โมเดลและแพลตฟอร์ม AI
Google Cloud จัดเก็บข้อมูลเทเลเมทรีของเอเจนต์ไว้ในตาราง BigQuery ที่ลูกค้าเป็นเจ้าของ
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญOperational traces deliberately exclude prompts and responses so monitoring never…
ดูเพิ่มเติม
- Operational traces deliberately exclude prompts and responses so monitoring never grants tools access to conversation substance.
- Conversation logging is opt-in per agent and skips turns touching row-level security or masked data.
- Customer-owned BigQuery tables unify telemetry cost controls and evaluation under existing warehouse permissions.
เมื่อวันที่ 13 พฤศจิกายน 2026 Google Cloud ขยายเครื่องมือติดตามและประเมินผลเอเจนต์ AI โดยเพิ่มการบันทึกข้อมูลที่ลูกค้าควบคุมได้ แดชบอร์ด มาตรการคุ้มครองความเป็นส่วนตัว และขีดจำกัดการใช้จ่ายใน BigQuery และ Looker สำหรับเอเจนต์ข้อมูลที่มีการจัดการและเอเจนต์ที่พัฒนาด้วย Agent Development Kit (ADK) หรือ LangGraph
ระบบใช้เส้นทางข้อมูลเทเลเมทรีร่วมกันสำหรับเอเจนต์ที่พัฒนาโดย Google และเอเจนต์แบบกำหนดเอง เอเจนต์ Conversational Analytics ที่มีการจัดการจะส่งข้อมูลเทเลเมทรีโดยอัตโนมัติ ส่วนเอเจนต์ ADK หรือ LangGraph แบบกำหนดเองสามารถส่งข้อมูลเทเลเมทรีที่มีโครงสร้างได้ด้วยการเพิ่มโค้ด SDK เพียงบรรทัดเดียว ข้อมูลจะถูกจัดเก็บในตาราง BigQuery ที่ลูกค้าเป็นเจ้าของ เพื่อนำไปวิเคราะห์ด้วยเครื่องมือสำหรับนักพัฒนาและผู้ดูแลระบบของ Google Cloud
ฟีเจอร์หลักหลายรายการสำหรับการตรวจสอบพร้อมใช้งานทั่วไปแล้ว (GA) แดชบอร์ดที่สร้างไว้ล่วงหน้าใน BigQuery Studio ติดตามการใช้งาน เซสชันที่กำลังใช้งาน แหล่งความรู้ยอดนิยม และเวลาแฝง แดชบอร์ด Looker System Activity สำหรับ Conversational Analytics ก็พร้อมใช้งานทั่วไปใน Looker (Google Cloud core) และ Looker (original) เช่นกัน โดยครอบคลุมการมีส่วนร่วมและการใช้โทเคน ส่วนการให้คะแนนจากผู้ใช้และการตรวจสอบคำค้นหาในแท็บการตอบกลับ & ความคิดเห็นยังอยู่ในช่วงทดลองใช้
ร่องรอยการทำงานไม่รวมเนื้อหาการสนทนา
Google Cloud แยกข้อมูลเทเลเมทรีด้านการปฏิบัติงานออกจากเนื้อหาการสนทนา เพื่อให้ผู้ดูแลระบบและเจ้าของเอเจนต์กำกับดูแลข้อมูลทั้งสองส่วนได้อย่างอิสระ Cloud Monitoring ให้ค่าตัวชี้วัดโดยรวมของปริมาณคำขอ เวลาแฝง และการใช้โทเคน ขณะที่ Cloud Trace แสดงช่วงการทำงานของแต่ละคำขอตามลำดับขั้น ขอบเขตการสังเกตการณ์ของ Cloud Trace สามารถรวบรวมข้อมูลเทเลเมทรีจากหลายโปรเจ็กต์ของเอเจนต์ไว้ด้วยกันได้
ตัวชี้วัดด้านการปฏิบัติงานและช่วงร่องรอยที่ผ่านการปกปิดข้อมูลของระบบที่ Google พัฒนาเองจะไม่รวมเนื้อหาหลักของลูกค้า เช่น พรอมต์จากผู้ใช้ คำตอบจากโมเดล ความคิดภายใน และ SQL ที่สร้างขึ้น วิธีนี้ช่วยให้ทีมแพลตฟอร์มติดตามกิจกรรมได้โดยไม่ต้องให้เครื่องมือด้านการปฏิบัติงานเข้าถึงเนื้อหาของการโต้ตอบแต่ละครั้งโดยอัตโนมัติ
หากต้องการตรวจสอบเชิงลึก เจ้าของและผู้แก้ไขเอเจนต์สามารถเลือกเปิดการบันทึกการสนทนาเป็นรายเอเจนต์ได้ จากนั้นเอเจนต์บริการที่ Google จัดการจะส่งพรอมต์ คำตอบ และข้อมูลเทเลเมทรีในระดับแต่ละรอบการสนทนาผ่าน BigQuery Storage Write API ไปยัง agent_events ตารางที่ลูกค้าเป็นเจ้าของ โดยตารางดังกล่าวจะสืบทอดสิทธิ์การจัดการข้อมูลประจำตัวและการเข้าถึงของชุดข้อมูล คีย์เข้ารหัสที่ลูกค้าจัดการ และ VPC Service Controls
มาตรการคุ้มครองความเป็นส่วนตัวจะตรวจสอบการสนทนาแต่ละรอบก่อนบันทึก และข้ามการบันทึกรอบนั้นเมื่อแหล่งความรู้ใช้การรักษาความปลอดภัยระดับแถว แท็กนโยบายระดับคอลัมน์ หรือการปกปิดข้อมูลแบบไดนามิก หากเกิดข้อผิดพลาดในการบันทึก เซสชันแชตของผู้ใช้จะดำเนินต่อไปโดยไม่หยุดชะงัก ดังนั้น การออกแบบนี้จึงแยกการมองเห็นภาพรวมของการปฏิบัติงานออกจากการเข้าถึงการโต้ตอบทั้งหมดในวงแคบกว่า ซึ่งต้องเปิดใช้โดยเจาะจง
Google Cloud ระบุว่าเอเจนต์แบบกำหนดเองสามารถเก็บรายละเอียดเพื่อการวินิจฉัยได้มากขึ้นผ่านปลั๊กอิน ADK แบบโอเพนซอร์ส ซึ่งส่งผังการเรียกใช้เครื่องมือแบบเต็ม ข้อมูลเทเลเมทรีตามอนุกรมเวลา และข้อมูลเพย์โหลดแบบหลายรูปแบบไปยัง BigQuery ได้ ส่วนการบันทึกการสนทนาของระบบที่ Google พัฒนาเองจะตัดอาร์กิวเมนต์ระดับต่ำของเครื่องมือและ SQL ภายในออกโดยตั้งใจ
ขีดจำกัดการใช้จ่ายขยายขอบเขตไปไกลกว่าแดชบอร์ด
บันทึกข้อมูลยังเป็นพื้นฐานสำหรับการจัดการต้นทุนด้วย ข้อมูลการสนทนาแต่ละรอบใน BigQuery จะบันทึกจำนวนโทเคนขาเข้า ขาออก สำหรับการคิด ที่แคชไว้ และทั้งหมด พร้อมกับเวลาแฝงรวมของรอบนั้น ส่วน Looker System Activity จะแสดงจำนวนโทเคนขาเข้าและขาออกโดยประมาณแยกต่างหากสำหรับภาระงานด้านธุรกิจอัจฉริยะ
การกำหนดเพดานจำนวนไบต์ที่สแกนใน BigQuery สำหรับแต่ละคำค้นหาใช้ค่าประมาณจากการทดลองรันเพื่อบล็อกคำค้นหาที่มีขนาดใหญ่เกินไป โดยไม่ก่อให้เกิดค่าใช้จ่ายในการสแกนแบบตามความต้องการ นอกจากนี้ โควตาโทเคนขาเข้าและขาออกต่อวันสำหรับ BigQuery และ Conversational Analytics API ยังอยู่ในช่วงทดลองใช้ โดยกำหนดโควตาแยกตามโปรเจ็กต์ ผู้ใช้ หรือเอเจนต์ได้ผ่านคอนโซล Google Cloud หรือ gcloud อินเทอร์เฟซบรรทัดคำสั่ง (CLI)
การนำสองส่วนนี้มาใช้ร่วมกันทำให้มีทั้งรายงานการใช้ทรัพยากรและขีดจำกัดที่บังคับใช้ได้จริง เพดานการสแกนไบต์ช่วยควบคุมค่าใช้จ่ายของคำค้นหาก่อนเริ่มทำงาน ส่วนโควตาโทเคนที่ยังอยู่ในช่วงทดลองใช้จะขยายการบังคับใช้ข้อจำกัดไปถึงการใช้ทรัพยากรของเอเจนต์ในระดับโปรเจ็กต์ ผู้ใช้ และเอเจนต์แต่ละราย
ผลการประเมินอยู่เคียงข้างบันทึกการทำงานจริง
Prism ซึ่งเป็นเครื่องมือโอเพนซอร์สของ Google Cloud ใช้ทดสอบเอเจนต์ Conversational Analytics ที่อ้างอิงข้อมูลจากตาราง BigQuery หรือ Looker Explores เครื่องมือนี้รองรับชุดทดสอบที่นำกลับมาใช้ซ้ำ การตรวจสอบเงื่อนไขด้วยนิพจน์ปรกติ และการค้นหาเอเจนต์ข้ามหลายภูมิภาค โดยมุ่งประเมินความแม่นยำของ SQL และคุณภาพของคำตอบ ก่อนที่การเปลี่ยนแปลงพรอมต์ โมเดล หรือสคีมาจะส่งถึงผู้ใช้
Prism สามารถเขียนผลการประเมินที่เสร็จสมบูรณ์ลงในตาราง BigQuery ซึ่งแบ่งพาร์ทิชันตามวัน ทำให้ผลการทดสอบเปรียบเทียบอยู่เคียงข้างบันทึกการทำงานจริง agent_events เพื่อนำไปวิเคราะห์ใน BigQuery และ Looker ส่วนการประเมินเอเจนต์ BigQuery แบบเนทีฟที่ Google พัฒนาเองเปิดให้ใช้งานแยกต่างหากในช่วงทดลองใช้ ผ่าน API และสมุดบันทึก Colab ที่มีขั้นตอนแนะนำ
ประกาศนี้ทำให้ข้อมูลเทเลเมทรีของ BigQuery ที่ลูกค้าเป็นเจ้าของกลายเป็นชั้นข้อมูลร่วมสำหรับการตรวจสอบ การควบคุมต้นทุน และการประเมินผล โดยเชื่อมโยงการกำกับดูแลเอเจนต์เข้ากับสิทธิ์และมาตรการรักษาความปลอดภัยของคลังข้อมูลที่มีอยู่ การบันทึกการสนทนาที่มีการจัดการและแดชบอร์ดหลักพร้อมใช้งานทั่วไปแล้ว ขณะที่โควตาโทเคน การประเมินแบบเนทีฟ และฟีเจอร์ความคิดเห็นบางส่วนใน Looker ยังอยู่ในช่วงทดลองใช้ ดังนั้น สำหรับทีมที่นำระบบขึ้นใช้งานจริง การออกแบบการติดตั้งใช้งานจึงต้องคำนึงถึงทั้งขอบเขตระหว่างร่องรอยการปฏิบัติงานกับบทสนทนาฉบับเต็ม และสถานะความพร้อมใช้งานที่แตกต่างกันของการควบคุมแต่ละรายการ
