Présentation de Conversational Analytics dans Looker

Conversational Analytics est une fonctionnalité de chat avec vos données optimisée par Gemini pour Google Cloud. Basée sur la couche de modélisation sémantique de Looker, Conversational Analytics permet aux utilisateurs de votre organisation de poser des questions sur les données en langage naturel (conversationnel) pour une informatique décisionnelle en libre-service gouvernée et fiable. Cette approche accélère l'adoption de l'analyse dans votre organisation en fournissant une gouvernance et une sécurité de niveau entreprise.

Conversational Analytics est disponible dans les instances Looker (Google Cloud Core) et Looker (version initiale).

Découvrez comment et quand Gemini pour Google Cloud utilise vos données.

Principales fonctionnalités

Conversational Analytics inclut les fonctionnalités clés suivantes :

  • Discuter avec une exploration Looker : discutez en langage naturel avec les données d'une exploration Looker ou avec un agent de données personnalisé dans une instance Looker (version initiale) ou Looker (Google Cloud Core). Vous pouvez discuter avec jusqu'à cinq explorations à la fois.
  • Créer et gérer des agents de données : avec les agents de données, vous pouvez personnaliser l'agent d'interrogation de données optimisé par l'IA en fournissant un contexte et des instructions spécifiques à vos données. L'agent de données peut ainsi générer des réponses plus précises et contextuellement pertinentes. Vous pouvez également partager vos agents de données avec d'autres utilisateurs afin qu'ils puissent poser des questions dans le même contexte. Vous pouvez connecter votre agent à un maximum de cinq explorations.
  • Analyse avancée avec l'interpréteur de code [aperçu]: l'interpréteur de code de Conversational Analytics traduit vos questions en langage naturel en code Python et exécute ce code. Par rapport aux requêtes standards basées sur SQL, l'utilisation de Python par l'interpréteur de code permet des analyses et des visualisations plus complexes.
  • Intégrer Conversational Analytics dans un site Web ou une application : vous pouvez intégrer Conversational Analytics dans un site Web ou une application à l'aide d'une balise iFrame HTML, comme vous le feriez avec d'autres types de contenu Looker. Conversational Analytics est compatible avec l'intégration privée, où les utilisateurs sont authentifiés à l'aide de leurs identifiants de connexion Looker, et avec l'intégration signée, où les utilisateurs sont authentifiés via votre propre application.

Comment fonctionne Conversational Analytics ?

Conversational Analytics utilise Gemini pour Google Cloud interpréter les questions en langage naturel et fournir des réponses basées sur vos données dans Looker. Il utilise le modèle sémantique Looker (les définitions LookML de vos données) comme source de référence pour s'assurer que les réponses sont précises et cohérentes. Conversational Analytics peut interpréter vos définitions métier pour des métriques telles que "revenus" ou "taux de désabonnement", car elles sont définies dans LookML. Il utilise ces définitions pour fournir des questions précises et cohérentes.

Pour baser ses réponses sur vos données et votre contexte métier spécifiques, Conversational Analytics utilise plusieurs techniques :

  • Schéma LookML : au début d'une requête, Conversational Analytics récupère le schéma des explorations qui y sont connectées. Conversational Analytics utilise les paramètres du modèle LookML de plusieurs manières :
    • Identification des champs : les métadonnées du schéma aident Conversational Analytics à se concentrer sur les champs pertinents. Ces métadonnées incluent des paramètres LookML tels que name, label, description, type et dimension_group. Ces paramètres aident Conversational Analytics à mapper les termes des questions des utilisateurs aux champs appropriés. Par exemple, description peut fournir une terminologie ou un contexte spécifique à l'entreprise pour un champ.
    • Mise en forme des réponses : Conversational Analytics utilise les paramètres label pour nommer les champs de manière conviviale et les paramètres value_format pour mettre en forme les données dans les réponses.
  • Génération de requêtes : au lieu d'interroger directement votre base de données, Conversational Analytics détermine les champs, filtres, tris et limites à utiliser dans la requête. Looker compose et exécute ensuite la requête à l'aide du modèle LookML sous-jacent. Ce processus est semblable à la façon dont un utilisateur interagit avec une interface d'exploration. Conversational Analytics n'a pas besoin de comprendre la logique de jointure complexe ni les définitions de champ, car Looker gère la composition des requêtes en fonction du modèle LookML. La génération de requêtes garantit que toutes les requêtes respectent la logique de jointure, le filtrage, l'agrégation et les autorisations d'accès aux données définis dans votre modèle LookML. Pour générer des requêtes, Conversational Analytics doit déterminer les valeurs correctes à utiliser dans les filtres. Ces valeurs doivent correspondre exactement aux valeurs des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les différences entre les valeurs que l’utilisateur inclut dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, Conversational Analytics utilise les valeurs définies avec allowed_value dans les champs parameter et peut utiliser des outils pour rechercher des valeurs spécifiques dans les champs :
    • Exemples de données : renvoie jusqu'à 100 valeurs d'un champ pour aider Conversational Analytics à apprendre des modèles ou à trouver une correspondance exacte pour les valeurs de filtre.
    • Recherche approximative : génère un ensemble de termes de recherche en fonction de l'entrée de l'utilisateur et vérifie leur présence dans une dimension pour trouver les valeurs de filtre appropriées. Les exemples de données et la recherche approximative utilisent l'API de suggestions de Looker et sont donc influencés par des paramètres LookML tels que suggestions, suggest_explore, et suggest_dimension.
  • Analyse : une fois que Looker a exécuté les requêtes, Conversational Analytics analyse les résultats des requêtes pour répondre aux questions des utilisateurs. Conversational Analytics peut analyser les résultats d'une ou plusieurs des manières suivantes :
    • Il utilise les fonctionnalités Gemini intégrées pour interpréter et résumer les résultats.
    • Il utilise l'exécution de code Python via l'interpréteur de code pour effectuer une analyse plus approfondie des résultats.
    • Il crée des visualisations basées sur les résultats des requêtes.

En tirant parti du modèle sémantique Looker, Conversational Analytics permet d'accéder aux données de différentes plates-formes (telles que BigQuery, AlloyDB, Redshift, Snowflake et Databricks) sans avoir à comprendre la complexité des données sous-jacentes. Il garantit également que toutes les réponses sont cohérentes et gouvernées.

Comment fonctionnent les agents de données Conversational Analytics ?

Un agent de données Conversational Analytics base ses réponses sur deux entrées principales : le schéma LookML de votre instance, défini par un développeur Looker, et les instructions de l'agent, que vous écrivez lorsque vous créez l'agent.

À partir de votre requête, un agent de données doit déterminer les champs LookML à sélectionner et les filtres, tris ou limites à appliquer. Pour ce faire avec précision, il mappe le langage naturel de votre requête à ses propres instructions d'agent et au schéma LookML des données de la manière suivante :

  1. Mapper les termes sémantiques : les utilisateurs utilisent souvent un jargon métier dans leurs questions. L'agent utilise vos instructions d'agent et les métadonnées du champ LookML pour interpréter votre requête. Par exemple, pour la requête "Quel est le montant de nos nouvelles activités ?", un agent de données peut mapper "nouvelles activités" à une mesure qui calcule les revenus récurrents mensuels. Pour la requête "Qui sont nos meilleurs clients ?", un agent de données peut mapper "meilleurs" à un nombre d'utilisations et "clients" à une dimension appelée Nom du client.
  2. Mapper les valeurs de champ : l'agent recherche des points de données spécifiques (par exemple, « Californie » ou « Jeans slim ») à l'aide d'outils spécialisés pour échantillonner les données ou effectuer des recherches approximatives. Par exemple, si un utilisateur demande "jeans", l'agent peut déclencher une recherche approximative dans le champ Nom du produit pour trouver les correspondances exactes dans votre base de données. Si un utilisateur demande "NY", s'agit-il du champ Ville ou du champ État ? L'agent devra peut-être échantillonner les données pour voir quel champ contient "NY".
  3. Affiner avec des exemples de requêtes : vous pouvez fournir des exemples spécifiques de questions et réponses, appelés "requêtes de référence", dans les instructions de l'agent de données pour améliorer la précision des requêtes courantes ou critiques.

Looker utilise ensuite les définitions LookML de ces champs et d'autres logiques définies dans l'exploration (y compris les définitions de champ, les autorisations d'accès ou les attributs utilisateur, ou la logique complexe Liquid ou de jointure) pour composer la requête envoyée à la base de données. Comme l'agent n'écrit pas l'intégralité de la requête SQL, il n'a pas besoin de "comprendre" les données et peut fonctionner de manière plus précise et déterministe.

Agents de données et conversations

La création d'un agent de données offre plusieurs avantages clés par rapport à une conversation standard avec une seule exploration. Bien que le fait de démarrer une conversation à partir d'une exploration permette d'interroger rapidement en langage naturel cette source de données spécifique, un agent de données fonctionne comme un analyste autonome spécialisé qui peut être personnalisé et partagé dans toute votre organisation.

Les agents de données offrent les avantages suivants par rapport aux conversations avec les explorations :

  • Discuter avec plusieurs explorations : dans une conversation avec une exploration, vous ne pouvez interroger qu'une seule exploration à la fois. Toutefois, un agent de données peut se connecter à cinq explorations distinctes au maximum, ce qui permet aux utilisateurs d'effectuer des analyses interdomaines et de recevoir des réponses plus complètes.
  • Contexte créé : vous pouvez fournir à votre agent de données des instructions personnalisées qui ne sont pas disponibles dans une conversation d'exploration standard, y compris les ressources suivantes :
    • Requêtes de référence : vous pouvez fournir à l'agent des paires de questions en langage naturel et des requêtes Looker validées pour ancrer des modèles commerciaux courants et réduire considérablement l'ambiguïté du modèle.
    • Glossaires métier : vous pouvez définir un jargon ou des acronymes spécifiques à l'organisation directement dans les instructions de l'agent.
    • Framework de persona : vous pouvez attribuer un rôle ou une expertise spécifique à l'agent, en définissant un ton cohérent et un jugement professionnel pour la conversation.
  • Spécialisation de l'agent : plutôt que d'utiliser l'interface générique unique d'une conversation, vous pouvez créer des agents spécialisés pour différentes unités commerciales, tels qu'un agent de revenus ou un agent d'opérations. Cela permet une expérience d'analyse plus guidée, en orientant les utilisateurs vers les champs et filtres spécifiques les plus pertinents pour leurs besoins.
  • Collaboration et réutilisation : les conversations d'exploration sont généralement limitées à un seul utilisateur, tandis que les agents de données peuvent être partagés avec d'autres membres de votre organisation. Le partage garantit que plusieurs utilisateurs peuvent bénéficier du même contexte et de la même gouvernance créés par un administrateur ou un expert en données.
  • Comportement personnalisé : vous pouvez configurer votre agent pour qu'il fonctionne selon des exigences strictes, par exemple en utilisant des filtres par défaut (par exemple, "toujours définir par défaut les 6 derniers mois si aucune période n'est mentionnée"). Ces garde-fous garantissent que l'agent fonctionne conformément aux normes de gouvernance et de sécurité spécifiques de votre organisation. Vous pouvez également masquer des champs dans les explorations pour empêcher l'agent de données de les utiliser dans les requêtes.

Liste de la documentation

Comprendre les fonctionnalités de conformité des fonctionnalités Gemini dans Looker

Conversational Analytics n'est pas encore inclus dans les limites d'autorisation FedRAMP High ou FedRAMP Medium. Avant d'activer le paramètre Gemini dans Looker pour votre instance Looker, discutez avec votre organisme d'autorisation pour savoir si les offres de conformité de Gemini pour Google Cloud's répondent aux besoins de votre organisation.

Pour les instances Looker (Google Cloud Core), chaque package de contrôle Assured Workloads qui devient disponible ajoute les fonctionnalités Gemini dans Looker en tant qu'offres par défaut lorsque les exigences et les processus de modification de ce package sont respectés. Conversational Analytics dans Looker respecte les fonctionnalités de conformité de l'instance Looker (Google Cloud Core) associée, à l'exception suivante :

L'assistance pour la résidence des données (DRZ), en particulier pour les données au repos, est disponible pour tous les clients Looker. Toutes les données au repos associées à Conversational Analytics résident strictement dans l'instance Looker et sont limitées à une seule région. Les données en transit peuvent être traitées à l'aide d'un service mondial.

Fournir des commentaires

Vous pouvez envoyer des commentaires à Google sur les réponses individuelles dans Conversational Analytics en sélectionnant l'une des options suivantes :

  • thumb_up Bonne réponse : indiquez que la réponse a été utile.
  • thumb_down Mauvaise réponse : indiquez que la réponse n'a pas été utile.