AI Agent ของข้อมูลเชิงลึกสำหรับการจัดการเส้นทางจราจร

วัตถุประสงค์

Agent ประเภท ADK ของข้อมูลเชิงลึกสำหรับการจัดการเส้นทางจราจร (RMI) มีอินเทอร์เฟซภาษาธรรมชาติสำหรับการค้นหาและวิเคราะห์ข้อมูล RMI ที่จัดเก็บไว้ใน Google BigQuery การใช้ประโยชน์จาก Agent Development Kit (ADK) และโมเดลภาษาขนาดใหญ่ของ Gemini ช่วยให้ผู้ใช้สามารถดึงข้อมูลเชิงลึกที่นำไปใช้ได้จริงจากชุดข้อมูลเครือข่ายถนนและการจราจรขนาดใหญ่โดยไม่ต้องเขียนการค้นหา SQL ที่ซับซ้อนด้วยตนเอง

สถาปัตยกรรมอ้างอิง

สถาปัตยกรรมประกอบด้วยระบบ Agent แบบลำดับชั้น ซึ่ง Agent ระดับรูท วางแผนและจัดการเป็นกลุ่มการโต้ตอบของผู้ใช้ โดยมอบหมายการดึงข้อมูลที่เฉพาะเจาะจง และงานการสร้าง SQL ให้กับ Agent ย่อย ที่เชี่ยวชาญ

แผนภาพสถาปัตยกรรมของ RMI Agent

คอมโพเนนต์

1. RMI Agent (Root Agent)

  • บทบาท: อินเทอร์เฟซการสนทนาหลักและผู้จัดการงาน
  • ความรับผิดชอบ:
    • คงบริบทการสนทนาไปมา
    • แยกคำขอภาษาธรรมชาติออกเป็นงานวิเคราะห์ที่นำไปใช้ได้จริง
    • มอบหมายงานการดึงข้อมูล Structured Data ให้กับ BigQuery Agent
    • สังเคราะห์ข้อมูลแบบตารางดิบที่ Agent ย่อย ส่งกลับมาเป็นข้อมูลเชิงลึกที่กระชับและที่มนุษย์อ่านได้

2. ตัวแทน BigQuery (ตัวแทนย่อย)

  • บทบาท: ตัวแทนการแปล SQL และการดำเนินการฐานข้อมูลเฉพาะทาง
  • ความรับผิดชอบ:
    • แปลวิธีการในภาษาธรรมชาติจาก Root Agent เป็นคำค้นหา BigQuery SQL ที่ได้รับการเพิ่มประสิทธิภาพ
    • เรียกใช้การค้นหาโดยตรงกับชุดข้อมูล BigQuery ที่กำหนดค่าไว้
    • แสดงผลการค้นหาดิบที่ไม่มีการเปลี่ยนแปลงไปยัง Root Agent

3. ชุดข้อมูล BigQuery

  • บทบาท: คลังข้อมูลวิเคราะห์ที่ดำเนินการบนระบบคลาวด์
  • เนื้อหา: ตารางข้อมูลเชิงลึกสำหรับการจัดการเส้นทางจราจร (RMI) ซึ่งรวมถึง historical_travel_time และ recent_roads_data ที่จัดโครงสร้างตาม สคีมา RMI BigQuery

4. GenAI ของ Google

  • บทบาท: เครื่องมือหลักในการให้เหตุผลและการสร้างภาษา
  • โมเดล: ใช้ประโยชน์จากโมเดล Google Gemini (เช่น gemini-3.5-flash) เพื่อขับเคลื่อนการจัดการเป็นกลุ่มของเอเจนต์ ความเข้าใจภาษาธรรมชาติ และการสร้าง SQL

โฟลว์การดำเนินการ

  1. คำขอของผู้ใช้: ผู้ใช้ส่งคำถามในภาษาธรรมชาติ (เช่น "เมื่อวานนี้ระยะเวลาเดินทางโดยเฉลี่ยบนเส้นทาง 66 เป็นเท่าใด")
  2. การวางแผนและการประสานงาน: RMI Agent จะได้รับคำขอ ระบุว่าต้องใช้ข้อมูลการเข้าชมเชิงประจักษ์ และกำหนด วิธีการดึงข้อมูลที่เฉพาะเจาะจงสำหรับ Sub-Agent
  3. การมอบหมาย: RMI Agent จะเรียกใช้ BigQuery Agent โดยมี คำสั่งที่มีโครงสร้างและข้อจำกัดด้านเวลาหรือพื้นที่ที่เกี่ยวข้อง
  4. การสร้าง SQL: เอเจนต์ BigQuery จะสร้างข้อความค้นหา SQL ของ BigQuery ที่ได้รับการเพิ่มประสิทธิภาพโดยใช้ความเข้าใจในสคีมา RMI
  5. การดำเนินการและการดึงข้อมูล: เอเจนต์ BigQuery จะดำเนินการค้นหา กับชุดข้อมูล BigQuery ที่อยู่เบื้องหลังและดึงระเบียนแบบตาราง ที่ได้
  6. การสังเคราะห์คำตอบ: เอเจนต์ BigQuery จะส่งคืนข้อมูลดิบที่ไม่มีการเปลี่ยนแปลงไปยังเอเจนต์ RMI ซึ่งจะตีความผลลัพธ์ แก้ไขตัวระบุถนนที่ขาดหายไป และสร้างคำตอบที่ชัดเจนในภาษาธรรมชาติสำหรับผู้ใช้

สถานการณ์ตัวอย่าง

ความท้าทาย

นักวางผังเมืองต้องประเมินการจราจรติดขัดทั่วทั้งเครือข่ายถนนในเขตมหานคร เพื่อพิจารณาว่าจำเป็นต้องปรับเวลาสัญญาณไฟจราจรในช่วงเวลา เร่งด่วนตอนเย็นหรือไม่

เวิร์กโฟลว์ของโซลูชัน

  1. คำค้นหาของผู้ใช้: Planner โต้ตอบกับ Agent โดยใช้ CLI หรือ Web UI โดยถามว่า

    "ระบุเส้นทาง 5 อันดับแรกที่คับคั่งที่สุดในดาวน์ทาวน์บอสตันเมื่อวันศุกร์ที่ผ่านมาเวลา 17:00 น."

  2. การประมวลผลของตัวแทน:

    • RMI Agent จะแยกวิเคราะห์คำขอ โดยจะระบุสถานที่เป้าหมาย ("ดาวน์ทาวน์บอสตัน") กรอบเวลา ("วันศุกร์ที่ผ่านมาเวลา 17:00 น.") และวัตถุประสงค์ในการวิเคราะห์ ("5 เส้นทางที่มีการจราจรหนาแน่นที่สุด") ซึ่งกำหนดว่าควรวัด "ความหนาแน่น" เป็นอัตราส่วนของระยะเวลาการเดินทางแบบเรียลไทม์ต่อระยะเวลาแบบคงที่ (duration_in_seconds / static_duration_in_seconds)

    • โดยจะมอบหมายการดึงข้อมูลให้กับเอเจนต์ BigQuery พร้อมคำสั่งที่มีโครงสร้าง ดังนี้

      "ค้นหาส่วนของถนนในตัวเมืองบอสตันและแสดง 5 อันดับแรกที่มีอัตราส่วนความหนาแน่นสูงสุดในวันศุกร์ที่ 9 มกราคม 2026 เวลา 17:00 น."

  3. การดึงข้อมูล:

    • เอเจนต์ BigQuery จะแปลคำสั่งนี้เป็นคำค้นหา SQL ที่กำหนดเป้าหมายไปยังตาราง historical_travel_time โดยคำนวณ อัตราส่วนความหนาแน่นและจัดเรียงผลลัพธ์เพื่อระบุ 5 กลุ่มแรก
    • โดยจะเรียกใช้การค้นหาใน BigQuery
    • BigQuery จะแสดงผลลัพธ์แบบตารางดิบ เช่น (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio)

  4. การสร้างข้อมูลเชิงลึก:

    • เอเจนต์ BigQuery จะส่งรายการกลุ่มดิบกลับไปยังเอเจนต์ RMI
    • ตัวแทน RMI จะวิเคราะห์บันทึก จัดการส่วนถนนที่มี ชื่อที่แสดงหรือการอ้างอิงที่ระบุตัวตนเท่านั้น และสังเคราะห์ ข้อมูลเป็นข้อมูลสรุปสำหรับผู้บริหาร

    • Agent จะสร้างคำตอบสุดท้ายดังนี้

      "ในวันศุกร์ที่ 9 มกราคม 2026 เวลา 17:00 น. เส้นทางที่คับคั่งที่สุดในตัวเมืองบอสตันมีเวลาในการเดินทางสูงกว่าระยะเวลาคงที่ตามปกติอย่างมาก ต่อไปนี้คือ 5 ส่วนที่ติดขัดมากที่สุดโดยอิงตามอัตราส่วนของระยะเวลาที่ทราบการจราจรต่อระยะเวลาคงที่ ถนนเส้นทาง/CgkJZ-tTXuNcW4s: ส่วนนี้ติดขัดมากที่สุด โดยมีเวลาเดินทาง 66 วินาทีเมื่อเทียบกับระยะเวลาคงที่เพียง 6 วินาที (อัตราส่วนความติดขัด 11.0 เท่า)..."

แชทตัวอย่างของตัวแทน RMI

บทสรุป

การแยกการโต้ตอบแบบสนทนาและการสังเคราะห์คำบรรยายออกจาก การสร้าง SQL และการดึงข้อมูลระดับต่ำ สถาปัตยกรรม Agent ADK ของ RMI แบบลําดับชั้น จะช่วยลดช่องว่างระหว่างคลังข้อมูลเชิงพื้นที่ที่ซับซ้อนกับผู้ใช้ปลายทาง การแยกการดำเนินการฐานข้อมูลภายใน Agent ย่อยเฉพาะทางจะช่วยส่งเสริมความสามารถในการปรับเปลี่ยน การบำรุงรักษา และความปลอดภัยในการปฏิบัติงาน ขณะเดียวกันก็ช่วยให้ผู้มีอำนาจตัดสินใจ ดึงข้อมูลเชิงลึกที่ตรวจสอบได้โดยใช้ภาษาธรรมชาติได้อย่างรวดเร็ว

ขั้นตอนถัดไป

  • ปรับแต่งสำหรับกรณีการใช้งานของคุณ: ปรับสถาปัตยกรรมแบบหลายเอเจนต์และการออกแบบพรอมต์นี้ให้เหมาะกับกรณีการใช้งานเชิงพื้นที่หรือขององค์กรของคุณโดยเฉพาะ
  • ขยายด้วย Planner Agent เฉพาะทาง: ผสานรวม Planner Agent เฉพาะเพื่อจัดการเวิร์กโฟลว์การวิเคราะห์ที่ซับซ้อนแบบหลายขั้นตอน
  • ผสานรวมแหล่งข้อมูลแบบมัลติโมดอล: เพิ่มข้อมูลเชิงลึกด้านการจัดการการจราจรและถนนด้วยการรวมข้อมูล RMI กับเลเยอร์เชิงพื้นที่เพิ่มเติม เช่น เหตุการณ์สภาพอากาศ ตารางการก่อสร้าง หรือฟีดเหตุการณ์สด
  • ติดตั้งใช้งานในสภาพแวดล้อมการผลิต: เปลี่ยนเอเจนต์จากต้นแบบไปเป็นสภาพแวดล้อมการผลิตระดับองค์กรโดยทำตามคำแนะนำในการลงทะเบียนและจัดการเอเจนต์ ADK ที่โฮสต์ในแพลตฟอร์ม Agent ของ Gemini Enterprise

ผู้ร่วมให้ข้อมูล

Kel Markert | Cloud Geographer