity) és a adat-központos működést (adat hozzáférés, például grounding adat csatlakozó kérések). Inclusion Filter (replace [PROJECT_ID] with your Google Cloud Project ID): code_block )])]> Admin Activity Logok: Mindig bekapcsolva; nyomon követi a erőforrások változásait (pl. custom agent létrehozása, frissítések, törlések). Data Access Logok: Alapértelmeleten ki, csak GCP IAM beállításokban engedélyezhető a Discovery Engine API, hogy a felhasználói szintű olvasási/írási interakciókat naplózzák a beszélgetések során. BigQuery-ben a fejlett intelligenciát támadja! BigQuery-ben a raw telemetriát intelligens elemző eszközökbe alakítsa át, amelyek megkönnyítik a telemetriák megértését és navigálását. A Gemini-t BigQuery-ben felhasználva az adminisztrátorok át tudják fordítani a raw log streameket vizuális betekintésekbe és átfogó dokumentációba, anélkül, hogy manuális gyanakvást igényelnék. Nincs kódú beszélgetési elemzés (BigQuery CA) A BigQuery CA (BigQuery CA) egyszerűsíti a rétegzett JSON-szabványok kezelését, automatikusan generálva és végrehajtva SQL-t, amely a szkémához, a business metadadához és a megbízható kérésekhez/UDF-ekhez kapcsolódik, hogy biztosítsa a metrikák konzisztenciáját. Ezenkívül megjeleníti a gondolati folyamát, hogy az adminisztrátorok bizalmat építhessenek. Például, ahogy a képen látható, ha megkérdi: Compare the usage of notebooklm, deep research and custom agents using oob_metrics? akkor a helyes SQL-t generálja, futtatja a kérést és a kimenetet másodpercek alatt jeleníti meg: Ahogy a képen látható, a BQ CA nem csak a hagyományos kérdésekre és a standard SQL generálására korlátozza, hanem lehetővé teszi, hogy a felhasználók fejlett AI és gépi tanulás feladatokat is végezzenek közvetlenül a konzolban. Az adminisztrátorok kihasználhatják ezeket a natív képességeket, hogy fejlett elemzéseket végezzenek, például a felhasználói prompt hangulatának osztályozását vagy a jövőbeli elfogadás trendek előrejelzését, amely megkönnyíti a szabályozási folyamat. Automatikus szkémadokumentáció és betekintések A telemetriadat mezőinek, mint pl. a useriamprincipal, finish_reason vagy groundedContent, megértése kulcsfontosságú a megfelelő betekintések kivonásához. A BigQuery egyszerűsíti ezt a ki automatizált profilozással és metadattal: Automatikus profilozás és metadatumok: A Knowledge Catalog Data Profiling-et a Gemini-vel párosítva értékelheti az egyedi számokat, null arányokat és a data-tér eloszlásait a raw táblákban. Egyetlen kattintással a Data Insights generálja a leíró metadátumokat az egyes táblákhoz és az egyes rétegzett oszlopokhoz. Egyesített adatai: A Gemini ezt a gazdag kontextust használja, hogy átfogó betekintéseket nyújtson az egész adatállományban. Automatikus ajánlások: Ez automatikusan javaslatokat generál a szokatlan vagy biztonsági problémák keresésére egyetlen táblában (pl. gen_ai_user_message). A dataset szintjén (preview) interaktív kapcsolat grafont generál, amely a táblák között a join útvonalakat megjeleníti és javaslatokat generál, hogy kombinálják a adatokat – például a felhasználói tevékenységet és a model kiadását, hogy számítsák a feladat komplexitását. Simultan agent integráció és glosszárok: A táblák és az adatok metadátumai közvetlenül a BigQuery Conversation Analytics (BQ CA) agent UI-ban, amelyek azonnali hozzáférést biztosítanak az adatokhoz. Biztosítsa, hogy az agentek pontosan értelmezzék a domain specifikus promptokat. A BQ CA is támogatja a business glosszárokat. A testreszabott kifejezéseket határozhat meg a felhasználók számára vagy importálhat meglévő glosszárokat a Knowledge Catalog-ból, hogy standard nyelvet biztosítsák. Az adminisztrátorok kihasználhatják a profilozást, a metadatumokat és a betekintéseket a logolt mezők navigálására, az adatok szerkezetének megértésére és a megfelelési auditokhoz. A képen látható, ahogy a Gemini által generált, automatikus szkémák, leírások és kapcsolatok, könnyen megérthető komplex viszonyokat és telemetriadatot hoznak létre az agentic interakciók által generált. Visualizáció Data Studio dashboardokkal: Azon felhasználók számára, akik nem tudnak programozni, a Data Studio közvetlenül a BigQuery-hoz csatlakozhat, hogy interaktív, magas hatású üzleti intelligencia dashboardokat hozzon létre, amelyek megfigyelhetik: A felhasználói elfogadás és a ülések ROI-ja: Osztja a használati mintákat a részlegek szerint, és megmutatja a custom agentok arányát a teljes alkalmazottak számához. Az adat-alapú forgalom: Kideríti, mely enterprise csatlakozók (pl. SharePoint, Google Drive, Gmail) a legmagasabb használatot tapasztalják. Tartalom biztonság és szabálysértések: Követi a Model Armor blokkolási, valamint a feedback loopokat, hogy biztosítsa a biztonsági szabványokat. Ossza meg a BQ Conversation Analytics agent-et: Ossza meg a BQ CA agent-eket Data Studio-n keresztül, hogy a vállalati felhasználók kérdezhessenek a data-ról. Erősítse a szervezetet a Gemini Enterprise app és az adminisztrátorokat a BigQuery segítségével: Telepítse a Gemini Enterprise App-et: Hozza a Google AI-t minden alkalmazott használatba. Engedje be a prompt & Response Logolást: Engedje be a prompt & Response Logolást a Admin Console-ban, hogy elkezdje a felhasználói tevékenység telemetria rögzítését. Konfigurálja a Log Router Szinkrok-okat: Hozzon létre szinkrok-okat, hogy a telemetriát a BigQuery-ba irányítsa. Kövesse a Metrikákat és exportálja a statisztikákat: Használja a előre kiszámított, “out-of-the-box” dashboardokat a konzolról, és exportálja a korábbi, összesített statisztikákat. Kinyerje a tábla-szintű és dataset-szintű betekintéseket: Keresse meg a ismeretlen log táblákat, és fedezzen fel kapcsolatokat automatikusan. Kérjen a Conversation Analytics segítségével: Hozzon létre adat-alapú intelligens agent-eket, és használja a természetes nyelvi kérdést a BigQuery Studio-ban. Visualizáció Data Studio dashboardokkal: A Data Studio közvetlenül a BigQuery-hoz csatlakozhat, hogy interaktív, magas hatású üzleti intelligencia dashboardokat hozzon létre, amelyek megfigyelhetik: A felhasználói elfogadás és a ülések ROI-ja: Osztja a használati mintákat a részlegek szerint, és megmutatja a custom agentok arányát a teljes alkalmazottak számához. Az adat-alapú forgalom: Kideríti, mely enterprise csatlakozók (pl. SharePoint, Google Drive, Gmail) a legmagasabb használatot tapasztalják. Tartalom biztonság és szabálysértések: Követi a Model Armor blokkolási, valamint a feedback loopokat, hogy biztosítsa a biztonsági szabványokat.