Agen AI Analisis Pengelolaan Jalan Raya

Penting: Sebelum dapat membuat kueri data Analisis Pengelolaan Jalan Raya, Anda harus terlebih dahulu berlangganan set data Boston RMI Demo Sharing (atau membeli langganan set data RMI untuk lokasi Anda) dan memiliki akses ke Gemini API.

Tujuan

Agen ADK Analisis Pengelolaan Jalan Raya (RMI) menyediakan antarmuka bahasa alami untuk membuat kueri dan menganalisis data RMI yang disimpan di Google BigQuery. Dengan memanfaatkan Kit Pengembangan Agen (ADK) Google dan model bahasa besar Gemini, pengguna dapat mengekstrak insight yang dapat ditindaklanjuti dari set data jaringan jalan dan lalu lintas skala besar tanpa harus menulis kueri SQL yang kompleks secara manual.

Arsitektur Referensi

Arsitekturnya terdiri dari sistem agen hierarkis di mana agen root merencanakan dan mengatur interaksi pengguna, mendelegasikan pengambilan data dan tugas pembuatan SQL tertentu ke sub-agen khusus.

Komponen

1. Agen RMI (Agen Root)

• Peran: Antarmuka percakapan utama dan pengorkestrasi tugas.
• Tanggung jawab:
  • Mempertahankan konteks percakapan bolak-balik.
  • Menguraikan permintaan bahasa alami menjadi tugas analisis yang dapat ditindaklanjuti.
  • Mendelegasikan tugas pengambilan data terstruktur ke Agen BigQuery.
  • Mensintesis data tabular mentah yang ditampilkan oleh sub-agen menjadi insight yang ringkas dan dapat dibaca manusia.

2. Agen BigQuery (Sub-Agen)

• Peran: Agen eksekusi database dan terjemahan SQL khusus.
• Tanggung jawab:
  • Menerjemahkan petunjuk bahasa alami dari Root Agent menjadi kueri SQL BigQuery yang dioptimalkan.
  • Menjalankan kueri secara langsung terhadap set data BigQuery yang dikonfigurasi.
  • Menampilkan hasil kueri mentah dan tidak diubah ke Agen Root.

3. Set data BigQuery

• Peran: Data warehouse analitik berbasis cloud.
• Konten: Tabel Analisis Pengelolaan Jalan Raya (RMI), termasuk historical_travel_time dan recent_roads_data, yang disusun sesuai dengan skema BigQuery RMI.

4. AI Generatif Google

• Peran: Mesin penalaran dan pembuatan bahasa inti.
• Model: Memanfaatkan model Gemini Google (misalnya, gemini-3.5-flash) untuk mendukung orkestrasi agen, pemahaman bahasa alami, dan pembuatan SQL.

Alur Eksekusi

1. Permintaan Pengguna: Pengguna mengirimkan pertanyaan dalam bahasa alami (misalnya, "Berapa rata-rata waktu perjalanan di Rute 66 kemarin?").
2. Perencanaan & Pengoordinasian: Agen RMI menerima permintaan, mengidentifikasi bahwa data lalu lintas empiris diperlukan, dan merumuskan instruksi pengambilan tertentu untuk sub-agen.
3. Delegasi: RMI Agent memanggil BigQuery Agent dengan instruksi terstruktur dan batasan temporal atau spasial yang relevan.
4. Pembuatan SQL: Dengan memanfaatkan pemahamannya tentang skema RMI, Agen BigQuery membuat kueri SQL BigQuery yang dioptimalkan.
5. Eksekusi & Pengambilan Data: BigQuery Agent menjalankan kueri terhadap set data BigQuery yang mendasarinya dan mengambil hasil rekaman tabulasi.
6. Sintesis Respons: Agen BigQuery menampilkan data mentah yang tidak diubah ke Agen RMI, yang menafsirkan hasil, menyelesaikan ID jalan yang tidak ada, dan membuat respons bahasa alami yang jelas untuk pengguna.

Contoh Skenario

Tantangan

Seorang perencana kota perlu menilai kemacetan lalu lintas di seluruh jaringan jalan metropolitan untuk menentukan apakah pengaturan waktu sinyal lalu lintas perlu disesuaikan selama jam perjalanan pulang kerja pada sore hari.

Alur Kerja Solusi

1. Kueri Pengguna: Perencana berinteraksi dengan agen menggunakan CLI atau UI Web, dengan mengajukan pertanyaan:

   "Identifikasi 5 rute paling padat di pusat kota Boston pada Jumat lalu pukul 17.00."

2. Pemrosesan Agen:

   • Agen RMI mengurai permintaan. Plugin ini mengidentifikasi target lokasi ("pusat kota Boston"), jangka waktu ("Jumat lalu pukul 17.00"), dan tujuan analisis ("5 rute paling padat"). Hal ini menentukan bahwa "kemacetan" harus diukur sebagai rasio durasi perjalanan real-time terhadap durasi statis (duration_in_seconds / static_duration_in_seconds).

   • Agen ini mendelegasikan pengambilan data ke Agen BigQuery dengan instruksi terstruktur:

     "Temukan segmen jalan di pusat kota Boston dan tampilkan 5 segmen teratas dengan rasio kemacetan tertinggi untuk hari Jumat, 9 Januari 2026, pukul 17.00."

3. Pengambilan Data:

   • BigQuery Agent menerjemahkan petunjuk ini menjadi kueri SQL yang menargetkan tabel historical_travel_time, menghitung rasio kemacetan, dan mengurutkan hasil untuk mengidentifikasi 5 segmen teratas.
   • Layanan ini menjalankan kueri terhadap BigQuery.
   • BigQuery menampilkan hasil tabular mentah, seperti (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

4. Pembuatan Insight:

   • Agen BigQuery meneruskan daftar segmen mentah kembali ke Agen RMI.
   • Agen RMI menganalisis data, menangani segmen jalan dengan nama tampilan yang tidak ada atau hanya referensi ID, dan menyintesis data menjadi ringkasan eksekutif.

   • Agen menyusun respons akhir:

     "Pada Jumat, 9 Januari 2026, pukul 17.00, rute paling padat di pusat kota Boston mengalami waktu tempuh yang jauh lebih tinggi daripada durasi statis biasanya. Berikut adalah 5 segmen yang paling padat berdasarkan rasio durasi yang mengetahui lalu lintas terhadap durasi statis: Route roads/CgkJZ-tTXuNcW4s: Ini adalah segmen yang paling padat, dengan waktu perjalanan 66 detik dibandingkan dengan durasi statis hanya 6 detik (rasio kepadatan 11,0x)..."

Kesimpulan

Dengan memisahkan interaksi percakapan dan sintesis naratif dari pembuatan SQL tingkat rendah dan pengambilan data, arsitektur Agen ADK RMI hierarkis menjembatani kesenjangan antara gudang data geospasial yang kompleks dan pengguna akhir. Mengisolasi eksekusi database dalam sub-agen khusus meningkatkan modularitas, kemudahan pemeliharaan, dan keamanan operasional sekaligus memungkinkan pengambil keputusan mengekstrak insight yang dapat diverifikasi dengan cepat melalui bahasa alami.

Langkah berikutnya

• Menyesuaikan untuk kasus penggunaan Anda: Sesuaikan arsitektur multi-agen dan desain perintah ini dengan kasus penggunaan geospasial atau organisasi spesifik Anda.
• Perluas dengan agen perencana khusus: Gabungkan agen perencana khusus untuk mengatur alur kerja analitis multi-langkah yang kompleks.
• Mengintegrasikan sumber data multi-modal: Memperkaya insight pengelolaan lalu lintas dan jalan dengan menggabungkan data RMI dengan lapisan spasial tambahan seperti peristiwa cuaca, jadwal konstruksi, atau feed insiden live.
• Deploy ke produksi: Transisikan agen Anda dari prototipe ke lingkungan perusahaan produksi dengan mengikuti panduan untuk mendaftarkan dan mengelola agen ADK yang dihosting di Gemini Enterprise Agent Platform.

Kontributor

Kel Markert | Cloud Geographer