Looker의 대화형 분석 개요

대화형 분석은 를 위한 Gemini Google Cloud를 기반으로 작동하는 데이터와의 채팅 기능입니다. Looker 시맨틱 모델링 레이어를 기반으로 하는 대화형 분석을 사용하면 조직의 사용자가 관리되고 신뢰할 수 있는 셀프서비스 BI를 위해 일반적인 자연어 (대화형)로 데이터 관련 질문을 할 수 있습니다. 이 접근 방식은 엔터프라이즈급 거버넌스 및 보안을 제공하여 조직 전반에서 분석 도입을 가속화합니다.

대화형 분석은 Looker (Google Cloud 핵심 서비스) 인스턴스와 Looker (원본) 인스턴스 모두에서 사용할 수 있습니다.

를 위한 Gemini에서 사용자 데이터를 사용하는 방법과 시점을 알아보세요. Google Cloud

주요 특징

대화형 분석에는 다음과 같은 주요 기능이 포함됩니다.

  • Looker Explore와 대화: Looker (원본) 인스턴스 또는 Looker (Google Cloud 핵심 서비스) 인스턴스 내에서 Looker Explore 데이터 또는 커스텀 데이터 에이전트와 자연어로 대화합니다. 한 번에 최대 5개의 Explore와 대화할 수 있습니다.
  • 데이터 에이전트 만들기 및 관리: 데이터 에이전트를 사용하면 데이터에 맞는 컨텍스트와 안내를 제공하여 AI 기반 데이터 쿼리 에이전트를 맞춤설정할 수 있습니다. 이렇게 하면 데이터 에이전트가 더 정확하고 컨텍스트와 관련된 응답을 생성하는 데 도움이 됩니다. 다른 사용자가 동일한 컨텍스트로 질문할 수 있도록 데이터 에이전트를 다른 사용자와 공유할 수도 있습니다. 에이전트를 최대 5개의 Explore에 연결할 수 있습니다.
  • 코드 인터프리터를 사용한 고급 분석 [미리보기]: 대화형 분석 내의 코드 인터프리터는 자연어 질문을 Python 코드로 변환하고 해당 코드를 실행합니다. 표준 SQL 기반 쿼리와 비교했을 때 코드 인터프리터에서 Python을 사용하면 더 복잡한 분석과 시각화가 가능합니다.
  • 웹사이트 또는 애플리케이션에 대화형 분석 삽입: 다른 Looker 콘텐츠 유형과 마찬가지로 HTML iframe 태그를 사용하여 웹사이트 또는 애플리케이션에 대화형 분석을 삽입할 수 있습니다. 대화형 분석은 사용자가 Looker 로그인을 사용하여 인증되는 비공개 삽입과 사용자가 자체 애플리케이션을 통해 인증되는 서명된 삽입을 모두 지원합니다.

대화형 분석은 어떻게 작동하나요?

대화형 분석은 를 위한 Gemini를 사용하여 자연어 질문을 해석하고 Looker의 데이터를 기반으로 답변을 제공합니다. Google Cloud Looker 시맨틱 모델(데이터의 LookML 정의)을 정보 소스로 사용하여 응답이 정확하고 일관되도록 합니다. 대화형 분석은 LookML에 정의되어 있으므로 '수익' 또는 '이탈'과 같은 측정항목에 대한 비즈니스 정의를 해석하고 이러한 정의를 사용하여 정확하고 일관된 질문을 제공할 수 있습니다.

대화형 분석은 특정 데이터 및 비즈니스 컨텍스트를 기반으로 응답하기 위해 여러 기법을 사용합니다.

  • LookML 스키마: 요청이 시작될 때 대화형 분석은 연결된 Explore에서 스키마를 가져옵니다. 대화형 분석은 LookML 모델의 매개변수를 여러 가지 방법으로 사용합니다.
    • 필드 식별: 스키마의 메타데이터는 대화형 분석이 관련 필드에 집중하는 데 도움이 됩니다. 이 메타데이터에는 name, label, description, type, dimension_group과 같은 LookML 매개변수가 포함됩니다. 이러한 매개변수는 대화형 분석이 사용자 질문의 용어를 올바른 필드에 매핑하는 데 도움이 됩니다. 예를 들어 description은 필드에 대한 비즈니스별 용어 또는 컨텍스트를 제공할 수 있습니다.
    • 응답 형식 지정: 대화형 분석은 사용자 친화적인 필드 이름 지정에 label 매개변수를 사용하고 응답에서 데이터 형식 지정에 value_format 매개변수를 사용합니다.
  • 쿼리 생성: 대화형 분석은 데이터베이스를 직접 쿼리하는 대신 쿼리에 사용할 필드, 필터, 정렬, 제한을 결정합니다. 그런 다음 Looker는 기본 LookML 모델을 사용하여 쿼리를 작성하고 실행합니다. 이 프로세스는 사용자가 Explore 인터페이스와 상호작용하는 방식과 유사합니다. Looker가 LookML 모델을 기반으로 쿼리 작성을 처리하므로 대화형 분석은 복잡한 조인 로직 또는 필드 정의를 이해할 필요가 없습니다. 쿼리 생성을 통해 모든 쿼리가 LookML 모델에 정의된 조인 로직, 필터링, 집계, 데이터 권한을 준수하도록 합니다. 쿼리를 생성하려면 대화형 분석에서 필터에 사용할 올바른 값을 결정해야 합니다. 이러한 값은 기본 데이터의 값과 정확히 일치하거나 와일드 카드와 같은 고급 필터 표현식이어야 합니다. 대화형 분석은 사용자가 자연어 질문에 포함하는 값과 필터에 필요한 정확한 값 간의 불일치를 해결하기 위해 allowed_value에서 parameter 필드로 정의된 값을 사용하며 도구를 사용하여 필드의 특정 값을 확인할 수 있습니다:
    • 샘플 데이터: 대화형 분석이 패턴을 학습하거나 필터 값과 정확히 일치하는 항목을 찾는 데 도움이 되도록 필드에서 최대 100개의 값을 반환합니다.
    • 퍼지 검색: 사용자 입력을 기반으로 검색어 집합을 생성하고 측정기준에 검색어가 있는지 확인하여 적절한 필터 값을 찾습니다. 샘플 데이터와 퍼지 검색은 모두 Looker의 추천 API를 사용하므로 suggestions, suggest_explore, suggest_dimension과 같은 LookML 매개변수의 영향을 받습니다.
  • 분석: Looker가 쿼리를 실행한 후 대화형 분석은 쿼리 결과를 분석하여 사용자 질문에 답합니다. 대화형 분석은 다음과 같은 방법으로 결과를 분석할 수 있습니다.
    • 기본 제공 Gemini 기능을 사용하여 결과를 해석하고 요약합니다.
    • 코드 인터프리터를 통해 Python 코드 실행을 사용하여 결과에 대한 추가 분석을 수행합니다.
    • 쿼리 결과를 기반으로 시각화를 만듭니다.

대화형 분석은 Looker 시맨틱 모델을 활용하여 기본 데이터 복잡성을 이해할 필요 없이 BigQuery, AlloyDB, Redshift, Snowflake, Databricks와 같은 다양한 플랫폼의 데이터에 액세스할 수 있으며 모든 응답이 일관되고 관리되도록 합니다.

대화형 분석 데이터 에이전트는 어떻게 작동하나요?

대화형 분석 데이터 에이전트는 Looker 개발자가 정의하는 인스턴스의 LookML 스키마와 에이전트를 만들 때 작성하는 에이전트 안내라는 두 가지 기본 입력을 기반으로 응답합니다.

데이터 에이전트는 쿼리에서 선택할 LookML 필드와 적용할 필터, 정렬, 제한을 결정해야 합니다. 이를 정확하게 수행하기 위해 쿼리의 자연어를 자체 에이전트 안내 및 데이터의 LookML 스키마에 다음과 같은 방법으로 매핑합니다.

  1. 시맨틱 용어 매핑: 사용자는 질문에 비즈니스 전문 용어를 자주 사용합니다. 에이전트는 에이전트 안내와 LookML 필드 메타데이터를 사용하여 쿼리를 해석합니다. 예를 들어 '신규 비즈니스는 얼마나 진행되었나요?'라는 쿼리의 경우 데이터 에이전트는 '신규 비즈니스'를 월간 반복 수익을 계산하는 측정값에 매핑할 수 있습니다. '최고의 고객은 누구인가요?'라는 쿼리의 경우 데이터 에이전트는 '최고'를 사용 횟수에, '고객'을 고객 이름 이라는 측정기준에 매핑할 수 있습니다.
  2. 필드 값 매핑: 에이전트는 특수 도구를 사용하여 데이터를 샘플링하거나 퍼지 검색을 수행하여 "캘리포니아" 또는 "슬림핏 청바지"와 같은 특정 데이터 포인트를 찾습니다. 예를 들어 사용자가 '청바지'를 요청하면 에이전트는 제품 이름 필드에서 퍼지 검색을 트리거하여 데이터베이스에서 정확한 문자열 일치 항목을 찾을 수 있습니다. 사용자가 'NY'를 요청하면 도시 필드인가요 아니면 주 필드인가요? 에이전트는 데이터를 샘플링하여 'NY'가 포함된 필드를 확인해야 할 수 있습니다.
  3. 쿼리 예시로 구체화: 데이터 에이전트 안내에 '표준 쿼리'라는 특정 질문 및 답변 예시를 제공하여 일반적인 쿼리 또는 중요한 쿼리의 정확성을 개선할 수 있습니다.

그런 다음 Looker는 이러한 필드의 LookML 정의와 필드 정의, 액세스 권한 또는 사용자 속성, 복잡한 Liquid 또는 조인 로직을 비롯하여 Explore에 정의된 기타 로직을 사용하여 데이터베이스로 전송되는 쿼리를 작성합니다. 에이전트는 전체 SQL 쿼리를 작성하지 않으므로 데이터를 '이해'할 필요가 없으며 더 정확하고 결정론적으로 작동할 수 있습니다.

데이터 에이전트와 대화 비교

데이터 에이전트 를 만들면 단일 Explore 와 표준 대화를 나누는 것보다 몇 가지 주요 이점이 있습니다. Explore에서 대화를 시작하면 특정 데이터 소스를 자연어로 빠르게 쿼리할 수 있지만 데이터 에이전트는 조직 전체에서 맞춤설정하고 공유할 수 있는 전문적인 독립형 분석가로 작동합니다.

데이터 에이전트는 Explore와의 대화보다 다음과 같은 이점을 제공합니다.

  • 여러 Explore와 채팅: Explore와의 대화에서는 한 번에 하나의 Explore만 쿼리할 수 있습니다. 하지만 데이터 에이전트는 최대 5개의 고유한 Explore에 연결할 수 있으므로 사용자가 교차 도메인 분석을 수행하고 더 포괄적인 답변을 받을 수 있습니다.
  • 작성된 컨텍스트: 표준 Explore 대화에서는 사용할 수 없는 커스텀 안내를 데이터 에이전트에 제공할 수 있습니다. 여기에는 다음 리소스가 포함됩니다.
    • 표준 쿼리: 에이전트에 자연어 질문과 확인된 Looker 쿼리 쌍을 제공하여 일반적인 비즈니스 패턴을 고정하고 모델의 모호성을 크게 줄일 수 있습니다.
    • 비즈니스 용어집: 에이전트 안내 내에서 직접 조직별 전문 용어 또는 약어를 정의할 수 있습니다.
    • 페르소나 프레임워크: 에이전트에 특정 역할 또는 전문 지식을 할당하여 대화에 일관된 어조와 전문적인 판단을 설정할 수 있습니다.
  • 에이전트 전문화: 대화의 단일 일반 인터페이스를 사용하는 대신 수익 에이전트 또는 운영 에이전트와 같이 다양한 비즈니스 단위를 위한 전문 에이전트를 만들 수 있습니다. 이렇게 하면 더 안내된 분석 환경을 제공하여 사용자를 요구사항과 가장 관련성이 높은 특정 필드 및 필터로 안내할 수 있습니다.
  • 공동작업 및 재사용: Explore 대화는 일반적으로 한 명의 사용자로 제한되지만 데이터 에이전트는 조직의 다른 구성원과 공유할 수 있습니다. 공유를 통해 여러 사용자가 관리자 또는 데이터 전문가가 개발한 동일한 작성된 컨텍스트와 거버넌스를 활용할 수 있습니다.
  • 커스텀 동작: 기본 필터(예: '기간이 언급되지 않은 경우 항상 지난 6개월을 기본값으로 사용')을 사용하는 것과 같은 엄격한 요구사항 내에서 작동하도록 에이전트를 구성할 수 있습니다. 이러한 가드레일을 통해 에이전트가 조직의 특정 거버넌스 및 보안 표준 내에서 작동하도록 합니다. Explore에서 필드를 숨겨 데이터 에이전트가 쿼리에서 필드를 사용하지 못하도록 할 수도 있습니다.

문서 목록

Looker의 Gemini 기능의 규정 준수 기능 이해

대화형 분석은 아직 FedRAMP 높음 또는 FedRAMP 중간 승인 경계에 포함되지 않습니다. Looker 인스턴스에 대해 Looker의 Gemini 설정을 사용 설정하기 전에 승인 기관과 를 위한 Gemini Google Cloud의 규정 준수 제품이 조직의 요구사항을 충족하는지 논의하세요.

Looker (Google Cloud 핵심 서비스) 인스턴스의 경우 사용 가능한 각 Assured Workloads 제어 패키지는 해당 패키지의 변경 요구사항 및 프로세스가 충족되면 Looker의 Gemini 기능을 기본 제공으로 추가합니다. Looker의 대화형 분석은 연결된 Looker (Google Cloud 핵심 서비스) 인스턴스의 규정 준수 기능을 존중합니다. 단, 다음 예외가 있습니다.

저장 데이터에 대한 데이터 상주 (DRZ) 지원은 모든 Looker 고객에게 제공됩니다. 대화형 분석과 연결된 모든 저장 데이터는 Looker 인스턴스 내에 엄격하게 상주하며 단일 리전으로 제한됩니다. 전송 중인 데이터는 전역 서비스를 사용하여 처리될 수 있습니다.

의견 보내기

다음 옵션 중 하나를 선택하여 대화형 분석의 개별 응답에 관해 Google에 의견을 제공할 수 있습니다.

  • thumb_up 좋은 응답: 응답이 도움이 되었음을 나타냅니다.
  • thumb_down 나쁜 응답: 응답이 도움이 되지 않았음을 나타냅니다.