Yol Yönetimi Analizleri Yapay Zeka Temsilcisi

Hedef

Yol Yönetimi Analizleri (RMI) ADK Aracısı, Google BigQuery'de depolanan RMI verilerini sorgulamak ve analiz etmek için doğal dil arayüzü sağlar. Google'ın Agent Development Kit'ini (ADK) ve Gemini büyük dil modellerini kullanarak kullanıcıların karmaşık SQL sorgularını manuel olarak yazmadan büyük ölçekli yol ağı ve trafik veri kümelerinden uygulanabilir analizler elde etmesini sağlar.

Referans Mimari

Bu mimari, bir kök aracının kullanıcı etkileşimlerini planlayıp düzenlediği, belirli veri alma ve SQL oluşturma görevlerini özel bir alt aracıya devrettiği hiyerarşik bir aracı sisteminden oluşur.

RMI Aracısı Mimari Şeması

Bileşenler

1. RMI Aracısı (Kök Aracısı)

  • Rol: Birincil sohbet arayüzü ve görev düzenleyici.
  • Sorumluluklar:
    • Çok turlu sohbet bağlamını korur.
    • Doğal dil isteklerini, uygulanabilir analiz görevlerine ayırır.
    • Yapılandırılmış veri alma görevlerini BigQuery aracısına devreder.
    • Alt aracı tarafından döndürülen ham tablo verilerini kısa ve insanlar tarafından okunabilir analizlere dönüştürür.

2. BigQuery Aracısı (Alt Aracısı)

  • Rol: Uzmanlaşmış SQL çevirisi ve veritabanı yürütme aracısı.
  • Sorumluluklar:
    • Kök Aracının doğal dil talimatlarını optimize edilmiş BigQuery SQL sorgularına çevirir.
    • Sorguları doğrudan yapılandırılmış BigQuery veri kümesi üzerinde yürütür.
    • Sorgu sonuçlarını ham ve değiştirilmemiş şekilde kök aracıya döndürür.

3. BigQuery Veri Kümesi

  • Rol: Bulutta yerel analitik veri ambarı.
  • İçerik: RMI BigQuery şemasına göre yapılandırılmış historical_travel_time ve recent_roads_data dahil olmak üzere Yol Yönetimi Analizleri (RMI) tabloları.

4. Google GenAI

  • Rol: Temel akıl yürütme ve dil üretme motoru.
  • Model: Aracı düzenleme, doğal dil anlama ve SQL oluşturma işlemlerini desteklemek için Google Gemini modellerinden (ör. gemini-3.5-flash) yararlanır.

Yürütme akışı

  1. Kullanıcı isteği: Kullanıcı, doğal dilde bir soru gönderir (ör."Dün 66. yolunda ortalama seyahat süresi ne kadardı?").
  2. Planlama ve Düzenleme: RMI Aracısı isteği alır, deneysel trafik verilerinin gerekli olduğunu belirler ve alt aracı için belirli bir alma talimatı oluşturur.
  3. Yetki verme: RMI Aracısı, BigQuery Aracısı'nı yapılandırılmış talimat ve ilgili zamansal veya mekansal kısıtlamalarla çağırır.
  4. SQL Oluşturma: BigQuery Aracısı, RMI şemasını anlama özelliğinden yararlanarak optimize edilmiş bir BigQuery SQL sorgusu oluşturur.
  5. Yürütme ve Veri Alma: BigQuery Aracısı, sorguyu temel alınan BigQuery veri kümesine göre yürütür ve sonuçlanan tablo kayıtlarını alır.
  6. Yanıt Sentezi: BigQuery Aracısı, değiştirilmemiş ham verileri RMI Aracısı'na döndürür. RMI Aracısı, sonuçları yorumlar, eksik yol tanımlayıcılarını çözer ve kullanıcı için net bir doğal dil yanıtı oluşturur.

Örnek Senaryo

Hedef

Bir şehir planlamacısının, akşam işe gidip gelme saatlerinde trafik ışığı zamanlamalarında ayarlama yapılması gerekip gerekmediğini belirlemek için metropol bir yol ağındaki trafik yoğunluğunu değerlendirmesi gerekiyor.

Çözüm İş Akışı

  1. Kullanıcı Sorgusu: Planlayıcı, CLI veya web kullanıcı arayüzünü kullanarak aracıyla etkileşim kurar ve şu soruları sorar:

    "Geçen cuma günü saat 17:00'de Boston şehir merkezindeki en kalabalık 5 rotayı belirle."

  2. Aracı İşleme:

    • RMI aracısı, isteği ayrıştırır. Hedef konumu ("Boston şehir merkezi"), zaman aralığını ("geçen cuma saat 17:00") ve analiz amacını ("en kalabalık 5 rota") tanımlar. "Trafik yoğunluğu"nun, gerçek zamanlı seyahat süresinin statik süreye oranı (duration_in_seconds / static_duration_in_seconds) olarak ölçülmesi gerektiğini belirler.

    • Veri alma işlemini, yapılandırılmış bir talimatla BigQuery Aracısı'na devreder:

      "Boston şehir merkezindeki yol segmentlerini bul ve 9 Ocak 2026 Cuma günü saat 17:00'de en yüksek trafik yoğunluğu oranına sahip ilk 5 segmenti döndür."

  3. Veri Alma:

    • BigQuery Agent, bu talimatı historical_travel_time tablosunu hedefleyen bir SQL sorgusuna çevirir, tıkanıklık oranını hesaplar ve sonuçları sıralayarak en iyi 5 segmenti belirler.
    • Sorguyu BigQuery'ye karşı yürütür.
    • BigQuery, (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio) gibi ham tablo sonuçları döndürür.

  4. Analiz Oluşturma:

    • BigQuery Aracısı, segmentlerin işlenmemiş listesini RMI Aracısı'na geri iletir.
    • RMI Aracısı, kayıtları analiz eder, eksik görünen adlara veya yalnızca tanımlayıcı referanslara sahip yol segmentlerini işler ve verileri bir yönetici özetinde sentezler.

    • Ajan, nihai yanıtı oluşturur:

      "9 Ocak 2026 Cuma günü saat 17:00'de, Boston şehir merkezindeki en kalabalık rotalarda, normalde statik olan sürelerden önemli ölçüde daha uzun seyahat süreleri yaşandı. Trafiğe duyarlı sürenin statik süreye oranına göre en yoğun 5 segmenti aşağıda bulabilirsiniz: Rota yolları/CgkJZ-tTXuNcW4s: Bu segment, en yoğun segmentti. Statik süre yalnızca 6 saniye olmasına rağmen seyahat süresi 66 saniyeydi (11,0 kat yoğunluk oranı)."

RMI Agent örnek sohbeti

Sonuç

Hiyerarşik RMI ADK Agent mimarisi, görüşme etkileşimini ve anlatı sentezini düşük düzeyli SQL oluşturma ve veri alma işlemlerinden ayırarak karmaşık coğrafi veri ambarları ile son kullanıcılar arasındaki boşluğu doldurur. Veritabanı yürütme işlemini özel bir alt aracının içinde yalıtmak, modülerliği, sürdürülebilirliği ve operasyonel güvenliği artırırken karar vericilerin doğal dil aracılığıyla doğrulanabilir analizleri hızlı bir şekilde çıkarmasına olanak tanır.

Sonraki adımlar

  • Kullanım alanınıza göre özelleştirme: Bu çoklu aracı mimarisini ve istem tasarımını, coğrafi alanla ilgili veya kurumsal kullanım alanlarınıza göre uyarlayın.
  • Özel planlayıcı ajanlarla genişletme: Karmaşık ve çok adımlı analitik iş akışlarını yönetmek için özel bir planlayıcı ajan ekleyin.
  • Çok formatlı veri kaynaklarını entegre edin: RMI verilerini hava durumu etkinlikleri, inşaat programları veya canlı olay akışları gibi ek mekansal katmanlarla birleştirerek trafik ve yol yönetimiyle ilgili analizleri zenginleştirin.
  • Üretime dağıtma: Gemini Enterprise Agent Platform'da barındırılan ADK temsilcilerini kaydetme ve yönetme kılavuzunu uygulayarak temsilcinizi prototipten üretimde kullanılan bir kurumsal ortama geçirin.

Katkıda bulunanlar

Kel Markert | Cloud Geographer