Visão geral das Análises de Conversação no Looker

A Análise Conversacional é um recurso de conversa com seus dados que é alimentado pelo Gemini para Google Cloud. Com base na camada de modelagem semântica do Looker, a Análise Conversacional permite que os usuários da sua organização façam perguntas relacionadas a dados em linguagem natural (conversacional) para uma BI de autoatendimento confiável e governada. Essa abordagem acelera a adoção de análises em toda a organização, oferecendo governança e segurança de nível empresarial.

A Análise Conversacional está disponível nas instâncias do Looker (Google Cloud Core) e do Looker (original).

Saiba como e quando o Gemini para Google Cloud usa seus dados.

Principais recursos

A análise de conversas inclui os seguintes recursos principais:

  • Conversar com uma análise detalhada do Looker: converse em linguagem natural com dados da análise detalhada do Looker ou com um agente de dados personalizado em uma instância do Looker (original) ou do Looker (Google Cloud Core). Você pode conversar com uma Análise individual ou com um agente de dados conectado a até cinco Análises.
  • Criar e gerenciar agentes de dados: com os agentes de dados, é possível personalizar o agente de consulta de dados com tecnologia de IA fornecendo contexto e instruções específicas para seus dados. Isso ajuda o agente de dados a gerar respostas mais precisas e contextualmente relevantes. Você também pode compartilhar seus agentes de dados com outros usuários para que eles façam perguntas com o mesmo contexto. É possível conectar seu agente a até cinco Análises.
  • Análise avançada com o Intérprete de código [Prévia]: o Intérprete de código na Análise Conversacional traduz suas perguntas em linguagem natural para código Python e executa esse código. Em comparação com as consultas padrão baseadas em SQL, o uso do Python pelo Code Interpreter permite análises e visualizações mais complexas.
  • Incorporar a Análise de conversação em um site ou aplicativo: é possível incorporar a Análise de conversação em um site ou aplicativo usando uma tag iframe HTML, assim como outros tipos de conteúdo do Looker. A análise de dados de conversação é compatível com a incorporação particular, em que os usuários são autenticados com o login do Looker, e a incorporação assinada, em que os usuários são autenticados pelo seu próprio aplicativo.

Como funciona a análise de conversas?

A Análise conversacional usa o Gemini para Google Cloud interpretar perguntas em linguagem natural e fornecer respostas com base nos seus dados no Looker. Ele usa o modelo semântico do Looker (as definições LookML dos seus dados) como fonte de verdade para garantir que as respostas sejam precisas e consistentes. A Análise Conversacional pode interpretar suas definições de negócios para métricas como "receita" ou "churn" porque elas são definidas em LookML, usando essas definições para fazer perguntas precisas e consistentes.

Para basear as respostas nos seus dados e contexto de negócios específicos, a Análise Conversacional usa várias técnicas:

  • Esquema da LookML: no início de uma solicitação, o Conversational Analytics busca o esquema das Análises conectadas a ele. A Análise Conversacional usa parâmetros do modelo da LookML de várias maneiras:
    • Identificação de campos: os metadados do esquema ajudam a Análise Conversacional a se concentrar em campos relevantes. Esses metadados incluem parâmetros da LookML, como name, label, description, type e dimension_group. Esses parâmetros ajudam a Análise Conversacional a mapear termos nas perguntas dos usuários para os campos corretos. Por exemplo, description pode fornecer terminologia ou contexto específico para um campo.
    • Formatação da resposta: a Análise Conversacional usa parâmetros label para nomear campos de maneira fácil de usar e parâmetros value_format para formatar dados em respostas.
  • Geração de consultas: em vez de consultar seu banco de dados diretamente, a Análise Conversacional determina quais campos, filtros, classificações e limites devem ser usados na consulta. Em seguida, o Looker cria e executa a consulta usando o modelo LookML subjacente. Esse processo é semelhante à forma como um usuário interage com uma interface do recurso Detalhar. A Análise de conversas não precisa entender a lógica de junção complexa ou as definições de campo porque o Looker processa a composição de consultas com base no modelo da LookML. A geração de consultas garante que todas as consultas sigam a lógica de junção, filtragem, agregação e permissões de dados definidas no seu modelo LookML. Para gerar consultas, a Análise de dados de conversação precisa determinar os valores corretos a serem usados nos filtros. Esses valores precisam corresponder exatamente aos valores nos dados subjacentes ou a expressões de filtro mais avançadas, como caracteres curinga. Para resolver discrepâncias entre os valores que o usuário inclui nas perguntas em linguagem natural e os valores exatos que podem ser exigidos por um filtro, a Análise Conversacional usa valores definidos com allowed_value nos campos parameter e pode usar ferramentas para verificar valores específicos nos campos:
    • Dados de amostra: retorna até 100 valores de um campo para ajudar a Análise Conversacional a aprender padrões ou encontrar uma correspondência exata para valores de filtro.
    • Pesquisa aproximada: gera um conjunto de termos de pesquisa com base na entrada do usuário e verifica a presença deles em uma dimensão para encontrar valores de filtro adequados. Os dados de amostra e a pesquisa difusa usam a API de sugestões do Looker e, portanto, são influenciados por parâmetros da LookML, como suggestions, suggest_explore e suggest_dimension.
  • Análise: depois que o Looker executa as consultas, a Análise Conversacional analisa os resultados para responder às perguntas do usuário. A Análise Conversacional pode analisar resultados de uma ou mais das seguintes maneiras:
    • Ele usa os recursos integrados do Gemini para interpretar e resumir os resultados.
    • Ele usa a execução de código Python pelo Intérprete de código para fazer mais análises dos resultados.
    • Ele cria visualizações com base nos resultados da consulta.

Ao aproveitar o modelo semântico do Looker, a análise de dados de conversação oferece acesso a dados de várias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake e Databricks, sem precisar entender a complexidade dos dados subjacentes. Além disso, garante que todas as respostas sejam consistentes e governadas.

Como os agentes de dados da Análise Conversacional funcionam?

Um agente de dados da Análise de conversas baseia as respostas em duas entradas principais: o esquema LookML da sua instância, definido por um desenvolvedor do Looker, e as instruções do agente, que você escreve ao criar o agente.

Com base na sua consulta, um agente de dados precisa determinar quais campos da LookML selecionar e quais filtros, classificações ou limites aplicar. Para fazer isso com precisão, ele mapeia a linguagem natural na sua consulta para as próprias instruções do agente e o esquema LookML dos dados das seguintes maneiras:

  1. Mapeamento de termos semânticos: os usuários costumam usar jargões empresariais nas perguntas. O agente usa suas instruções e os metadados de campo da LookML para interpretar sua consulta. Por exemplo, para a consulta "Quanto de novos negócios fizemos?", um agente de dados pode mapear "novos negócios" para uma medida que calcula a receita recorrente mensal. Para a consulta "Quem são nossos principais clientes?", um agente de dados pode mapear "principais" para uma contagem de uso e "clientes" para uma dimensão chamada Nome do cliente.
  2. Mapeamento de valores de campo: o agente procura pontos de dados específicos, por exemplo, "Califórnia" ou "Jeans slim fit", usando ferramentas especializadas para amostrar os dados ou realizar pesquisas difusas. Por exemplo, se um usuário pedir "jeans", o agente poderá acionar uma pesquisa difusa no campo Nome do produto para encontrar as correspondências exatas de string no seu banco de dados. Se um usuário pedir "NY", isso é o campo Cidade ou Estado? O agente pode precisar fazer uma amostragem dos dados para ver qual campo contém "NY" ou fazer uma pergunta para esclarecer.
  3. Refinamento com exemplos de consultas: você pode fornecer exemplos específicos de perguntas e respostas, chamados de "consultas de ouro", nas instruções do agente de dados para melhorar a precisão de consultas comuns ou críticas.

Em seguida, o Looker usa as definições de LookML desses campos e outras lógicas definidas na Análise, incluindo definições de campo, concessões de acesso ou atributos do usuário ou lógicas complexas de Liquid ou junção, para compor a consulta enviada ao banco de dados. Como o agente não escreve toda a consulta SQL, ele não precisa "entender" os dados e pode operar com mais precisão e determinismo.

Para saber mais sobre como seu agente usa a LookML, consulte a página de documentação Práticas recomendadas para configurar a Análise Conversacional no Looker.

Agentes de dados x Conversas

Criar um agente de dados oferece várias vantagens importantes em comparação com uma conversa padrão com uma única Análise. Embora iniciar uma conversa em uma análise detalhada permita consultas rápidas em linguagem natural dessa fonte de dados específica, um agente de dados funciona como um analista independente especializado que pode ser personalizado e compartilhado em toda a organização.

Os agentes de dados oferecem a seguinte vantagem em relação às conversas com as análises detalhadas:

  • Conversar com várias análises: em uma conversa com uma análise, você só pode consultar uma análise por vez. No entanto, um agente de dados pode se conectar a até cinco análises distintas, permitindo que os usuários façam análises entre domínios e recebam respostas mais abrangentes.
  • Contexto criado: você pode fornecer ao seu agente de dados instruções personalizadas que não estão disponíveis em uma conversa padrão da ferramenta Analisar, incluindo os seguintes recursos:
    • Consultas de ouro: você pode fornecer ao agente pares de perguntas em linguagem natural e consultas verificadas do Looker para ancorar padrões de negócios comuns e reduzir significativamente a ambiguidade para o modelo.
    • Glossários comerciais: é possível definir jargões ou acrônimos específicos da organização diretamente nas instruções do agente.
    • Estrutura de persona: você pode atribuir uma função ou especialidade específica ao agente, definindo um tom consistente e um julgamento profissional para a conversa.
  • Especialização de agentes: em vez de usar a interface genérica única de uma conversa, você pode criar agentes especializados para diferentes unidades de negócios, como um agente de receita ou um agente de operações. Isso permite uma experiência de análise mais guiada, direcionando os usuários aos campos e filtros específicos mais relevantes para as necessidades deles.
  • Colaboração e reutilização: as conversas do recurso Detalhar geralmente são limitadas a um usuário, enquanto os agentes de dados podem ser compartilhados com outros membros da sua organização. O compartilhamento garante que vários usuários possam se beneficiar do mesmo contexto e governança criados por um administrador ou especialista em dados.
  • Comportamento personalizado: você pode configurar o agente para operar dentro de requisitos rigorosos, como usar filtros padrão. Por exemplo, "sempre use os últimos seis meses se nenhum período for mencionado". Esses limites garantem que o agente opere dentro dos padrões específicos de governança e segurança da sua organização. Também é possível ocultar campos nas análises detalhadas para impedir que o agente de dados os use em consultas.

Lista de documentação

Entender os recursos de compliance do Gemini no Looker

A análise de conversas ainda não está incluída nos limites de autorização FedRAMP de nível alto ou médio. Antes de ativar a configuração Gemini no Looker na sua instância do Looker, converse com o órgão autorizador para saber se as soluções de compliance do Gemini para Google Cloudatendem às necessidades da sua organização.

Para instâncias do Looker (Google Cloud Core), cada pacote de controle do Assured Workloads que ficar disponível vai adicionar recursos do Gemini no Looker como ofertas padrão à medida que os requisitos e processos de mudança desse pacote forem atendidos. A análise de conversas no Looker respeita os recursos de compliance da instância associada do Looker (Google Cloud Core), com a seguinte exceção:

O suporte à residência de dados (DRZ), especificamente para dados em repouso, está disponível para todos os clientes do Looker. Todos os dados em repouso associados à Análise Conversacional residem estritamente na instância do Looker e ficam confinados a uma única região. Os dados em trânsito podem ser tratados usando um serviço global.

Enviar feedback

Você pode dar feedback ao Google sobre respostas individuais na Análise Conversacional selecionando uma das seguintes opções:

  • thumb_up Boa resposta: indique que a resposta foi útil.
  • thumb_down Resposta ruim: indica que a resposta não foi útil.