Gemini Enterprise – część 2. — Transcript

Prezentacja Gemini Enterprise i Google ADK do tworzenia agentów AI dla firm na dużą skalę z naciskiem na bezpieczeństwo i integrację.

Key Takeaways

Agentowe AI umożliwia autonomiczne, wieloetapowe procesy zwiększające produktywność w dużych firmach.
Gemini Enterprise zapewnia bezpieczne środowisko z pełną kontrolą nad agentami i danymi korporacyjnymi.
Google ADK to otwarty framework idealny do budowy skalowalnych i niezawodnych agentów dla enterprise.
Low-code i high-code to dwie ścieżki tworzenia agentów, dostosowane do różnych potrzeb biznesowych.
Protokoły komunikacyjne A2A i A2UI umożliwiają zaawansowaną interakcję agentów i użytkowników.

Summary

Mike z Google Cloud przedstawia zastosowanie agentowego AI w transformacji biznesowej na poziomie enterprise.
Omówienie Google Agent Development Kit (ADK) jako frameworku open source do tworzenia stabilnych, skalowalnych agentów AI.
Wyjaśnienie protokołów komunikacji agentów: A2A (Agent-to-Agent), A2UI (Agent-to-User Interface), AP2 i UCP dla branż retail i fintech.
Prezentacja Gemini Enterprise jako bezpiecznego środowiska do budowy i testowania agentów z pełną kontrolą nad danymi i działaniami.
Różnica między low-code (Agent Designer) a high-code w tworzeniu agentów oraz ich zastosowanie w projektach strategicznych.
Demo aplikacji dla restauracji nadmorskiej wykorzystującej Gemini Enterprise do prognozy pogody i sugestii dań dnia.
Podkreślenie, że dane korporacyjne pozostają w projekcie Google Cloud i nie są wykorzystywane do trenowania modeli Google lub konkurencji.
Możliwość integracji z różnymi źródłami danych i systemami zewnętrznymi dzięki licznej gamie konektorów.
Proces tworzenia agenta w Gemini Enterprise, który automatycznie generuje subagentów i orkiestruje zadania AI.
Znaczenie testowania agentów w bezpiecznym środowisku przed wdrożeniem produkcyjnym.

Full Transcript — Download SRT & Markdown

Speaker A

Cześć, mam na imię Mike, pracuję w Google Cloud i pomagam firmom budować w chmurze aplikacje wykorzystujące AI na dużą skalę. Pokażę wam, jakie możliwości otwiera dziś sztuczna inteligencja przed firmami o właśnie takiej skali, skali enterprise.

Speaker A

Przechodzimy tam od fazy zachwytu nad chatbotami do fazy realnej transformacji biznesowej. W trakcie tej lekcji opowiem, czym są zaawansowane, programowalne systemy agentowe zbudowane w Google Agent Development Kit, ADK, i pokażę, jak wygląda praca z nimi w bezpiecznym środowisku Gemini Enterprise.

Speaker A

Dlaczego agentowe AI to absolutny game changer dla produktywności? Większość z nas wciąż postrzega generatywną sztuczną inteligencję jako modele, które świetnie piszą maile albo dokonują tłumaczeń.

Speaker A

Tymczasem agentowe AI potrafi już samodzielnie zaplanować wieloetapowy proces, połączyć się z innymi systemami, wyciągnąć wnioski i wykonać akcje. To właśnie ta autonomia pozwala organizacjom drastycznie zwiększyć skalę działania. Ta sama autonomia potrafi jednak być koszmarem z punktu widzenia cyberbezpieczeństwa.

Speaker A

Agenty to technologie nowe i wiedza na temat ich wdrażania nie jest jeszcze powszechna. Platforma Gemini Enterprise została od podstaw zaprojektowana z myślą o potrzebach takich dużych organizacji. Oznacza to, że każdy agent, którego zbudujemy, działa w środowisku gwarantującym pełną kontrolę. Dzięki komponentom takim

Speaker A

jak Agent Gateway i Agent and Tool Registry centralnie zarządzamy tym, co agent może zrobić.

Speaker A

A co najważniejsze, dzięki wbudowanym narzędziom do ewaluacji możemy dokładnie przetestować jego działanie, zanim jeszcze trafi na produkcję.

Speaker A

To bardzo ważne, aby z agentowym AI eksperymentować w bezpiecznym środowisku. W budowaniu agentów mamy dwie drogi.

Speaker A

Narzędzia low-code, takie jak Agent Designer w Gemini Enterprise, są świetne do szybkiego prototypowania przez zespoły biznesowe. Jednak gdy rozmawiamy o strategicznych projektach transformacyjnych i integracji z kluczowymi bazami danych, z systemami ERP, systemami bankowymi czy platformami e-commerce, powinniśmy pewnie wejść w high-code i posłużyć się

Speaker A

umiejętnością tworzenia oprogramowania od podstaw. Na rynku jest obecnie kilka popularnych frameworków do tworzenia agentów. Indywidualni programiści chętnie używają LangChaina czy CrewAI, które to napędzają innowacje.

Speaker A

Dla enterprise, gdzie liczy się wysoka dostępność i niezawodność, skalowalność oraz polityki zarządzania dostępem, Google przygotował otwarty, czyli dostępny jako open source, framework o nazwie ADK, Agent Development Kit.

Speaker A

Pozwala on budować stabilne aplikacje, które natywnie komunikują się z usługami Google Cloud i środowiskiem Gemini Enterprise.

Speaker A

ADK to nie tylko biblioteki kodu. To także dostęp do standardów. Protokół komunikacji o nazwie A2A, czyli Agent-to-Agent, pozwala agentom delegować sobie nawzajem zadania z zachowaniem kontekstu.

Speaker A

Dzięki A2UI, czyli Agent-to-User Interface, agent nie tylko odpisuje tekstem, ale potrafi wygenerować interaktywny wykres czy formularz. Agent Payment Protocol, AP2, oraz Universal Commerce Protocol, UCP, powstały z myślą o branżach retail i fintech, pozwalając na autonomiczne, ale w pełni kontrolowane realizowanie transakcji.

Speaker A

No dobrze, teoria to jedno, ale zobaczmy to w praktyce. W tym demo pokażę wam agenta napisanego w pełni w kodzie, czyli w ADK, którego zarejestrowałem wewnątrz aplikacji Gemini Enterprise, tak aby można było udostępnić go pracownikom w każdej organizacji.

Speaker A

Zwróćcie uwagę, jak w tle Gemini Enterprise wykorzystuje protokół A2A, by bezpiecznie odpytać wewnętrznego agenta analitycznego o dodatkowe dane oraz jak dzięki protokołowi A2UI agent renderuje dla mnie interaktywne elementy bezpośrednio w oknie czatu.

Speaker A

Aplikacja Gemini Enterprise w wersji Standard albo Plus znajduje się w Google Cloud. Wystarczy tutaj wpisać AI Applications.

Speaker A

Zauważcie, że cały czas jesteśmy w projekcie. Ten projekt możemy sobie zaszyfrować. To my jesteśmy właścicielem klucza, tak zwany Customer-Managed Encryption Key.

Speaker A

Jesteśmy tego właścicielem. No i tutaj mam postawioną aplikację dla restauracji nadmorskiej, która serwuje ryby z polskiego Bałtyku. Ten motyw przewodni towarzyszy nam od zeszłorocznej edycji programu Umiejętności Jutra.

Speaker A

I teraz w ramach tej aplikacji mam dostęp do różnego rodzaju konfiguracji, w tym do budowania agentów za pomocą Agent Designera.

Speaker A

Mogę też wykorzystywać różnego rodzaju modele, Gemini 3.1, Nano Banana do generowania obrazów, jak również Gemini 3.0 Flash i Gemini 3.1 Pro do takiego głębokiego wnioskowania. No i teraz aplikacja wygląda w ten sposób, czyli wygląda bardzo podobnie do wszystkich

Speaker A

aplikacji AI-owych, które znamy z internetu. Natomiast różni się od tych aplikacji konsumenckich tym, że wszystkie dane zostają w tym właśnie projekcie, w Google Cloud, żadne dane nie są wykorzystywane do tego, aby uczyć jakikolwiek model Google'a czy konkurencji.

Speaker A

Czyli mamy taką pewność, że wszystkie nasze enterprise'owe, korporacyjne dane zostają w tym jednym projekcie, w którym mamy posadowioną albo osadzoną tą aplikację Gemini Enterprise. I teraz co ja mogę z nią zrobić?

Speaker A

No mogę tutaj wybrać sobie model, z którego chcę korzystać. Mam podłączonych kilka źródeł danych, te źródła danych definiuję sobie tutaj jako Data Stores.

Speaker A

Na potrzeby demo mam tutaj tylko Cloud Storage, Drive'a. Natomiast jeśli chcielibyście sobie podłączyć jakieś dane zewnętrzne, to zauważcie, że konektorów do zewnętrznych systemów mamy tutaj bez liku. Ale skupmy się na naszym demo.

Speaker A

Załóżmy, że jesteśmy właścicielem nadmorskiej restauracji i chcielibyśmy sprawdzić na najbliższe kilka dni pogodę. Chcielibyśmy poprosić AI, żeby pomogło nam zasugerować jakieś dania dnia w tej naszej restauracji.

Speaker A

"Sprawdź pogodę na najbliższe trzy dni w Gdańsku. Na podstawie prognozy pogody zasugeruj danie dnia w naszej restauracji na najbliższe trzy dni." Wybraliśmy najmocniejszy model, 3.1 Pro, i po prostu odpytujemy AI.

Speaker A

Prosimy AI, żeby nas w takim zadaniu wsparło. Jak widzicie, sam Gemini Enterprise jest już asystentem, który ma tutaj pewnego rodzaju agentowe zachowania wbudowane, czyli definiuje sobie kolejne kroki w ramach takiego zadania i odpowiada, przeprowadzając pewien proces myślenia.

Speaker A

No więc wtorek, pochmurno, aromatyczny krem z pieczonych pomidorów będzie niezły. A środa, 6 maja, zapowiada się deszczowo, więc rozgrzewający gulasz wołowy.

Speaker A

Czwartek, 7 maja, będzie pochmurno, ale ryzyko opadów spadnie do 10%, więc tradycyjne pierogi z pieczoną kaczką są jego propozycją.

Speaker A

I teraz wszystko fajnie, natomiast problemem takiego pytania jest fakt, że ten asystent w Gemini Enterprise on po prostu wykorzystuje duży model języka naturalnego, czyli nie ma groundingu, nie ma informacji o tym, jakiego rodzaju menu serwuje nasza restauracja, więc próbuje coś zaproponować. Inną możliwością

Speaker A

albo innym sposobem na to, żeby pomóc sobie w ten sam sposób, jest stworzenie agenta.

Speaker A

Robimy to, przechodząc tutaj do zakładki Agenty i budujemy sobie nowego agenta. Kreowanie agenta w Gemini Enterprise nie wymaga jeszcze umiejętności albo konieczności posiadania umiejętności kodowania czy pisania agentów, wykorzystując high-code. Możemy też tutaj poprosić o to, aby kreator agentów stworzył nam takiego, który będzie

Speaker A

sprawdzał pogodę na najbliższe trzy dni w Gdańsku. Stworzy również subagenta, który na podstawie prognozy pogody będzie sugerował danie dnia.

Speaker A

Zobaczmy, jak to zadziała. Ponownie obserwujemy pewien proces, w ramach którego aplikacja Gemini Enterprise próbuje zrozumieć naszą intencję i zaprojektować agenta, który będzie wykonywał taką funkcję w sposób powtarzalny.

Speaker A

I oto mamy architekturę agenta, która składa się z orkiestratora. AI zaproponowało już prompty do tego orkiestratora.

Speaker A

Zaproponowało je po angielsku, dlatego że ja mam tutaj ustawione menu, to znaczy cały ten user interface mam ustawiony jako język angielski i działa to też po polsku.

Speaker A

Ten orkiestrator ma nazwę Get Weather Forecast, czyli pobierz jakąś tam prognozę pogody. Tu jest jakiś jego opis, tu jest rola i możemy sobie wybrać model, z którego korzysta.

Speaker A

I widzimy, że on będzie wykorzystywał tylko wyszukiwarkę Google. Natomiast stworzył też subagenta, który jest od tego, żeby sugerować dania.

Speaker A

I tutaj w tych instrukcjach jesteśmy w stanie albo zawrzeć informacje o tym, czego dotyczy nasze menu, albo dodać jakiś plik albo źródło danych, na przykład na Drive czy na Cloud Storage możemy wrzucić jakieś źródła danych, które również będą zawierały informacje o tym, z czego składają się nasze dania.

Speaker A

Jesteśmy restauracją nadmorską, serwujemy głównie dania oparte o ryby z naszego Bałtyku, więc fajnie by było, gdyby taka informacja się tu zawierała.

Speaker A

W ten sposób agent będzie dla nas po prostu dużo bardziej pomocny. Więc utworzymy sobie takiego agenta i możemy z nim teraz porozmawiać.

Speaker A

Jeśli nie wiemy, o co zapytać agenta, to się przywitajmy. To jest taka dobra praktyka.

Speaker A

Agent powinien sam przedstawić się i powiedzieć, czym się zajmuje, jaka jest jego rola, jaka jest jego funkcja.

Speaker A

Agent zrobił to samo, co asystent i jak widzimy, znów krem z pieczonych, gulasz wołowy, zapiekanka ziemniaczana z boczkiem.

Speaker A

Możemy zatem wrócić do naszego agenta i w kreatorze zedytować prompt, tak aby odzwierciedlał nasze menu.

Speaker A

Powiedzmy, że punkt pierwszy zamienimy "Just a dish based on a fish from a local fisherman.

Speaker A

Aktualizuj. Jeśli poprosimy agenta ponownie o pomoc, "zasugeruj potrawę na najbliższe trzy dni", to tym razem powinien już wziąć pod uwagę nasz prompt i to, że jednak serwujemy dania z ryb z polskiego Bałtyku.

Speaker A

Czyli budowanie agentów różni się od rozmawiania z AI tym, że mamy większą granularną kontrolę nad tym, jakie są instrukcje i jakie są źródła danych dla tego agenta.

Speaker A

Zobaczcie, przy tej odpowiedzi mamy już pieczony dorsz w sosie koperkowym, zupa rybna z sandacza i smażona flądra podana z purée z selera i jabłka oraz z musem chrzanowym. Jesteśmy zatem w stanie zbudować sobie takiego agenta i testować go do takiego momentu,

Speaker A

prototypować sobie takiego agenta do momentu, w którym widzimy, że on działa dokładnie tak, jak chcielibyśmy, żeby taki agent działał. I do tego właśnie służą takie aplikacje jak Gemini Enterprise.

Speaker A

Dobrze, pokazałem zatem, jak rozmawiać z dużym modelem języka naturalnego, tak aby próbować pomóc sobie w pracy.

Speaker A

Pokazaliśmy też, jak stworzyć agenta, czyli taki zestaw instrukcji oraz dostępu do modeli i źródeł danych, nad którym mamy większą granularną kontrolę i jesteśmy w stanie zmieniać te prompty, aby uzyskiwać jak najwięcej wartości z wykorzystania takiego agenta.

Speaker A

Ale teraz chciałbym jeszcze pokazać wam sytuację, w której mamy przeróżne źródła danych w postaci rozproszonych baz danych. To są jakieś takie tabele, Excele, rozrzucone w różnych miejscach informacje o naszych dostawcach.

Speaker A

Mogą to być historyczne dane pogodowe, możemy mieć do czynienia z jakąś naszą książką kucharską i listą menu.

Speaker A

Mamy też nasze transakcje, czyli wyniki sprzedażowe, informacje o naszej sprzedaży z ostatnich miesięcy. No i mamy informacje o naszych dostawcach.

Speaker A

I chcielibyśmy stworzyć agenta, który będzie rozumiał te różne dane, chcielibyśmy temu agentowi w jakiś sposób wskazać, które informacje, po których identyfikatorach próbujemy ze sobą łączyć.

Speaker A

Jeśli chcemy zrobić taką skomplikowaną operację, to raczej nie uda nam się tego wypromptować w taki no-codowy sposób. Właśnie w takiej sytuacji wykorzystamy ADK, czyli Agent Development Kit, i spróbujemy takiego agenta po prostu zakodować.

Speaker A

Spróbujemy go opisać kodem, opisać relacje pomiędzy tymi źródłami danych, tak żeby on rozumiał, w jaki sposób do nich sięgać i w jakich sytuacjach.

Speaker A

Mam tutaj taki właśnie diagram, pokazujący, które informacje łączą się ze sobą. Na przykład inventory deliveries, czyli baza danych dostawców, łączy się z dostawami za pomocą ID dostawcy.

Speaker A

Tak samo menu łączy się z transakcjami za pomocą item ID. I nasz agent będzie rozumiał, które elementy w tych różnych tabelach, w tych źródłach danych się ze sobą łączą.

Speaker A

Źródła danych wrzucimy sobie do BigQuery. BigQuery jest taką wielką bazą danych w środowisku Google Cloud.

Speaker A

Możemy tutaj podejrzeć te informacje. Klikamy Preview i podglądamy sobie, widzimy na przykład, że na magazynach, na naszych stanach magazynowych mamy 15 kilogramów flądry od dostawcy numer 002. Możemy sobie wejść na listę dostawców i ją również podejrzeć i wiemy, że dostawca numer 002

Speaker A

to Kuter Hel 12 Piotra Nowaka i jest jednym z naszych głównych dostawców. Podobnie możemy tutaj spojrzeć na dane pogodowe, widzimy, w których dniach było słonecznie, w których było pochmurno. I mamy jakieś menu, które stanowi kartę dań w naszej restauracji.

Speaker A

Tradycyjna zupa rybna, halibut, turbot, ale mamy też lemoniadę cytrynową. Dobrze, ta lekcja nie obejmuje informacji o tym, jak przygotować ten skrypt, jak przygotować kod w ADK, ale jeśli będziemy go już mieli przygotowanego, możemy go wykonać w Google Cloud

Speaker A

poprzez wklejenie go tutaj w terminalu i po prostu wystartowanie go za pomocą Entera. Skrypt stworzy agenta, wystartuje go na runtime'ie, który nazywa się Agent Engine i zarejestruje go tutaj, w naszej aplikacji Gemini Enterprise, dzięki czemu nasi pracownicy będą mieli dostęp

Speaker A

do tego agenta i będą mogli go wykorzystywać, a przy okazji będziemy mieli wszelkie logi i informacje na temat tego, kiedy był wykorzystywany, w jaki sposób i będziemy mogli kontrolować wykorzystanie tego agenta.

Speaker A

Zabierzmy się zatem do pracy i przetestujmy, jak taki agent działa. Znajdziemy go tu. Jest to jeden z agentów udostępnionych przez moją organizację.

Speaker A

No i teraz zadajmy mu to samo pytanie, które zadawaliśmy poprzednim agentom. "Sprawdź pogodę na najbliższe trzy dni w Gdańsku.

Speaker A

Sprawdź też pogodę historyczną i na podstawie prognoz oraz danych historycznych zasugeruj danie dnia w naszej restauracji na najbliższe trzy dni." Zauważcie, że ten agent pracuje troszkę inaczej, pracuje trochę dłużej.

Speaker A

Wynika to z tego, że musi sięgnąć do tych wszystkich danych, które ma pod spodem, przeanalizować je zgodnie z zasadami, które określiliśmy w naszym skrypcie, który napisaliśmy, wykorzystując Agent Development Kit.

Speaker A

Zauważcie, że agent weryfikuje schematy tabel do danych pogodowych i sprzedażowych. Przy okazji pisze nam, co robi, pisze nam, do których danych wewnętrznych sięga.

Speaker A

Potrafi też przeszukiwać internet, analizuje prognozę pogody na najbliższe dni. Ten agent posiada pewną supermoc.

Speaker A

Dzięki temu, że wykorzystuje protokół o nazwie Agent-to-User Interface, jest w stanie generować wizualizację raportu analitycznego, czyli nie jest tylko chatbotem, z którym sobie piszemy.

Speaker A

Ten agent potrafi stworzyć dashboardy analityczne. Jak widzicie, odpowiedź tego agenta jest dużo bardziej wyczerpująca. Przede wszystkim wskazał nam informacje o tym, z jakich danych źródłowych skorzystał, a że wziął pod uwagę nasze transakcje sprzedaży, że wziął pod uwagę konkretne logi pogodowe,

Speaker A

opisał nam aktualne warunki w Gdańsku, że to jest lekki deszcz, wilgotność, przygotował strategię dań, na tej podstawie, na nadchodzące trzy dni.

Speaker A

Ten agent zrobił nawet więcej. Zidentyfikował pewne ukryte wzorce konsumenckie na wybrzeżu. Zauważył, że kiedy pogoda się psuje, to drastycznie rośnie popyt na zupy. Natomiast słoneczna pogoda maksymalizuje sprzedaż dań premium, czyli ryb z frytkami.

Speaker A

Kluczowe wnioski i twarde dane zostały mi zaprezentowane w formie tekstowej, ale również dostałem podsumowanie w formie pewnej wizualizacji.

Speaker A

Czyli jeśli deszcz i burza, średnia sprzedaż 54 porcje. Jeśli pogoda słoneczna, średnia sprzedaż 84 porcje.

Speaker A

Mam też strategię dań na najbliższe dni. I zauważcie, że ten agent wygenerował mi bardzo fajny interfejs, w którym mogę sobie klikać i przełączać się pomiędzy sytuacjami deszcz, pochmurno, słońce, jutro, pojutrze, za trzy dni.

Speaker A

I jestem w stanie stąd przeprowadzać dalsze analizy, po prostu klikając w te tutaj przyciski.

Speaker A

Nie muszę już z nim dalej rozmawiać. No więc chciałbym teraz na te dania zamówić składniki.

Speaker A

Klikam zatem Zamów składniki. To działanie zostało aktywowane i teraz mój agent, który ma dostęp do zewnętrznych systemów i do zewnętrznych baz danych, analizuje, które składniki są mi potrzebne, żeby te dania przygotować.

Speaker A

Sprawdza listę certyfikowanych dostawców, sprawdza też aktualne stany magazynowe, bo być może mamy już te składniki.

Speaker A

Przygotowuje pewną hierarchię i ranking dostawców na podstawie danych o niezawodności i czasie dostawy. Czyli jak widzicie, ten agent dość mocno automatyzuje wszystko to, co do tej pory jako właściciel restauracji w Gdańsku musiałbym zrobić sam.

Speaker A

Pomógł mi przygotować formularze zamówień na dorsza do hurtowni Poseidon, do Makro i do jednego z kutrów, z których zamawiamy te ryby. Jestem w stanie sobie ponownie zwiększyć lub zmniejszyć ilość w kilogramach.

Speaker A

Jak widzicie, agent stworzył dla mnie pewien interfejs. Ja nie muszę z nim cały czas czatować, czyli przechodzimy od tego paradygmatu chatbotów do paradygmatu dynamicznie generowanych na moje potrzeby dashboardów, po których ja mogę sobie klikać po to, żeby automatyzować pewne elementy mojej pracy.

Speaker A

No więc: Przygotuj projekt zamówienia. Naciśnięcie tego przycisku znowu rozpoczyna pewien proces, rozpoczyna pewien ciąg akcji, które wykona nasz agent. A to działanie to przygotowanie projektu zamówienia na podstawie naszych wytycznych oraz analizy pogody na najbliższe dni.

Speaker A

Wybraliśmy hurtownię rybną Poseidon. Nasza operacja zmodyfikuje bazę danych. I teraz zauważcie, że tym elementem bezpieczeństwa, który tutaj następuje, jest moja zgoda lub brak zgody na to działanie.

Speaker A

Czyli agent, którego napisaliśmy, wymaga tego elementu human in the loop. Wymaga tego, aby człowiek potwierdził, czy to działanie ma zostać wykonane.

Speaker A

I tego typu działania bardzo ważne, abyśmy sobie zdefiniowali na początku. I pisząc takie skrypty, które powołują do życia agentów, wskazywali w tych skryptach, w którym miejscu agent będzie wymagał potwierdzenia od człowieka. Ja w tym wypadku przejrzałem nasz arkusz zamówienia. Zatwierdzam i wykonuję zmianę

Speaker A

zapisu do bazy danych, na podstawie której wygenerują się zamówienia do dostawców. Okej, wiemy już, jakie dania będziemy serwować naszym klientom w ciągu najbliższych kilku dni. Zmieniliśmy nasze zamówienia, zatwierdziliśmy, możemy jeszcze przeanalizować zysk netto, ale teraz zróbmy może draft

Speaker A

postów na social media. Nasz agent to również potrafi. Wiemy, że będziemy serwować zupę, więc napiszmy sobie coś na ten temat.

Speaker A

Ponownie, nie muszę jakoś szczególnie tłumaczyć agentowi, co chcemy zrobić. Agent antycypuje, przewiduje, że te działania będą po sobie następować.

Speaker A

Jak widzicie, generuje teraz propozycję posta, bazując na naszych danych, na danych naszej firmy, przechowywanych w naszych bazach, w naszych systemach zewnętrznych, ale researchuje też w internecie lokalny klimat.

Speaker A

Okej, nasz agent przygotował propozycję angażującego posta na social media, idealnie skrojonego pod dzisiejszą gdańską pogodę. Jego analityczny wniosek jest taki, że w deszczowe dni klienci poszukują tak zwanego comfort food. Więc za oknem typowa bałtycka aura, wiatr i lekki deszcz. W takie dni najlepiej schronić

Speaker A

się w przytulnym miejscu. Zapraszamy na rozgrzewającą tradycyjną zupę rybną. Pełna smaku... hashtagi, czekamy na was... Jest nawet wygenerowana propozycja zdjęcia, jak zdjęcie takiej zupy może wyglądać, gdzie jest call to action, gdzie są hashtagi.

Speaker A

Czyli ponownie, nasz agent właśnie zaoszczędził mi kilka godzin myślenia o tym, albo długich kilkadziesiąt minut myślenia o tym, w jaki sposób opisać nasze dania na najbliższych kilka dni.

Speaker A

I teraz, jak widzicie, mogę wysłać to do marketingu albo wygenerować jakąś alternatywę. Mogę też pobawić się w kalkulację zysku czy strat.

Speaker A

Podsumowując, budowa agentów typu high-code za pomocą frameworka Google Agent Development Kit to moment, w którym przestajemy tylko rozmawiać z AI, a zaczynamy na niej budować zautomatyzowane procesy biznesowe.

Speaker A

Odblokowujemy tu dwie supermoce. Po pierwsze, protokół Agent-to-Agent, protokół komunikacji. Dzięki niemu nasi agenci nie działają już w izolacji, potrafią bezpiecznie komunikować się z innymi wyspecjalizowanymi agentami w firmie, delegując im zadania i rozwiązując złożone problemy w tle. Po drugie, protokół Agent-to-User Interface.

Speaker A

Całkowicie redefiniujemy nim doświadczenie użytkownika. Zamiast ograniczać się do prostego tekstu, agent potrafi teraz generować w oknie czatu interaktywny wykres, przyciski, formularze czy panele zakupowe.

Speaker A

Krótko mówiąc, łącząc potęgę programowalnych agentów Agent Development Kit z rygorem i bezpieczeństwem Gemini Enterprise, nie tworzymy już tylko chatbotów.

Speaker A

Tworzymy autonomiczne, skalowalne systemy, które realnie odciążają pracowników i transformują to, jak organizacja dostarcza wartość.

Speaker A

Jeśli tworzycie takie bardziej zaawansowane systemy agentowe, jeśli wykorzystujecie do tego różne języki programowania, to koniecznie spróbujcie ADK.

Topics:Gemini EnterpriseGoogle CloudAgent Development KitAI agentysztuczna inteligencjatransformacja cyfrowabezpieczeństwo danychlow-codehigh-codeintegracja systemów

Frequently Asked Questions

Czym jest Gemini Enterprise i do czego służy?

Gemini Enterprise to platforma Google Cloud zaprojektowana do tworzenia i zarządzania agentami AI w bezpiecznym środowisku, zapewniając pełną kontrolę nad danymi i działaniami agentów.

Jakie są główne zalety używania Google Agent Development Kit (ADK)?

ADK to otwarty framework umożliwiający tworzenie stabilnych, skalowalnych agentów AI, które natywnie integrują się z usługami Google Cloud i Gemini Enterprise, wspierając zaawansowane protokoły komunikacji agentów.

Jakie są różnice między low-code a high-code w tworzeniu agentów AI w Gemini Enterprise?

Low-code, np. Agent Designer, pozwala na szybkie prototypowanie przez zespoły biznesowe bez konieczności programowania, natomiast high-code wymaga umiejętności programistycznych i jest stosowany w strategicznych projektach z integracją kluczowych systemów.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play

Or transcribe another YouTube video here →