Gli AI agent cambiano il modo in cui i team interrogano i dati: invece di dashboard statiche o query scritte a mano, si pongono domande in linguaggio naturale e si ottengono risposte tracciabili. Ma perché un agent sia affidabile serve una base dati fresca, governata e spiegabile. Fivetran descrive sette passi per costruirla con dbt e Google Cloud.
1. Portare i dati enterprise in Google Cloud. Fivetran, via UI o API, sincronizza dati da sistemi operativi, applicazioni, database e API.
2. Storage aperto e AI-ready. Una volta atterrati su Google Cloud Storage, i dati sono esposti automaticamente via Lakehouse for Apache Iceberg ai servizi GCP come BigQuery. Fivetran ospita il catalog primario, Apache Polaris, gestendo dietro le quinte creazione file, aggiornamenti, snapshot e manutenzione, mentre il cliente resta proprietario dei dati nel proprio ambiente.
3. Standardizzare con modelli coerenti. Gli agent hanno bisogno di dati puliti. Con dbt si creano staging model, semantic view e business logic riusabile, tenendo definizioni come customer lifetime value o churn risk in un unico posto governato: cambiata la logica, si aggiorna il modello una volta e l’agent usa la versione nuova.
4. Metadata per orientare l’agent. Google Knowledge Catalog fornisce contesto di business — glossario, descrizioni, relazioni, documentazione — così l’agent capisce quali view e tabelle usare senza avere ogni percorso hardcoded.
5. Un agent multi-tool. Sul front-end, Gemini Enterprise offre l’interfaccia in linguaggio naturale; dietro, un backend agent interroga BigQuery, legge dal Knowledge Catalog, accede al lineage e combina i dati. La separazione mantiene semplice l’esperienza utente e flessibile il backend.
6. Lineage dalla sorgente alla risposta. BigQuery traccia il lineage interno, ma di default si ferma al progetto GCP. Il Fivetran Platform Connector scrive i metadata di pipeline in BigQuery — run history, metriche di righe, cambi di schema, lineage delle tabelle — e, combinati con il lineage di Google Cloud via specifica OpenLineage, danno una vista end-to-end. L’utente può chiedere non solo “qual è la risposta” ma “da dove viene”.
7. Far spiegare e agire l’agent. A fondamenta pronte, l’agent può identificare clienti a rischio churn, spiegarne le cause, collegare i ticket alla salute dell’account e proporre azioni.
In sintesi
- Fivetran muove e mantiene freschi i dati; dbt li modella in semantica riusabile; Google Cloud fornisce storage, query, catalog e interfaccia agent.
- Il lineage end-to-end nasce combinando i metadata Fivetran con quelli di Google Cloud via OpenLineage.
- Il valore non è il modello ma il contesto di business fresco, governato e tracciabile.
Fonte: How to power AI agents with Fivetran and Google Cloud
Hai qualcosa da aggiungere? Unisciti alla discussione.