نمای مفهومی مانیتورینگ عامل های هوش مصنوعی با BigQuery و Looker

فهرست مطالب

مانیتورینگ عامل های هوش مصنوعی با BigQuery و Looker

مانیتورینگ عامل های هوش مصنوعی با BigQuery و Looker گسترش یافت. گوگل کلود در ۱۳ نوامبر ۲۰۲۶ از قابلیت‌های تازه مشاهده‌پذیری (Observability) و ارزیابی عامل‌ها در Google Data Cloud خبر داد. این قابلیت‌ها با هدف فراهم کردن دید یکپارچه نسبت به عملکرد، فعالیت‌ها و هزینه‌های عامل‌های هوش مصنوعی طراحی شده‌اند و هم عامل‌های اختصاصی گوگل و هم عامل‌های سفارشی ساخته‌شده با ابزارهایی مانند Agent Development Kit (ADK) و LangGraph را پوشش می‌دهند.

مانیتورینگ عامل های هوش مصنوعی

نمای مفهومی مانیتورینگ عامل های هوش مصنوعی و بررسی عملکرد، فعالیت‌ها و مصرف منابع در سامانه یکپارچه

یکی از بخش‌های اصلی این به‌روزرسانی، ایجاد چارچوبی یکپارچه برای جمع‌آوری و تحلیل داده‌های عملکردی عامل‌های هوش مصنوعی است. در این ساختار، اطلاعات فعالیت عامل‌ها جمع‌آوری و در جداول اختصاصی مشتریان در BigQuery ذخیره می‌شود تا تیم‌های فنی بتوانند آن‌ها را بررسی و تحلیل کنند.

عامل‌های Conversational Analytics گوگل به‌صورت خودکار اطلاعات عملکردی را ثبت می‌کنند. همچنین توسعه‌دهندگان می‌توانند عامل‌های سفارشی ساخته‌شده با ADK یا LangGraph را با استفاده از ابزارهای SDK به این ساختار متصل کنند.

مدیریت داده‌ها و حفظ حریم خصوصی

گوگل برای کنترل بهتر اطلاعات، میان داده‌های عملیاتی و محتوای مکالمات کاربران تفاوت قائل شده است. ابزارهای Cloud Monitoring و Cloud Trace امکان بررسی شاخص‌هایی مانند تعداد درخواست‌ها، تأخیر پاسخ‌گویی و مصرف توکن را فراهم می‌کنند.

در صورت نیاز به بررسی جزئیات مکالمات، مدیران و مالکان عامل‌ها می‌توانند قابلیت ثبت مکالمات را برای هر عامل به‌صورت جداگانه فعال کنند. این اطلاعات در جدول‌های BigQuery متعلق به مشتری ذخیره می‌شوند و تحت سیاست‌های دسترسی و امنیتی همان مجموعه داده قرار می‌گیرند.

کنترل هزینه و مصرف توکن

داشبورد مانیتورینگ عامل های هوش مصنوعی برای کنترل مصرف توکن، زمان پاسخ و سقف هزینه

یکی دیگر از اهداف مانیتورینگ عامل های هوش مصنوعی، مدیریت هزینه اجرای عامل‌های هوش مصنوعی است. اطلاعات مربوط به توکن‌های ورودی، خروجی، ذخیره‌شده در حافظه کش و مجموع مصرف در کنار زمان پاسخ‌گویی هر درخواست ثبت می‌شوند.

همچنین مدیران می‌توانند برای هر درخواست BigQuery سقف مشخصی از حجم داده قابل اسکن تعیین کنند تا از اجرای پرس‌وجوهای پرهزینه جلوگیری شود. امکان تعیین سهمیه روزانه توکن‌های ورودی و خروجی نیز برای برخی سرویس‌ها در مرحله پیش‌نمایش قرار دارد.

ارزیابی دقت پاسخ‌ها با ابزار Prism

گوگل همچنین ابزار متن‌باز Prism را برای آزمایش و ارزیابی عامل‌های هوش مصنوعی معرفی کرده است. توسعه‌دهندگان با استفاده از این ابزار می‌توانند دقت پاسخ‌ها و عملکرد عامل‌ها را پیش از اعمال تغییرات در مدل، پرامپت یا ساختار داده‌ها بررسی کنند.

نتایج این ارزیابی‌ها قابلیت انتقال به BigQuery را دارند و می‌توان آن‌ها را در کنار داده‌های عملکرد واقعی عامل‌ها تحلیل کرد.

داشبوردهای مانیتورینگ عامل های هوش مصنوعی در BigQuery و Looker

در نهایت، داشبوردهای آماده BigQuery Studio و Looker امکان بررسی میزان استفاده، تعداد نشست‌های فعال، مصرف توکن و زمان اجرای ابزارها را فراهم می‌کنند. این داشبوردها تصمیم‌گیری درباره عملکرد و هزینه عامل‌ها را ساده‌تر می‌کنند.

برای آشنایی بیشتر، راهنمای مانیتورینگ، لاگ و پایداری سرویس‌ها برای تیم‌های کوچک را بخوانید.


منبع خبر

گزارش اصلی Google Cloud درباره مشاهده‌پذیری عامل‌ها در BigQuery و Looker

تاریخ انتشار: ۱۳ نوامبر ۲۰۲۶

گالری مقاله

avatar

دانلود متن مقاله

نظرات کاربران

دیدگاهی بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

فهرست مطالب