Agente AI di Insight di gestione stradale

Importante :prima di poter eseguire query sui dati di Insight di gestione stradale, devi prima abbonarti al set di dati Boston RMI Demo Sharing (o acquistare un abbonamento al set di dati RMI per la tua località) e avere accesso all'API Gemini.

Obiettivo

L'agente ADK Insight di gestione stradale (RMI) fornisce un'interfaccia in linguaggio naturale per eseguire query e analizzare i dati RMI archiviati in Google BigQuery. Sfruttando l'Agent Development Kit (ADK) di Google e i modelli LLM Gemini, consente agli utenti di estrarre informazioni utili da set di dati su larga scala relativi a reti stradali e traffico senza scrivere manualmente query SQL complesse.

Architettura di riferimento

L'architettura è costituita da un sistema di agenti gerarchico in cui un agente principale pianifica e orchestra le interazioni degli utenti, delegando attività specifiche di recupero dei dati e generazione di SQL a un sub-agente specializzato.

Componenti

1. Agente RMI (agente principale)

• Ruolo: interfaccia conversazionale principale e orchestratore di attività.
• Responsabilità:
  • Mantiene il contesto della conversazione a più turni.
  • Decompone le richieste in linguaggio naturale in attività di analisi eseguibili.
  • Delega le attività di recupero dei dati strutturati all'agente BigQuery.
  • Sintetizza i dati tabulari non elaborati restituiti dal sub-agente in insight concisi e leggibili.

2. BigQuery Agent (Sub-Agent)

• Ruolo: agente specializzato per la traduzione SQL e l'esecuzione di database.
• Responsabilità:
  • Traduce le istruzioni in linguaggio naturale dell'agente root in query SQL BigQuery ottimizzate.
  • Esegue query direttamente sul set di dati BigQuery configurato.
  • Restituisce i risultati della query non elaborati e inalterati all'agente principale.

3. Set di dati BigQuery

• Ruolo: data warehouse analitico cloud-native.
• Contenuti: tabelle Insight di gestione stradale (RMI), tra cui historical_travel_time e recent_roads_data, strutturate in base allo schema BigQuery RMI.

4. Google GenAI

• Ruolo: motore principale di ragionamento e generazione del linguaggio.
• Modello: utilizza i modelli Google Gemini (ad es. gemini-3.5-flash) per potenziare l'orchestrazione degli agenti, la comprensione del linguaggio naturale e la generazione di SQL.

Flusso di esecuzione

1. Richiesta dell'utente: l'utente invia una domanda in linguaggio naturale (ad es. "Qual è stato il tempo di percorrenza medio sulla Route 66 ieri?").
2. Pianificazione e orchestrazione: l'agente RMI riceve la richiesta, identifica che sono necessari dati sul traffico empirici e formula un'istruzione di recupero specifica per il sub-agente.
3. Delega: l'agente RMI richiama l'agente BigQuery con l'istruzione strutturata e i vincoli temporali o spaziali pertinenti.
4. Generazione di SQL: sfruttando la sua comprensione dello schema RMI, l'agente BigQuery genera una query SQL di BigQuery ottimizzata.
5. Esecuzione e recupero dei dati: l'agente BigQuery esegue la query sul set di dati BigQuery sottostante e recupera i record tabulari risultanti.
6. Sintesi della risposta: l'agente BigQuery restituisce i dati grezzi inalterati all'agente RMI, che interpreta i risultati, risolve gli identificatori stradali mancanti e crea una risposta chiara in linguaggio naturale per l'utente.

Scenario di esempio

La sfida

Un urbanista deve valutare la congestione del traffico in una rete stradale metropolitana per determinare se i tempi dei semafori richiedono un aggiustamento durante le ore di punta del pendolarismo serale.

Flusso di lavoro della soluzione

1. Query utente: il pianificatore interagisce con l'agente utilizzando la CLI o l'interfaccia utente web, chiedendo:

   "Identifica i 5 percorsi più congestionati nel centro di Boston venerdì scorso alle 17:00."

2. Elaborazione dell'agente:

   • L'agente RMI analizza la richiesta. Identifica la località di destinazione ("centro di Boston"), la finestra temporale ("venerdì scorso alle 17:00") e l'obiettivo analitico ("i 5 percorsi più trafficati"). Determina che la "congestione" deve essere misurata come il rapporto tra la durata del viaggio in tempo reale e la durata statica (duration_in_seconds / static_duration_in_seconds).

   • Delega il recupero dei dati all'agente BigQuery con un'istruzione strutturata:

     "Trova i segmenti stradali nel centro di Boston e restituisci i primi 5 con il rapporto di congestione più elevato per venerdì 9 gennaio 2026 alle ore 17:00."

3. Recupero dei dati:

   • L'agente BigQuery traduce questa istruzione in una query SQL che ha come target la tabella historical_travel_time, calcolando il rapporto di congestione e ordinando i risultati per identificare i primi 5 segmenti.
   • Esegue la query su BigQuery.
   • BigQuery restituisce risultati tabulari non elaborati, ad esempio (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

4. Generazione di insight:

   • L'agente BigQuery passa l'elenco non elaborato dei segmenti all'agente RMI.
   • L'agente RMI analizza i record, gestisce i segmenti stradali con nomi visualizzati o riferimenti solo identificativi mancanti e sintetizza i dati in un riepilogo.

   • L'agente costruisce la risposta finale:

     "Venerdì 9 gennaio 2026, alle 17:00, i percorsi più congestionati del centro di Boston hanno registrato tempi di percorrenza significativamente più elevati rispetto alle loro durate statiche tipiche. Ecco i 5 segmenti più congestionati in base al rapporto tra la durata in base al traffico e la durata statica: Route roads/CgkJZ-tTXuNcW4s: questo è il segmento più congestionato, con un tempo di percorrenza di 66 secondi rispetto a una durata statica di soli 6 secondi (un rapporto di congestione di 11 volte)..."

Conclusione

Separando l'interazione conversazionale e la sintesi narrativa dalla generazione di SQL e dal recupero dei dati di basso livello, l'architettura dell'agente ADK RMI gerarchico colma il divario tra i complessi data warehouse di dati geospaziali e gli utenti finali. L'isolamento dell'esecuzione del database all'interno di un sub-agente specializzato promuove la modularità, la manutenibilità e la sicurezza operativa, consentendo ai responsabili delle decisioni di estrarre rapidamente insight verificabili tramite il linguaggio naturale.

Passaggi successivi

• Personalizza per il tuo caso d'uso: adatta questa architettura multi-agente e la progettazione dei prompt ai tuoi casi d'uso specifici a livello geospaziale o organizzativo.
• Estendi con agenti di pianificazione specializzati: incorpora un agente di pianificazione dedicato per orchestrare workflow analitici complessi in più passaggi.
• Integra origini dati multimodali: arricchisci le informazioni sulla gestione del traffico e delle strade combinando i dati RMI con ulteriori livelli spaziali, come eventi meteorologici, programmi di costruzione o feed di incidenti in tempo reale.
• Deployment in produzione: esegui la transizione del tuo agente dal prototipo a un ambiente aziendale di produzione seguendo la guida per registrare e gestire gli agenti ADK ospitati su Gemini Enterprise Agent Platform.

Collaboratori

Kel Markert | Cloud Geographer