Datenkontext in Knowledge Catalog

Mit dem Datenkontext in Knowledge Catalog können Sie technische Strukturen, Geschäftsregeln und Nutzungsmuster aus der Praxis in einer aktiven Kontextebene zusammenführen. Mit Knowledge Catalog können Sie und Ihre KI-Anwendungen Daten-Assets genau und sicher erkennen, bewerten und interpretieren, ohne dass eine manuelle Validierung oder Halluzinationen erforderlich sind.

Was ist Kontext?

Kontext ist die umfassende Menge an strukturellen, betrieblichen und semantischen Details, die ein Daten-Asset beschreiben. Anstatt eine Tabelle als eigenständiges Schema mit Namen und Datentypen darzustellen, wird mit dem Kontext die vollständige Geschichte Ihrer Daten erzählt.

Knowledge Catalog organisiert den Kontext in den folgenden Ebenen:

• Technische Metadaten: Die direkt aus Quellsystemen aufgenommenen strukturellen Details, einschließlich Datenbankschemas, Feldtypen, Partitionierungsschlüssel und Sicherheitstags (z. B. IAM-Richtlinien).

• Semantische Metadaten: Die geschäftliche Bedeutung der Daten, einschließlich Geschäftsglossare, Beziehungen zwischen Messwerten, Klassifizierungen, Fachterminologie und Golden Queries (bestätigte Fragen in natürlicher Sprache, die korrekten SQL-Codeanweisungen zugeordnet sind).

• Betriebsmetadaten: Das Verhalten und die Integrität der Daten im Zeitverlauf, einschließlich der Daten-Lineage auf Spaltenebene, Ausführungsprofile, Profiling-Statistiken und Datenqualitätswerte.

• Beziehungen Die abgeleiteten oder definierten Beziehungen zwischen physischen Speichertabellen und konzeptionellen Geschäftsindikatoren.

• Device-Trust-Signale Bestätigungsindikatoren wie Inhaberschafts- und Zertifizierungsstempel, die bestätigen, ob ein Asset eine maßgebliche Quelle ist.

• Unterstützung durch KI-Agenten: Unstrukturierte Beschreibungen (z. B. README-Dateien, Nutzungshinweise und Ausführungsprotokolle), die autonomen Tools zeigen, wie und wann eine Ressource abgefragt werden soll.

Durch die Vereinheitlichung dieser Ebenen trägt Knowledge Catalog dazu bei, dass Ihre Daten vollständig verstanden werden. So können Sie die betrieblichen Engpässe und Unsicherheiten vermeiden, die mit isolierten und nicht dokumentierten Daten verbunden sind.

Wie sich Datenkontext von Metadaten unterscheidet

Metadaten bilden zwar die grundlegenden Bausteine, aber Metadaten und Kontext sind nicht austauschbar:

• Metadaten: Beschreibende Attribute, die die physische Struktur, den Speicherort und die technischen Eigenschaften eines isolierten Daten-Assets definieren (z. B. Spaltennamen, Datentypen, Partitionsschlüssel und Tabellengrößen).
• Context ist. Der synthetisierte, multidimensionale Wissensgraph, der technische Schemas, geschäftliche Semantik, Datenbeziehungen, Betriebsverhalten und Vertrauenssignale kombiniert, um Daten zu interpretieren und die Entscheidungsfindung zu unterstützen.

Mit Knowledge Catalog wird die Metadatenverwaltung von einem passiven Katalog in eine dynamische Steuerungsebene mit aktivem Kontext umgewandelt. In der folgenden Tabelle werden die wichtigsten Unterschiede zwischen passiven Metadaten und dem aktiven Datenkontext hervorgehoben:

Dimension	Technische Metadaten	Aktiver Datenkontext
Kernfokus	Physische Spezifikationen und Speicherformat.	Geschäftliche Bedeutung, Betriebsverhalten und Beziehungen.
Bundesland	Passiv: In Katalogregistern gespeichert, damit Techniker sie manuell nachschlagen können.	Aktiv: Wird kontinuierlich durch KI angereichert, aus dem Suchverlauf extrahiert und dynamisch für LLM-Prompts zusammengestellt.
Primäre Verbraucher	Datenbankmodule, Data Engineers und Compliance-Prüfer.	KI-Agents, Large Language Models (LLMs), Business-Analysten und Konversationsschnittstellen.
Hauptzweck	Speicherverwaltung, Indexierung und Compliance-Prüfung.	Fundierung der Problemlösung des KI-Agenten, Auflösung von Joins und Vermeidung von Halluzinationen.

Beispiel: Metadaten im Vergleich zum Kontext

Um zu verstehen, wie Kontext technische Metadaten erweitert, sehen Sie sich an, wie eine Transaktionsspalte im Knowledge Catalog dargestellt wird:

1. Nur technische Metadaten

Technische Metadaten enthalten zwar Strukturinformationen, aber keine Geschäftslogik und keine operativen Richtlinien:

• Tabelle: fact_orders
• Spalte: disc_val
• Datentyp: NUMERIC
• Speicherattribute: Partitioniert nach order_date

Ein KI-Agent, der nur diese technischen Metadaten verwendet, könnte vermuten, dass disc_val die gesamten Kundenrabatte darstellt. Er kann jedoch nicht feststellen, ob dieser Wert Steuern, Herstellerrabatte oder Gutscheine enthält.

2. Angereicherter Datenkontext

Knowledge Catalog reichert die technischen Metadaten mit semantischen, relationalen und betrieblichen Ebenen in einer einheitlichen Kontextnutzlast an:

• Technisches Schema: fact_orders.disc_val (NUMERIC).
• Semantische Definition: Zugeordnet dem Begriff „Rabatt“ im Unternehmensglossar, der als Kundenrabatte definiert wird, die an der Kasse angewendet werden, mit Ausnahme von Herstellerrabatten und Versandrabatten.
• Gefundene Beziehungen: fact_orders.customer_id wird automatisch mit dim_customers.id und fact_orders.promo_id mit dim_promotions.id verknüpft.
• Betriebliche Nutzung: Der Abfrageverlauf zeigt, dass 90% der geschäftlichen Anfragen diese Tabelle nach status = 'COMPLETED' filtern und mit dim_promotions verknüpfen.
• Vertrauen und Qualität: Durch automatisierte Datenqualitätsprüfungen mit einer Gültigkeitsbewertung von 99, 8% bewertet.Die Datenaktualität wurde innerhalb der letzten 2 Stunden überprüft.
• Golden Query: Enthält eine geprüfte SQL-Vorlage, die zeigt, wie der Nettoumsatz mit disc_val berechnet wird.

Mit diesem vollständigen Kontext kann ein KI-Agent oder Datenanalyst Anfragen genau generieren und Daten interpretieren, ohne dass eine manuelle Überprüfung durch Menschen oder Halluzinationen erforderlich sind.

Herausforderungen bei der Verwendung von Daten ohne Kontext

In einer verteilten Datenumgebung reichen Rohdaten ohne Kontext selten aus, um ein geschäftliches Problem zu lösen. Wenn strukturierten Datenbanken, unstrukturierten Protokollen und Analyse-Messwerten die geschäftliche Bedeutung fehlt, stoßen Nutzer und autonome Systeme auf eine Kontextgrenze, die es erschwert, Daten für KI zu finden, ihnen zu vertrauen oder sie zu operationalisieren. Menschliche Analysten müssen Datenquellen manuell validieren, während KI-Agenten oft ungenaue Antworten (Halluzinationen) generieren oder Aktionen nicht ausführen.

Ohne strukturierten Kontext sind Unternehmen mit mehreren betrieblichen Engpässen konfrontiert:

• Aufwand für die Zusammenarbeit: Wenn keine klaren Geschäftsdefinitionen vorhanden sind, müssen Analyse- und KI-Teams in kontinuierlichen, manuellen Koordinierungszyklen mit Fachexperten zusammenarbeiten, um ein grundlegendes Verständnis von Tabellen zu entwickeln.

• Kontextabweichung: Die Standarddokumentation bleibt statisch und veraltet mit der Zeit. Ohne kontinuierliches Monitoring führen veraltete Metadaten zu falschen Annahmen und fehlerhaften KI-Agent-Workflows.

• Fehler beim logischen Denken. KI-Agents und Large Language Models können zwar syntaktisch korrekte SQL-Abfragen generieren, berücksichtigen aber möglicherweise nicht die zugrunde liegende Unternehmenslogik, was zu Berechnungen führt, die aus geschäftlicher Sicht falsch sind.

• Siloed information. Internes Wissen zum korrekten Filtern oder Verknüpfen von Datasets ist in undokumentierten Skripten oder Dashboard-Einrichtungen enthalten, anstatt in einem zentralen Inventar registriert zu werden.

Um diese betrieblichen Engpässe zu überwinden und Daten nutzbar zu machen, benötigen Unternehmen eine zuverlässige Kontext-Engine für ihre Daten.

Wichtige Säulen des Kontextmanagements

Damit diese zuverlässige Kontext-Engine in Ihrem gesamten Datenbestand verfügbar ist, basiert Knowledge Catalog auf drei Säulen:

Aggregation

Knowledge Catalog erfasst automatisch Metadaten aus Ihren integrierten Datenbanken, Iceberg REST-Katalogen und Drittanbieterplattformen. Sie konsolidiert diese fragmentierten Eingaben in einer einzigen, einheitlichen Governance-Zone und trägt so dazu bei, dass Sicherheitsrichtlinien und Klassifizierungsdefinitionen konsistent übernommen werden.

Anreichern

Knowledge Catalog aktualisiert und kuratiert Ihren Kontextgraphen mithilfe von KI-gestützter Aufnahme kontinuierlich. Durch die Analyse von Transaktionsprotokollen, Datenbankschemas und Business Intelligence-Modellen ermittelt Knowledge Catalog automatisch Spaltenbeschreibungen und Tabellenbeziehungen. Durch dieses kontinuierliche Lernen wird das institutionelle Wissen der Dateninhaber erfasst und dynamisch auf Ihre Assets angewendet.

Suchen und abrufen

Knowledge Catalog bietet eine hochpräzise semantische Suche, mit der Sie Ihren Datenbestand in natürlicher Sprache abfragen können. Da im Knowledge Catalog Berechtigungsgruppen (ACLs) und geschäftliche Terminologie berücksichtigt werden, können sowohl Nutzer als auch autonome Agents relevanten Datenkontext mit geringer Latenz finden.

So werden Metadaten und Kontext in Knowledge Catalog eingegeben

Um eine zuverlässige Kontext-Engine zu erstellen, werden im Knowledge Catalog Informationen über automatisierte Plattform-Connectors, kontinuierliche KI-Anreicherung und erweiterbare benutzerdefinierte Schnittstellen aufgenommen und kuratiert.

Quellen für selbst erhobene Daten und automatisierte Erfassung

Knowledge Catalog erfasst automatisch strukturelle und betriebliche Metadaten aus den wichtigsten Google Cloud Diensten, ohne dass eine manuelle Konfiguration erforderlich ist:

• Datenbanken und analytische Data Warehouses: Dienste wie BigQuery, Spanner, Cloud SQL und AlloyDB for PostgreSQL synchronisieren kontinuierlich technische Metadaten, einschließlich Tabellenschemas, Felddatentypen, Partitionierungsschlüssel, Clustering-Spezifikationen und Dataset-Grenzen.
• Out-of-the-box-Synchronisierung von BI-Semantik und ‑Abstammung: Für Looker (Google Cloud core) werden Business Intelligence-Assets automatisch mit Knowledge Catalog synchronisiert:
  • Semantische LookML-Definitionen Modelle, Explores, Ansichten, Dimensionen und Measures.
  • BI-Dashboard-Assets: Dashboards, Dashboardelemente und Looks.
  • Durchgängige Verfolgbarkeit der Data Lineage: Beziehungen, die den Datenfluss von zugrunde liegenden BigQuery-Tabellen bis hin zu nachgelagerten Looker-Dashboards nachvollziehen. Weitere Informationen finden Sie unter Looker (Google Cloud Core)-Ressourcen mit Knowledge Catalog verwalten.
• Datenintegration und ‑transformationen: Dienste wie Datastream erfassen Metadaten und Herkunft von CDC-Streams (Change Data Capture), Dataform überträgt Tabellendefinitionen und SQL-Transformationen und Cortex Framework veröffentlicht registrierte Datenprodukte.

Kontinuierliche KI-basierte Kontextkuration

Der Knowledge Catalog aktualisiert seinen Kontextgraphen nicht nur mit statischen technischen Schemas, sondern auch dynamisch mit integrierten KI-Engines:

• Data Insights Data Insights basiert auf Gemini in BigQuery und analysiert Protokolle mit früheren Abfragen, Nutzeraktionen und Schemamustern, um Spaltenbeschreibungen in natürlicher Sprache zu generieren, Tabellenbeziehungen (z. B. Join-Schlüssel) zu ermitteln und Beispielabfragen („Golden Queries“) vorzuschlagen, die die Unternehmenslogik erfassen. Weitere Informationen
• Automatisierte Datenprofilerstellung und Datenqualität: Bei Scans werden statistische Verteilungen (z. B. eindeutige Anzahl, Null-Verhältnisse und Stichprobenwerte) berechnet und Daten anhand regelbasierter Datenqualitätsprüfungen ausgewertet. Katalogeinträgen werden dann aktuelle Gesundheitswerte zugewiesen. Weitere Informationen finden Sie unter Automatische Datenqualität.
• Automatisierte Data Lineage: Hier werden Transformationsflüsse auf Spaltenebene und Jobausführungsverläufe für alle Ihre Datenpipelines zusammengefasst. Weitere Informationen finden Sie unter Datenherkunft.

Benutzerdefinierte Metadatenaufnahme und Drittanbietersysteme

Für Organisationen mit benutzerdefinierten Wissensdatenbanken, Governance-Tools von Drittanbietern oder lokalen Systemen bietet Knowledge Catalog flexible Aufnahmemechanismen:

• Knowledge Catalog APIs (CRUD-Vorgänge). Mit den API-Methoden CreateEntry, UpdateEntry, CreateAspectType und SetAspect können Sie externe Assets programmatisch registrieren und benutzerdefinierte Metadatenaspekte (z. B. Compliance-Bewertungen oder Systemdokumentation) anhängen.
• Benutzerdefinierte Anreicherungs-Agents: Verwenden Sie Agent-Frameworks wie das Agent Development Kit (ADK) oder LangChain, um benutzerdefinierte Enrichment-Agents zu erstellen. Ein ADK-Agent kann beispielsweise technische Dokumentation aus internen Wikis oder Git-Repositories aufnehmen, ein LLM verwenden, um sie in standardisierte Begriffe des Unternehmensglossars zu parsen, und sie an Katalogeinträge anhängen. Weitere Informationen finden Sie unter KI-Agenten zum Anreichern von Metadaten erstellen.
• Export- und Importvorgänge Mit dateibasierten (JSON oder CSV) Bulk-Export- und Import-Workflows können Sie KI-generierte Geschäftsdefinitionen überprüfen, mit Datenverantwortlichen zusammenarbeiten und Metadaten im Batch aktualisieren. Weitere Informationen finden Sie unter Metadaten exportieren.

So wird der Kontext in Google- und Drittanbieterdiensten verwendet

Dienste und Anwendungen interagieren in zwei unterschiedlichen Rollen mit dem Knowledge Catalog:

• Metadatenanbieter Dienste, die technische Metadaten, Schemas, LookML-Definitionen und den Datenursprung an Knowledge Catalog senden, z. B. Looker, Cloud SQL und Spanner. Metadatenanbieter übertragen Metadaten in den Katalog, verwenden aber nicht unbedingt Definitionen aus dem Unternehmensglossar in ihren eigenen Benutzeroberflächen.
• Kontextnutzer: Dienste, Entwicklertools und KI-Agents, die Geschäftsdefinitionen, Betriebsprofile und Governance-Regeln aus Knowledge Catalog abrufen, um ihre Argumentation und Ausführung zu untermauern.

Bevor Anwendungen und Agents Kontext nutzen können, sollten Sie grundlegende geschäftliche Begriffe und Qualitätsregeln festlegen. Weitere Informationen finden Sie unter Grundlegenden Datenkontext erstellen und Workflow für Datenqualität mit Policy-as-Code erstellen.

KI-Anwendungen und ‑Dienste nutzen Kontext aus dem Knowledge Catalog über die folgenden Mechanismen:

Eingebaute Integrationen von selbst erhobenen Daten

Mehrere Google Cloud Dienste fragen nativ den Knowledge Catalog ab, um kontextbezogene KI-Funktionen bereitzustellen:

• Gemini in BigQuery (Conversational Agent) Wenn Sie Prompts in natürlicher Sprache in BigQuery Studio eingeben, fragt Gemini im Hintergrund automatisch Definitionen aus dem Unternehmensglossar des Knowledge Catalog, Spaltenbeschreibungen und Beziehungen zwischen früheren Abfragen ab. So wird Gemini in der Geschäftsterminologie des Unternehmens verankert und es wird sichergestellt, dass in generierten SQL-Abfragen die richtigen Tabellenverknüpfungen und Messwertdefinitionen verwendet werden.
• Data-Engineering-Agent in BigQuery Erkennt und fragt Apache Iceberg- und BigQuery-Tabellen ab, ruft automatisch semantische Katalogsuchen auf, um Asset-Abhängigkeiten aufzulösen, und generiert während der Pipelineausführung Katalogmetadaten.
• Vertex AI und Agent Builder. Benutzerdefinierte GenAI-Agents und Suchanwendungen, die auf Vertex AI basieren, verwenden Katalogmetadaten und Geschäftsregeln, um die Modellableitung auf verifizierte Unternehmensfakten zu stützen.
• Google Cloud Console und Business-UI. Endnutzer und Datenverantwortliche können Assets mithilfe der semantischen Suche in natürlicher Sprache durchsuchen, interaktive Diagramme mit Datenbeziehungen aufrufen und Unternehmensglossare verwalten.

Drittanbieteranwendungen und KI-Agenten-Ökosysteme

Dienste und autonome Systeme ohne integrierte Integrationen nutzen Kontext über offene Protokolle und spezielle Abruf-APIs:

Model Context Protocol (MCP)

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem KI-Agents, Entwicklertools und IDEs direkt mit Knowledge Catalog-Tools verbunden werden können. MCP bietet eine standardisierte Schnittstelle zum Prüfen von Tabellenschemas, zum Nachschlagen von Glossardefinitionen, zum Überprüfen von Datenqualitätswerten und zum Nachvollziehen der Datenherkunft.

Knowledge Catalog unterstützt zwei MCP-Bereitstellungsoptionen:

• Remote-MCP-Server Ein verwalteter Endpunkt, der von Google Cloud gehostet(oder in Cloud Run bereitgestellt) wird, für cloudnative Agents, serverlose Workflows und Multi-Agent-Plattformen. Weitere Informationen finden Sie unter Remote-MCP-Server des Knowledge Catalog verwenden.
• Lokale MCP Toolbox: Ein lokaler CLI-Proxy, der in Entwickler-IDEs (z. B. VS Code und Cursor) und lokale Entwicklungsworkflows eingebunden wird. Weitere Informationen finden Sie unter Knowledge Catalog mit einem lokalen MCP Toolbox-Server verwenden und Data Lineage mit einem lokalen MCP Toolbox-Server verwenden.

Vorformatierten Kontext mit der LookupContext API abrufen

Für benutzerdefinierte KI-Pipelines und LLM-Anwendungen bietet Knowledge Catalog die LookupContext-API-Methode (projects/PROJECT_ID/locations/LOCATION:lookupContext).

Anstatt dass ein Agent mehrere aufeinanderfolgende Aufrufe ausführen muss, um Schemas zu prüfen, Glossarbegriffe nachzuschlagen, Datenqualitätswerte abzurufen und Abfragelogs zu prüfen, ruft die Methode LookupContext ein einheitliches, vorformatiertes Paket mit Rich-Metadaten in einer einzigen Anfrage ab.

Zu den wichtigsten Funktionen der LookupContext-Methode gehören:

• LLM-kompatible Formate: Gibt Kontext zurück, der als yaml (Standard), json oder xml formatiert ist und für das direkte Einfügen in LLM-Systemprompts vorgesehen ist.
• Token-Budgetierung (context_budget): Hiermit können Sie ein Zielbudget für Zeichen festlegen. Die API kürzt und priorisiert Metadaten auf intelligente Weise, damit sie in das Kontextfenster Ihres Modells passen.
• Konfigurierbare Kontextansichten:
  • BASIC Gibt grundlegende Metadaten für Einträge, Schemas, Spaltenbeschreibungen, Übersichtstext und Agent-Richtlinien zurück.
  • STANDARD Zusätzlich zu grundlegenden Metadaten wird der Kontextgraph durchlaufen, um Beziehungen für Joins über mehrere Tabellen hinweg, angehängte Unternehmensglossarbegriffe und ‑synonyme, Laufzeitnutzungsmuster und verifizierte Beispielanfragen einzubeziehen.
• Umfassende Betriebs- und Nutzungssignale: Gibt detaillierte Nutzungsstatistiken aus dem Abfrageverlauf zurück, z. B. partitionBy, clusterBy, topReadFields, topFilterFields, topGroupByFields, topSortFields und topAggregations.
• Erkannte Joins und Golden Queries Enthält abgeleitete Bedingungen für das Zusammenführen von Tabellen (z. B. orders.customer_id = customers.id) und geprüfte Beispiel-SQL-Abfragen.

Weitere Informationen finden Sie unter Kontext für Daten-Assets abrufen und in der lookupContext-REST-Referenz.

Wie Kontext Endnutzern und KI-Agenten hilft

Knowledge Catalog bietet universellen Kontext in seiner agentischen Daten-Cloud, indem technische Schemas, Geschäftssemantik, Data Lineage und Qualitätsmesswerte in einer aktiven Kontextebene zusammengeführt werden. Durch die Bereitstellung dieser Metadaten über offene Schnittstellen wie das Model Context Protocol (MCP), APIs zum Abrufen von Kontext und die semantische Suche unterstützt Knowledge Catalog sowohl Nutzer als auch autonome Systeme.

Manuelle Vertrauensarbeit für Nutzer eliminieren

Ohne eine zentrale semantische Ebene müssen Sie die Datenbankherkunft und den Abfrageverlauf untersuchen, um grundlegende geschäftliche Fragen zu beantworten. Standardkataloge sind passive Inventare von Schemas, in denen Sie Messwertdefinitionen manuell nachschlagen oder die Bereinigung von Tabellen überprüfen müssen.

Knowledge Catalog wandelt diese passive Governance in aktive Informationen um. Da Qualitätsbewertungen, semantische Beschreibungen und Nutzungswarnungen direkt neben den Daten-Assets angezeigt werden, können Sie Daten in Knowledge Catalog vertrauen und verwenden, ohne auf technische Prüfungen warten zu müssen.

Autonome Agenten mit Kontext versehen und dynamische Governance ermöglichen

KI-Agenten und Large Language Models (LLMs) benötigen strenge, deterministische Regeln für die Interaktion mit Datenbanken. Ohne expliziten semantischen Kontext treffen Agents falsche Annahmen zu Spaltennamen oder generieren fehlerhafte SQL-Abfragen.

Außerdem wird durch aktive Kontextübergänge die Metadatenverwaltung von einem passiven Register in eine aktive Governance-Ebene umgewandelt. Durch die Definition verifizierter Geschäftsregeln, Messwerte und Agent-Anweisungen direkt im Knowledge Catalog können Unternehmen steuern, wie Agents Unternehmensdaten abrufen, auswerten und darauf reagieren.

Knowledge Catalog schließt diese Lücke. Es werden einheitliche Profile mit aktivem Kontext über Standardschnittstellen wie das Model Context Protocol (MCP) oder die LookupContext API in Ihre KI-Anwendungen exportiert. Wenn Sie Ihre Modelle auf diesen Metadaten basieren, werden Fehlinterpretationen minimiert, Governance-Regeln durchgesetzt und autonome Aktionen auf verifizierten Organisationsdaten aufgebaut.

Multi-Agenten-Workflows mit gemeinsamem Kontext koordinieren

In einem Multi-Agenten-Framework (oder ‑Schwarm) arbeiten separate spezialisierte Agents zusammen, um komplexe Workflows auszuführen. Wenn diese Agents in isolierten Umgebungen ohne gemeinsame Kontextebene arbeiten, stoßen sie an eine Kontextgrenze. Sie verwenden möglicherweise widersprüchliche Geschäftsregeln, finden keine relevanten Abhängigkeiten oder duplizieren den Abrufaufwand.

Wenn Sie Knowledge Catalog als zentrales Kontextregister verwenden, können Sie Multi-Agent-Schwärme koordinieren und skalieren. Die Fundierung Ihres Schwarms im Knowledge Catalog bietet folgende Vorteile:

• Gemeinsame Geschäftssemantik: Alle Agents beziehen sich auf dieselben geschäftlichen Bedeutungen und Definitionen. Wenn beispielsweise ein Datenanalyse- und ein Berichts-Agent beide eine Tabelle mit Umsatzzahlen abrufen, verwenden sie dieselbe Glossardefinition für einen Messwert wie Gross Merchandise Value (GMV), um die Konsistenz zu gewährleisten.

• Dynamische Auflösung von Abhängigkeiten: KI-Agenten können die Datenherkunft verwenden, um Upstream- und Downstream-Ressourcen programmatisch zu ermitteln. So kann ein Agent zur Fehlerbehebung in Pipelines einen Datenfehler auf die Quelltabelle zurückführen und die Aufgabe an einen Reparatur-Agent übergeben, ohne Abhängigkeitsregeln fest zu codieren.

• Einheitliche Verbindungsschnittstelle: Wenn Sie das Model Context Protocol (MCP) verwenden, stellen Sie dem gesamten Schwarm einen einzelnen semantischen Endpunkt zur Verfügung. Dadurch müssen keine benutzerdefinierten API-Integrationen für jeden einzelnen Agent konfiguriert werden.

• Sicherheitsverwaltung auf Perimeterebene: Knowledge Catalog vergleicht Agent-Anfragen mit vorkonfigurierten IAM-Rollen. So wird sichergestellt, dass Agents nur den Ressourcenkontext abrufen, auf den sie ausdrücklich Zugriff haben, und eine versehentliche Datenpanne im gesamten Schwarm wird verhindert.

Anwendungsfälle für die Verwendung von Datenkontext

Um zu verstehen, wie der Datenkontext komplexe Anfragen löst, sehen Sie sich an, wie Knowledge Catalog in der Praxis technische, semantische und operative Ebenen anwendet:

E-Commerce: Suchvorschläge personalisieren

Damit saisonale Marketingkampagnen mit Produktinventaren abgestimmt werden können, müssen Such-Agents verstehen, wie sich unstrukturierte Werbe-E-Mails auf strukturierte Produktkataloge und Nutzer-Transaktionstabellen beziehen. Knowledge Catalog ordnet diese Einheiten zu, sodass Empfehlungsmodelle relevante Produkte in Echtzeit vorschlagen können.

Fertigung: Maschinenwartung optimieren

Für Modelle zur vorausschauenden Instandhaltung müssen strukturierte Teileprotokolle mit unstrukturierten Reparaturanleitungen für Techniker und Live-Sensorfeeds verknüpft werden. Durch die Zuordnung von Beziehungen zwischen Teilenummern und Handbuchkapiteln können Analysesysteme in Knowledge Catalog die Ermüdung von Geräten vorhersagen und Reparaturen planen, bevor es zu Ausfällen kommt.

Gesundheitswesen: Daten aus klinischen Studien validieren

Klinische Forschungszentren müssen überprüfen, ob die Patientenstatistiken strengen Studienregeln entsprechen und ob die Datensätze zur Einwilligung der Patienten direkt den Datensätzen mit den Studienergebnissen zugeordnet sind. Knowledge Catalog verfolgt den Datenursprung auf Spaltenebene, um Einwilligungs-Pipelines zu prüfen und Forscher auf Anomalien im Datenprofil aufmerksam zu machen. So wird die Integrität von Studien gewahrt.

Finanzdienstleistungen: Kreditrisiko bewerten

Modelle zur Kreditrisikobewertung verwenden Kunden-Bonitätsbewertungen, Transaktionsverläufe und aktive Schuldenstände aus verschiedenen Quellsystemen. Knowledge Catalog bietet ein einheitliches Diagramm mit Kennzahlen für Darlehen und bildet die Datenherkunft ab. So können Underwriting-Tools bestätigen, dass bei Risikobewertungen zertifizierte, konforme Assets verwendet werden.

Telekommunikation: Netzwerkbetrieb diagnostizieren

Autonome Netzwerkmanagementsysteme und ‑agenten analysieren das Signalverhalten in Echtzeit, erkennen Leistungseinbußen und ergreifen selbstheilende Korrekturmaßnahmen. Durch die Verankerung dieser KI-Agents im Kontext von Knowledge Catalog können die Systeme Netzwerkkomponenten sicher über Herkunftsgraphen nachvollziehen und Beziehungen zwischen technischen Protokollen und Geschäftsbereichen abbilden.

Nächste Schritte