2026
Qui a marqué le plus de buts ?
Construire un agent IA qui interroge des données en langage naturel.
Mazlum Tosun
Head of Data GroupBees
Google Developer Expert
Docker Captain
02
“Qui a marqué le plus de buts en Coupe du monde ?”
❌ Un ticket à la data team
❌ Une requête SQL à écrire
❌ Un dashboard à modifier
Pourquoi les agents IA pour la data ?
03
✅ Interroger la donnée en langage naturel
✅ Accélérer l’accès à l’information
✅ Démocratiser la data
La promesse des agents IA
04
⚡ Obtenir des KPIs en quelques secondes
📊 Explorer les données en autonomie
🚀 Décider plus rapidement
💡 Accélérer la création de valeur autour de la data
La valeur métier
05
❌ Comprendre le schéma et les relations entre les données
❌ Maîtriser SQL et BigQuery
❌ Gérer les types de données et les SAFE_CAST
❌ Traduire les règles métier en requêtes fiables
❌ Produire des requêtes lisibles et maintenables
Pourquoi c’est difficile sans agent IA ?
06
⚠️ Hallucinations et erreurs SQL
⚠️ Requêtes coûteuses ou inefficaces
⚠️ Mauvaise compréhension du schéma de données
⚠️ Traduction incorrecte des règles métier
⚠️ Gouvernance et contrôle des accès
Mais ce n’est pas magique
07
Architecture globale
08
Focus CI/CD & déploiement
09
✅ Orchestration d'agents
✅ Gestion des sessions et du contexte
✅ Tools et intégration MCP
✅ Développement et tests en local
✅ Déploiement vers Agent Engine
Pourquoi ADK ?
010
✅ Standardiser l'accès aux tools
✅ Connecter BigQuery facilement
✅ Découpler l'agent des systèmes externes
✅ Ajouter des tools sans modifier l'agent
Pourquoi MCP ?
011
Architecture Front
012
013
Développer en local
Tester sans consommer de tokens
014
✅ Un fichier .md par responsabilité
✅ Règles métier hors du code
✅ Lisible et éditable par tous
✅ Validé par Golden Datasets en CI
System instructions modulaires
015
✅ MCP suffit pour cette démo
✅ Contexte volumineux → RAG
✅ Glossaires et catalogues métier
Et le RAG dans tout ça ?
016
✅ Validation syntaxique SQL
✅ Estimation du coût (BigQuery dry-run)
✅ Respect des règles d’accès BigQuery
✅ Contrôle déterministe des requêtes autorisées
Validation technique avant exécution
017
✅ Traduction du SQL en langage métier
✅ Détection des ambiguïtés métier
✅ Proposition d'interprétation à l'utilisateur
✅ Validation utilisateur (Human-in-the-loop)
SQL → Explication → Vérification → Validation
Validation métier avant exécution
018
✅ Observabilité (sessions, traces, hallucinations)
✅ Coût (tokens, bytes billed, quotas, alertes)
✅ Résilience (retries, fallback, gestion des erreurs)
✅ Gouvernance user + données (IAM, RBAC, RLS)
✅ Sessions (Cloud SQL ou Agent Engine)
En production
019
✅ Les agents rendent la data plus accessible
✅ Le vrai défi = la fiabilité en production
✅ Un agent fiable va au-delà du prompting
✅ MCP + ADK accélèrent le développement
✅ Développement local sans consommer de tokens
À retenir
020
Feedback
GitHub
Slides
021
Thank you
Feedback
022