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

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

Bileşenler

1. RMI Agent (Root Agent)

• Rol: Birincil sohbet arayüzü ve görev düzenleyici.
• Sorumluluklar:
  • Çok aşamalı etkileşimde bağlamı 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 Aracı)

• Rol: Uzmanlaşmış SQL çevirisi ve veritabanı yürütme aracısı.
• Sorumluluklar:
  • Kök aracıdan gelen doğal dil talimatlarını optimize edilmiş BigQuery SQL sorgularına çevirir.
  • Sorguları doğrudan yapılandırılmış BigQuery veri kümesine karşı yürütür.
  • Ham ve değiştirilmemiş sorgu sonuçlarını Root Agent'a 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 oluşturma 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. otoyoldaki 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 Agent, değiştirilmemiş ham verileri RMI Agent'a döndürür. Bu temsilci, 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 zamanlamalarının ayarlanması gerekip gerekmediğini belirlemek için metropoliten bir yol ağındaki trafik sıkışıklığını değerlendirmesi gerekiyor.

Çözüm İş Akışı

1. Kullanıcı Sorgusu: Planlayıcı, CLI veya web kullanıcı arayüzünü kullanarak ajanla etkileşim kurar ve şunları 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 yoğun 5 rota") tanımlar. Bu işlev, "yoğunluğun" anlık seyahat süresinin statik süreye oranı (duration_in_seconds / static_duration_in_seconds) olarak ölçülmesi gerektiğini belirler.

   • Veri alma işlemini, yapılandırılmış bir talimatla BigQuery Agent'a 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, trafik yoğunluğu 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 Agent, segmentlerin ham listesini RMI Agent'a geri iletir.
   • RMI Aracısı, kayıtları analiz eder, görünen adları eksik olan veya yalnızca tanımlayıcı referansları içeren 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 yoğun rotalarda, normal statik sürelerine kıyasla 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 süresi yalnızca 6 saniye olmasına rağmen seyahat süresi 66 saniyeydi (11 kat yoğunluk oranı)..."

Sonuç

Sohbet etkileşimini ve anlatı sentezini düşük düzeyli SQL oluşturma ve veri alma işlemlerinden ayırarak hiyerarşik RMI ADK Agent mimarisi, karmaşık coğrafi veri ambarları ile son kullanıcılar arasındaki boşluğu doldurur. Veritabanı yürütmesini özel bir alt ajan içinde izole etmek, 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 feed'leri 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 kullanılacak bir kurumsal ortama geçirin.

Katkıda bulunanlar

Kel Markert | Cloud Geographer