AI Agent ของข้อมูลเชิงลึกสำหรับการจัดการเส้นทางจราจร

วัตถุประสงค์

Agent ADK ของข้อมูลเชิงลึกสำหรับการจัดการเส้นทางจราจร (RMI) มีอินเทอร์เฟซภาษาธรรมชาติสำหรับการค้นหาและวิเคราะห์ข้อมูล RMI ที่เก็บไว้ใน Google BigQuery โดยใช้ประโยชน์จาก Agent Development Kit (ADK) ของ Google และโมเดลภาษาขนาดใหญ่ของ Gemini ซึ่งช่วยให้ผู้ใช้ดึงข้อมูลเชิงลึกที่นำไปใช้ได้จริงจากชุดข้อมูลเครือข่ายถนนและข้อมูลการจราจรขนาดใหญ่ได้โดยไม่ต้องเขียนคำค้นหา SQL ที่ซับซ้อนด้วยตนเอง

สถาปัตยกรรมอ้างอิง

สถาปัตยกรรมประกอบด้วยระบบ Agent แบบลำดับชั้น ซึ่ง Agent รูทจะวางแผนและจัดการการโต้ตอบกับผู้ใช้ รวมถึงมอบหมายงานการดึงข้อมูลและการสร้าง SQL ที่เฉพาะเจาะจงให้กับ Agent ย่อยที่เชี่ยวชาญ

แผนภาพสถาปัตยกรรมของ RMI Agent

คอมโพเนนต์

1. Agent RMI (Agent รูท)

  • บทบาท: อินเทอร์เฟซการสนทนาหลักและผู้จัดการงาน
  • หน้าที่ความรับผิดชอบ:
    • รักษาบริบทการสนทนาไปมา
    • แยกคำขอภาษาธรรมชาติออกเป็นงานวิเคราะห์ที่นำไปใช้ได้จริง
    • มอบหมายงานการดึงข้อมูล Structured Data ให้กับ Agent BigQuery
    • สังเคราะห์ข้อมูลแบบตารางดิบที่ Agent ย่อยส่งคืนให้เป็นข้อมูลเชิงลึกที่กระชับและอ่านได้

2. Agent BigQuery (Agent ย่อย)

  • บทบาท: Agent การแปล SQL และการดำเนินการฐานข้อมูลที่เชี่ยวชาญ
  • หน้าที่ความรับผิดชอบ:
    • แปลคำแนะนำภาษาธรรมชาติจาก Root Agent เป็นคำค้นหา SQL ของ BigQuery ที่ได้รับการเพิ่มประสิทธิภาพ
    • เรียกใช้คำค้นหาในชุดข้อมูล BigQuery ที่กำหนดค่าไว้โดยตรง
    • ส่งคืนผลการค้นหาดิบที่ไม่มีการเปลี่ยนแปลงไปยัง Agent รูท

3. ชุดข้อมูล BigQuery

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

4. Google GenAI

  • บทบาท: เครื่องมือการให้เหตุผลและการสร้างภาษาหลัก
  • โมเดล: ใช้ประโยชน์จากโมเดล Google Gemini (เช่น gemini-3.5-flash) เพื่อขับเคลื่อนการจัดการ Agent, ความเข้าใจภาษาที่เป็นธรรมชาติ และการสร้าง SQL

โฟลว์การดำเนินการ

  1. คำขอของผู้ใช้: ผู้ใช้ส่งคำถามภาษาธรรมชาติ (เช่น "ระยะเวลาเดินทางเฉลี่ยบนเส้นทาง 66 เมื่อวานนี้เป็นเท่าใด")
  2. การวางแผนและการจัดการ: Agent RMI ได้รับคำขอ ระบุว่าต้องใช้ข้อมูลการจราจรเชิงประจักษ์ และกำหนดคำแนะนำการดึงข้อมูลที่เฉพาะเจาะจงสำหรับ Agent ย่อย
  3. การมอบหมาย: Agent RMI เรียกใช้ Agent BigQuery ด้วย คำแนะนำที่มีโครงสร้างและข้อจำกัดด้านเวลาหรือพื้นที่ที่เกี่ยวข้อง
  4. การสร้าง SQL: Agent BigQuery สร้างคำค้นหา SQL ของ BigQuery ที่ได้รับการเพิ่มประสิทธิภาพโดยใช้ความเข้าใจสคีมา RMI
  5. การดำเนินการและการดึงข้อมูล: Agent BigQuery เรียกใช้คำค้นหาในชุดข้อมูล BigQuery ที่เกี่ยวข้องและดึงข้อมูลระเบียนแบบตารางที่เป็นผลลัพธ์
  6. การสังเคราะห์การตอบกลับ: Agent BigQuery ส่งคืนข้อมูลดิบที่ไม่มีการเปลี่ยนแปลงไปยัง Agent RMI ซึ่งจะตีความผลลัพธ์ แก้ไขตัวระบุถนนที่ขาดหายไป และสร้างการตอบกลับภาษาธรรมชาติที่ชัดเจนสำหรับผู้ใช้

สถานการณ์ตัวอย่าง

ภารกิจ

นักผังเมืองต้องการประเมินการจราจรติดขัดในเครือข่ายถนนในเมืองใหญ่เพื่อพิจารณาว่าต้องปรับเวลาสัญญาณไฟจราจรในช่วงเวลาเร่งด่วนตอนเย็นหรือไม่

เวิร์กโฟลว์ของโซลูชัน

  1. คำค้นหาของผู้ใช้: นักผังเมืองโต้ตอบกับ Agent โดยใช้ CLI หรือ UI บนเว็บ และถามว่า

    "ระบุเส้นทาง 5 อันดับแรกที่การจราจรติดขัดมากที่สุดในตัวเมืองบอสตันเมื่อวันศุกร์ที่ผ่านมาเวลา 17:00 น."

  2. การประมวลผลของ Agent:

    • Agent RMI แยกวิเคราะห์คำขอ โดยระบุสถานที่เป้าหมาย ("ตัวเมืองบอสตัน") ช่วงเวลา ("วันศุกร์ที่ผ่านมาเวลา 17:00 น.") และวัตถุประสงค์ในการวิเคราะห์ ("เส้นทาง 5 อันดับแรกที่การจราจรติดขัดมากที่สุด") และกำหนดว่า "การจราจรติดขัด" ควรวัดเป็นอัตราส่วนของระยะเวลาการเดินทางแบบเรียลไทม์ ต่อระยะเวลาแบบคงที่ (duration_in_seconds / static_duration_in_seconds)

    • จากนั้นมอบหมายการดึงข้อมูลให้กับ Agent BigQuery ด้วยคำแนะนำที่มีโครงสร้างดังนี้

      "ค้นหาส่วนของถนนในตัวเมืองบอสตันและส่งคืน 5 อันดับแรกที่มีอัตราส่วนการจราจรติดขัดสูงสุดสำหรับวันศุกร์ที่ 9 มกราคม 2026 เวลา 17:00 น."

  3. การดึงข้อมูล:

    • Agent BigQuery แปลคำแนะนำนี้เป็นคำค้นหา SQL ที่กำหนดเป้าหมายไปที่ตาราง historical_travel_time โดยคำนวณอัตราส่วนการจราจรติดขัดและจัดลำดับผลลัพธ์เพื่อระบุส่วน 5 อันดับแรก
    • จากนั้นเรียกใช้คำค้นหาใน BigQuery
    • BigQuery จะส่งคืนผลลัพธ์แบบตารางดิบ เช่น (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio)

  4. การสร้างข้อมูลเชิงลึก:

    • Agent BigQuery ส่งรายการส่วนดิบกลับไปยัง Agent RMI
    • Agent RMI วิเคราะห์ระเบียน จัดการส่วนของถนนที่มีชื่อที่แสดงหายไปหรือการอ้างอิงตัวระบุเท่านั้น และสังเคราะห์ข้อมูลเป็นข้อมูลสรุปสำหรับผู้บริหาร

    • จากนั้น Agent จะสร้างการตอบกลับสุดท้ายดังนี้

      "เมื่อวันศุกร์ที่ 9 มกราคม 2026 เวลา 17:00 น. เส้นทางที่การจราจรติดขัดมากที่สุดในตัวเมืองบอสตันมีเวลาเดินทางสูงกว่าระยะเวลาแบบคงที่โดยทั่วไปอย่างมาก ส่วน 5 อันดับแรกที่การจราจรติดขัดมากที่สุดตามอัตราส่วนของระยะเวลาที่พิจารณาการจราจรต่อระยะเวลาแบบคงที่ ได้แก่ ถนน Route roads/CgkJZ-tTXuNcW4s ซึ่งเป็นส่วนที่การจราจรติดขัดมากที่สุด โดยมีเวลาเดินทาง 66 วินาที เทียบกับระยะเวลาแบบคงที่เพียง 6 วินาที (อัตราส่วนการจราจรติดขัด 11.0 เท่า)..."

แชทตัวอย่างของตัวแทน RMI

บทสรุป

สถาปัตยกรรม Agent ADK ของ RMI แบบลำดับชั้นจะช่วยลดช่องว่างระหว่างคลังข้อมูลเชิงพื้นที่ที่ซับซ้อนกับผู้ใช้ปลายทางด้วยการแยกการโต้ตอบแบบสนทนาและการสังเคราะห์คำบรรยายออกจากการสร้าง SQL ระดับต่ำและการดึงข้อมูล การแยกการดำเนินการฐานข้อมูลไว้ใน Agent ย่อยที่เชี่ยวชาญจะช่วยส่งเสริมความสามารถในการปรับเปลี่ยน ความสามารถในการบำรุงรักษา และความปลอดภัยในการดำเนินงาน ขณะเดียวกันก็ช่วยให้ผู้มีอำนาจตัดสินใจดึงข้อมูลเชิงลึกที่ตรวจสอบได้ผ่านภาษาธรรมชาติได้อย่างรวดเร็ว

ขั้นตอนถัดไป

  • ปรับแต่งสำหรับ Use Case ของคุณ: ปรับสถาปัตยกรรมแบบหลาย Agent และ การออกแบบพรอมต์นี้ให้เหมาะกับ Use Case เชิงพื้นที่หรือขององค์กรที่เฉพาะเจาะจง
  • ขยายด้วย Agent การวางแผนที่เชี่ยวชาญ: รวม Agent การวางแผนเฉพาะ เพื่อจัดการเวิร์กโฟลว์การวิเคราะห์ที่ซับซ้อนและมีหลายขั้นตอน
  • ผสานรวมแหล่งข้อมูลหลายรูปแบบ: เพิ่มข้อมูลเชิงลึกด้านการจัดการการจราจรและถนน ด้วยการรวมข้อมูล RMI กับเลเยอร์เชิงพื้นที่เพิ่มเติม เช่น เหตุการณ์สภาพอากาศ ตารางเวลาการก่อสร้าง หรือฟีดเหตุการณ์สด
  • ติดตั้งใช้งานในสภาพแวดล้อมจริง: เปลี่ยน Agent จากต้นแบบไปเป็นสภาพแวดล้อมขององค์กร จริงโดยทำตามคู่มือการลงทะเบียนและ จัดการ Agent ADK ที่โฮสต์ในแพลตฟอร์ม Agent ของ Gemini Enterprise Platform

ผู้ร่วมให้ข้อมูล

เคล มาร์เกิร์ต | นักภูมิศาสตร์ระบบคลาวด์