支払いの遅延により、コンプライアンスチームは不正行為を疑い、データサイエンティストが調査対象のトランザクションを特定する必要が生じました。このプロセスには、生のトランザクションログの取り込みとクリーニング、不正検出モデルのトレーニング、新しいトランザクションのスコアリング、ワークフローの自動化が含まれます。Antigravity IDE内のData Agent Kitは、このエンドツーエンドのプロセスを簡素化します。このキットは、MCPツールとMarkdownスキルを提供し、エージェントをGoogle Cloudデータサービスに接続し、データスタックとのやり取りに関するガイダンスを提供します。また、ユーザーはIDEから直接GoogleのAgentic Data Cloudを管理できます。当初、トランザクションログは、エージェント生成のノートブックを介してSparkを使用してBigQueryにロードされます。データロードの後、BigQueryデータをクリーニングおよびエンリッチするためのdbtプロジェクトが作成され、重複の処理や参照情報との結合が含まれます。このdbtプロジェクトには、トランザクションのユニークネスチェックも含まれます。次に、既知の不正ラベルを持つ履歴データを使用してRandom Forest不正検出モデルを構築するためのトレーニングノートブックが生成されます。トレーニングされたモデルは、次に推論ノートブックで使用され、ラベル付けされていないトランザクションをスコアリングします。50%などの指定されたしきい値を超える不正確率を持つトランザクションは、レビューのためにSpannerテーブルに送信されます。このプロセスにより、コンプライアンスチームが調査するためのトランザクションのショートリストが作成されます。最後に、Managed Service for Apache Airflowが利用され、ワークフロー全体が自動化され、毎日実行されることが保証されます。エージェントは、データロード、変換、スコアリングのステップをオーケストレーションするAirflow DAG定義とデプロイメント構成を生成します。この自動化されたパイプラインは、不正の可能性のあるトランザクションをレビューキューに継続的に投入します。