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 के लिए 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, क्रम के हिसाब से व्यवस्थित किया गया 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 SQL जनरेट करने के खास टास्क, विशेषज्ञता रखने 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 ऑर्केस्ट्रेटर.
  • ज़िम्मेदारियां:
    • यह सिलसिलेवार बातचीत के कॉन्टेक्स्ट को बनाए रखता 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.
    • यह कॉन्फ़िगर किए गए BigQuery डेटासेट के ख़िलाफ़ सीधे तौर पर क्वेरी चलाता है.
    • यह क्वेरी के रॉ नतीजे, बिना किसी बदलाव के रूट एजेंट को दिखाता है.

3. BigQuery डेटासेट

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

4. Google का जेन एआई

  • भूमिका: यह तर्क देने 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: आरएमआई एजेंट को अनुरोध मिलता है. इसके बाद, वह यह पता लगाता है कि अनुभव के आधार पर मिले ट्रैफ़िक डेटा की ज़रूरत है. साथ ही, वह सब-एजेंट के लिए डेटा वापस पाने से जुड़ा एक 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 वाले 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 छूटे हुए आइडेंटिफ़ायर को ठीक करता है, और उपयोगकर्ता के लिए नैचुरल लैंग्वेज में जवाब तैयार करता है.

उदाहरण

चुनौती

किसी शहर के प्लैनर 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 से जुड़ा 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, बॉस्टन के डाउनटाउन में सबसे ज़्यादा जाम 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 ("डेटाउन बॉस्टन"), 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 लगे रीयल-टाइम के अनुपात के तौर पर मापा जाना चाहिए. यह अनुपात, स्टैटिक अवधि (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:

      "बॉस्टन के डाउनटाउन में मौजूद सड़कों के सेगमेंट ढूंढो और 9 जनवरी, 2026 को शाम 5:00 बजे सबसे ज़्यादा ट्रैफ़िक वाली पांच सड़कों के नाम बताओ."

  3. डेटा वापस पाना:

    • BigQuery एजेंट, इस निर्देश को एसक्यूएल क्वेरी में बदलता है. यह क्वेरी, historical_travel_time टेबल को टारगेट करती है. 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 डेटा के आधार पर 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 बदलता है.

    • एजेंट, फ़ाइनल जवाब तैयार करता है:

      "शुक्रवार, 9 जनवरी, 2026 को शाम 5:00 बजे, बॉस्टन के डाउनटाउन में सबसे ज़्यादा व्यस्त रास्तों पर यात्रा करने में, सामान्य समय से काफ़ी ज़्यादा समय लगा. यहां, ट्रैफ़िक की वजह से यात्रा में लगने वाले समय और सामान्य समय के अनुपात के आधार पर, सबसे ज़्यादा ट्रैफ़िक वाले पांच सेगमेंट दिए गए हैं: रूट रोड/CgkJZ-tTXuNcW4s: यह सबसे ज़्यादा ट्रैफ़िक वाला सेगमेंट था. इसमें यात्रा में लगने वाला समय 66 सेकंड था, जबकि सामान्य समय सिर्फ़ 6 सेकंड था. ट्रैफ़िक का अनुपात 11.0 गुना था..."

आरएमआई एजेंट के साथ चैट का उदाहरण

नतीजा

बातचीत वाले इंटरैक्शन और नैरेटिव सिंथेसिस को लो-लेवल एसक्यूएल जनरेशन और डेटा वापस पाने की प्रोसेस से अलग करके, आरएमआई एडीके एजेंट के हैरारिकल आर्किटेक्चर ने जटिल जियोस्पेशल डेटा वेयरहाउस और उपयोगकर्ताओं के बीच के अंतर को कम कर दिया 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 की मदद से तेज़ी से पुष्टि की जा सकने वाली अहम जानकारी निकाल पाते हैं.

अगले चरण

  • अपनी ज़रूरत के हिसाब से कस्टमाइज़ करें: इस मल्टी-एजेंट आर्किटेक्चर और प्रॉम्प्ट डिज़ाइन को, अपने खास भू-स्थानिक या संगठनात्मक इस्तेमाल के मामलों के हिसाब से ढालें.
  • प्लानर एजेंट की मदद से एक्सटेंड करना: मुश्किल और कई चरणों वाले विश्लेषण वाले वर्कफ़्लो को व्यवस्थित करने के लिए, प्लानर एजेंट को शामिल करें.
  • अलग-अलग मोड वाले डेटा सोर्स इंटिग्रेट करें: आरएमआई डेटा को मौसम की घटनाओं, निर्माण के शेड्यूल या लाइव घटना की फ़ीड जैसी अतिरिक्त स्पेशल लेयर के साथ जोड़कर, ट्रैफ़िक और सड़कों के मैनेजमेंट से जुड़ी अहम जानकारी को बेहतर बनाएं.
  • प्रोडक्शन में डिप्लॉय करें: अपने एजेंट को प्रोटोटाइप से प्रोडक्शन एंटरप्राइज़ एनवायरमेंट में ले जाएं. इसके लिए, Gemini Enterprise Agent Platform पर होस्ट किए गए ADK एजेंट को रजिस्टर और मैनेज करने से जुड़ी गाइड देखें.

योगदानकर्ता

केल मार्कट | Cloud Geographer