Roads Management Insights का एआई एजेंट

मकसद

Roads Management Insights (आरएमआई) एडीके एजेंट, Google BigQuery में सेव किए गए आरएमआई डेटा को क्वेरी करने और उसका विश्लेषण करने के लिए, नैचुरल लैंग्वेज इंटरफ़ेस उपलब्ध कराता है. Google के एजेंट डेवलपमेंट किट (एडीके) और Gemini के बड़े भाषा मॉडल का इस्तेमाल करके, यह उपयोगकर्ताओं को सड़क नेटवर्क और ट्रैफ़िक के बड़े डेटासेट से कार्रवाई की जा सकने वाली अहम जानकारी निकालने की सुविधा देता है. इसके लिए, उन्हें मैन्युअल तरीके से जटिल एसक्यूएल क्वेरी लिखने की ज़रूरत नहीं होती.

रेफ़रंस आर्किटेक्चर

आर्किटेक्चर में, हैरारकी वाला एजेंट सिस्टम होता है. इसमें रूट एजेंट, उपयोगकर्ता के इंटरैक्शन की योजना बनाता है और उन्हें व्यवस्थित करता है. साथ ही, डेटा वापस पाने और एसक्यूएल जनरेट करने के खास टास्क, किसी विशेषज्ञता वाले सब-एजेंट को सौंपता है.

आरएमआई एजेंट के आर्किटेक्चर का डायग्राम

घटक

1. आरएमआई एजेंट (रूट एजेंट)

  • भूमिका: बातचीत के ज़रिए इंटरैक्ट करने की मुख्य सुविधा और टास्क को व्यवस्थित करने वाला.
  • ज़िम्मेदारियां:
    • यह कुकी, सिलसिलेवार बातचीत के कॉन्टेक्स्ट को बनाए रखती है.
    • यह सुविधा, नैचुरल लैंग्वेज में किए गए अनुरोधों को ऐसे टास्क में बदलती है जिन्हें पूरा किया जा सकता है.
    • यह भूमिका, स्ट्रक्चर्ड डेटा को वापस पाने के टास्क, BigQuery एजेंट को सौंपती है.
    • यह सब-एजेंट से मिले रॉ टेबल डेटा को छोटे और आसानी से समझ में आने वाले इनसाइट में बदलता है.

2. BigQuery एजेंट (सब-एजेंट)

  • भूमिका: एसक्यूएल को अनुवाद करने और डेटाबेस को एक्ज़ीक्यूट करने वाला एजेंट.
  • ज़िम्मेदारियां:
    • यह रूट एजेंट से मिले नैचुरल लैंग्वेज निर्देशों को, ऑप्टिमाइज़ की गई BigQuery एसक्यूएल क्वेरी में बदलता है.
    • कॉन्फ़िगर किए गए BigQuery डेटासेट के ख़िलाफ़ सीधे तौर पर क्वेरी चलाता है.
    • यह रूट एजेंट को क्वेरी के ऐसे नतीजे दिखाता है जिनमें कोई बदलाव नहीं किया गया है.

3. BigQuery डेटासेट

  • भूमिका: क्लाउड-नेटिव ऐनलिटिकल डेटा वेयरहाउस.
  • कॉन्टेंट: Roads Management Insights (आरएमआई) टेबल. इनमें historical_travel_time और recent_roads_data शामिल हैं. इन्हें आरएमआई BigQuery स्कीमा के हिसाब से व्यवस्थित किया गया है.

4. Google GenAI

  • भूमिका: यह तर्क करने और भाषा जनरेट करने वाला मुख्य इंजन है.
  • मॉडल: यह एजेंट ऑर्केस्ट्रेशन, आम बोलचाल की भाषा को समझने, और एसक्यूएल जनरेट करने के लिए, Google Gemini मॉडल (जैसे, gemini-3.5-flash) का इस्तेमाल करता है.

एक्ज़ीक्यूशन फ़्लो

  1. उपयोगकर्ता का अनुरोध: उपयोगकर्ता, नैचुरल लैंग्वेज में सवाल सबमिट करता है. उदाहरण के लिए, "कल रूट 66 पर यात्रा में लगने वाला समय कितना था?".
  2. प्लानिंग और ऑर्केस्ट्रेशन: RMI एजेंट को अनुरोध मिलता है. वह पहचानता है कि अनुभवजन्य ट्रैफ़िक डेटा की ज़रूरत है. इसके बाद, वह सब-एजेंट के लिए डेटा वापस पाने से जुड़ा कोई खास निर्देश तैयार करता है.
  3. डेलिगेशन: आरएमआई एजेंट, BigQuery एजेंट को स्ट्रक्चर्ड निर्देश और समय या जगह से जुड़ी ज़रूरी शर्तों के साथ शुरू करता है.
  4. एसक्यूएल जनरेट करना: BigQuery एजेंट, आरएमआई स्कीमा को समझकर, ऑप्टिमाइज़ की गई BigQuery एसक्यूएल क्वेरी जनरेट करता है.
  5. क्वेरी चलाना और डेटा वापस पाना: BigQuery एजेंट, BigQuery डेटासेट के ख़िलाफ़ क्वेरी चलाता है और टेबल के फ़ॉर्मैट में नतीजे के तौर पर मिले रिकॉर्ड वापस पाता है.
  6. जवाब तैयार करना: BigQuery एजेंट, RMI एजेंट को बिना बदलाव किया गया रॉ डेटा भेजता है. RMI एजेंट, नतीजों को समझता है, सड़क के आईडी की जानकारी न होने की समस्या को हल करता है, और उपयोगकर्ता के लिए नैचुरल लैंग्वेज में जवाब तैयार करता है.

उदाहरण

चुनौती

किसी शहर के प्लानर को, मेट्रोपॉलिटन रोड नेटवर्क पर ट्रैफ़िक की भीड़ का आकलन करना है. इससे वह यह तय कर पाएगा कि शाम के व्यस्त समय में, ट्रैफ़िक सिग्नल के समय में बदलाव करने की ज़रूरत है या नहीं.

समस्या हल करने का वर्कफ़्लो

  1. उपयोगकर्ता की क्वेरी: प्लानर, सीएलआई या वेब यूज़र इंटरफ़ेस (यूआई) का इस्तेमाल करके एजेंट से इंटरैक्ट करता है. वह पूछता है:

    "पिछले शुक्रवार को शाम 5 बजे, बोस्टन के डाउनटाउन में सबसे ज़्यादा भीड़भाड़ वाले पांच रास्तों की पहचान करो."

  2. एजेंट की ओर से प्रोसेस किया जा रहा है:

    • आरएमआई एजेंट, अनुरोध को पार्स करता है. इससे टारगेट की गई जगह ("बॉस्टन का डाउनटाउन"), समयसीमा ("पिछले शुक्रवार शाम 5 बजे"), और विश्लेषण का मकसद ("सबसे ज़्यादा भीड़भाड़ वाले पांच रास्ते") पता चलता है. इससे यह तय होता है कि "ट्रैफ़िक" को, यात्रा में लगने वाले रीयल-टाइम के अनुपात के तौर पर मापा जाना चाहिए. यह अनुपात, यात्रा में लगने वाले स्टैटिक समय (duration_in_seconds / static_duration_in_seconds) के हिसाब से तय होता है.

    • यह डेटा को वापस पाने का काम, BigQuery एजेंट को सौंपता है. इसके लिए, स्ट्रक्चर्ड निर्देश का इस्तेमाल किया जाता है:

      "बोस्टन के डाउनटाउन में मौजूद सड़कों के सेगमेंट ढूंढो और 9 जनवरी, 2026 को शाम 5:00 बजे सबसे ज़्यादा ट्रैफ़िक वाले पांच सेगमेंट दिखाओ."

  3. डेटा वापस पाना:

    • BigQuery एजेंट, इस निर्देश को एसक्यूएल क्वेरी में बदलता है. यह क्वेरी, historical_travel_time टेबल को टारगेट करती है. साथ ही, इससे ट्रैफ़िक की वजह से होने वाली देरी के अनुपात का हिसाब लगाया जाता है और नतीजों को क्रम से लगाया जाता है, ताकि सबसे ज़्यादा देरी वाले पांच सेगमेंट की पहचान की जा सके.
    • यह BigQuery के ख़िलाफ़ क्वेरी को एक्ज़ीक्यूट करता है.
    • BigQuery, टेबल के फ़ॉर्मैट में रॉ डेटा दिखाता है. जैसे, (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

  4. इनसाइट जनरेट करना:

    • BigQuery एजेंट, सेगमेंट की रॉ लिस्ट को RMI एजेंट को वापस भेजता है.
    • आरएमआई एजेंट, रिकॉर्ड का विश्लेषण करता है. साथ ही, उन सड़क सेगमेंट को मैनेज करता है जिनके डिसप्ले नेम मौजूद नहीं हैं या जिनमें सिर्फ़ आइडेंटिफ़ायर के रेफ़रंस मौजूद हैं. इसके अलावा, यह डेटा को एक्ज़ीक्यूटिव समरी में सिंथेसाइज़ करता है.

    • एजेंट, फ़ाइनल जवाब तैयार करता है:

      "शुक्रवार, 9 जनवरी, 2026 को शाम 5:00 बजे, बोस्टन के बीचोंबीच मौजूद सबसे व्यस्त रास्तों पर, यात्रा में लगने वाला समय, सामान्य समय से काफ़ी ज़्यादा था. यहां ऐसे पांच सबसे ज़्यादा व्यस्त सेगमेंट दिए गए हैं जिनमें ट्रैफ़िक की वजह से यात्रा में लगने वाला समय, सामान्य समय से ज़्यादा है. यह जानकारी, ट्रैफ़िक की वजह से यात्रा में लगने वाले समय और सामान्य समय के अनुपात के आधार पर दी गई है: रूट रोड/CgkJZ-tTXuNcW4s: यह सबसे ज़्यादा व्यस्त सेगमेंट था. इसमें यात्रा में लगने वाला समय 66 सेकंड था, जबकि सामान्य समय सिर्फ़ 6 सेकंड था. इसका मतलब है कि ट्रैफ़िक की वजह से यात्रा में लगने वाला समय, सामान्य समय से 11 गुना ज़्यादा था..."

आरएमआई एजेंट से चैट का उदाहरण

नतीजा

बातचीत वाली इंटरैक्शन और नैरेटिव सिंथेसिस को लो-लेवल एसक्यूएल जनरेशन और डेटा वापस पाने से अलग करके, क्रमबद्ध आरएमआई एडीके एजेंट आर्किटेक्चर, जटिल जियोस्पेशल डेटा वेयरहाउस और उपयोगकर्ताओं के बीच के अंतर को कम करता है. किसी खास सब-एजेंट में डेटाबेस को अलग-अलग हिस्सों में बांटकर एक्ज़ीक्यूट करने से, मॉड्यूलरिटी, रखरखाव, और ऑपरेशनल सुरक्षा को बढ़ावा मिलता है. साथ ही, फ़ैसले लेने वाले लोग, नैचुरल लैंग्वेज के ज़रिए पुष्टि की जा सकने वाली अहम जानकारी को तेज़ी से निकाल पाते हैं.

अगले चरण

  • अपनी ज़रूरत के हिसाब से बनाएं: इस मल्टी-एजेंट आर्किटेक्चर और प्रॉम्प्ट डिज़ाइन को, अपने खास भू-स्थानिक या संगठनात्मक इस्तेमाल के उदाहरणों के हिसाब से बनाएं.
  • प्लानर एजेंट की मदद से एक्सटेंड करना: कई चरणों वाले मुश्किल विश्लेषण वर्कफ़्लो को व्यवस्थित करने के लिए, प्लानर एजेंट को शामिल करें.
  • अलग-अलग मोड वाले डेटा सोर्स इंटिग्रेट करें: आरएमआई डेटा को मौसम के इवेंट, निर्माण के शेड्यूल या लाइव घटना की फ़ीड जैसी अतिरिक्त स्पेशल लेयर के साथ जोड़कर, ट्रैफ़िक और सड़कों के मैनेजमेंट के बारे में ज़्यादा जानकारी पाएं.
  • प्रोडक्शन में डिप्लॉय करें: Gemini Enterprise Agent Platform पर होस्ट किए गए ADK एजेंटों को रजिस्टर और मैनेज करने के लिए दी गई गाइड को पढ़कर, अपने एजेंट को प्रोटोटाइप से प्रोडक्शन एंटरप्राइज़ एनवायरमेंट में बदलें.

योगदानकर्ता

केल मार्कट | क्लाउड जियोग्राफ़र