Looker 中的对话式分析概览

对话分析是一项由 Gemini for Google Cloud 提供支持的“与您的数据聊天”功能。对话式分析以 Looker 语义建模层 为基础，让组织中的用户能够使用常规自然语言（对话式语言）提出与数据相关的问题，从而实现受监管、可信的自助式 BI。这种方法通过提供企业级治理和安全性，加快了组织内对分析的采用。

对话式分析可在 Looker (Google Cloud Core) 实例和 Looker（原始版本）实例中使用。

了解 Gemini for Google Cloud 如何以及何时使用您的数据。

主要特性

对话式分析包含以下主要特性：

  • 使用自然语言查询探索：使用自然语言与单个探索或数据智能体进行对话，该智能体最多可查询五个探索。
  • 创建数据智能体以查询探索：您可以提供针对您数据的具体上下文和说明，自定义由 AI 提供支持的探索查询智能体，这有助于数据智能体生成更准确且符合语境的回答。您还可以与其他用户共享数据智能体，或将其发布到其他应用（例如 Gemini Enterprise），以便他们可以使用相同的上下文提问。您可以将此类数据智能体连接到最多五个探索。将经过验证的查询添加到数据智能体上下文，有助于提高探索数据智能体回答的准确性。经过验证的查询是一项预览版功能，仅适用于 Looker（原始版本）实例。
  • 使用数据智能体查询信息中心 预览版： 使用对话式分析生成信息中心数据智能体，该智能体可以查询 信息中心及其底层模型。当您在管理 面板的 Gemini in Looker 页面上启用启用信息中心智能体 设置后，即可使用信息中心智能体。此外，信息中心创建者还可以在用户定义的信息中心中启用或停用信息中心智能体。
  • 高级分析：“对话式分析”中的高级分析 功能会将您的自然语言问题转换为 Python 代码并执行该代码。与基于标准 SQL 的查询相比，高级分析 功能使用 Python 可以实现更复杂的分析和可视化。
  • 嵌入：您可以使用 HTML iframe 标记将对话式分析嵌入到网站或应用中，就像使用其他 Looker 内容类型一样。对话式分析支持私密嵌入（用户使用 Looker 登录信息进行身份验证）和签名嵌入（用户通过您自己的应用进行身份验证）。
  • 用户互动度、token 用量监控和反馈 预览版：当 Looker 管理员启用对话式分析智能体 token 用量 预览版功能后，有权访问 Looker 系统活动内容的用户可以详细了解用户互动度和 token 用量。有权访问 Looker 系统活动内容的用户可以监控用户的查询数据（如果 用户已同意共享其查询数据），并且 Looker 管理员已启用 最终用户对话式分析 (CA) 查询审核 预览版功能。对话式分析 信息中心位于管理 面板的系统活动 部分。
  • 触发式智能体工作流 预览版：直接通过与探索或探索数据智能体的独立对话中的自然语言查询，设置基于指标的提醒和监控。当您在管理 面板的 Gemini in Looker 页面上启用Agentic Workflows 设置后，即可使用 Agentic Workflows。

数据智能体与对话

与数据智能体 聊天与与单个探索 进行标准对话相比，具有以下几个主要优势。虽然从探索开始对话可以快速使用自然语言查询该特定数据源，但数据智能体充当专门的独立分析师，可以在组织内进行自定义和共享。

与探索对话相比，数据智能体具有以下优势：

  • 与多个探索聊天：在与探索的对话中，您一次只能查询一个探索。但是，数据智能体最多可以连接到 五个不同的探索 ，让用户能够执行跨领域分析并获得更全面的答案。
  • 与 Looker 信息中心聊天：当您与信息中心聊天时，对话式分析会创建一个信息中心数据智能体，您可以使用该智能体不仅查询信息中心，还可以查询信息中心的底层探索。
  • 编写的上下文：您可以为数据智能体提供标准探索对话中没有的自定义说明，包括以下资源：
    • 业务术语库：您可以直接在智能体的说明中定义组织特定的术语或缩写。
    • 角色框架：您可以为智能体分配特定的角色或专业知识，为对话设置一致的语气和专业判断。
  • 智能体专业化：您可以为不同的业务部门创建专门的智能体，例如收入智能体或运营智能体，而不是使用对话的单个通用界面。这样可以提供更具指导性的分析体验，引导用户找到最符合其需求的特定字段和过滤条件。
  • 协作和重复使用：探索对话通常仅限于一位用户，而数据智能体可以与其他组织成员共享。共享可确保多位用户能够受益于管理员或数据专家开发的相同编写的上下文和治理。
  • 自定义行为：您可以将智能体配置为在严格的要求下运行，例如使用默认过滤条件，“如果未提及时间范围，则始终默认为过去 6 个月”。这些防护措施可确保智能体在组织特定的治理和安全标准内运行。您还可以在探索中隐藏字段，以防止数据智能体在查询中使用这些字段。

下表总结了这些类型的对话和数据智能体的主要区别：

对话式分析功能 关键使用场景 入口点 共享功能 限制
探索对话
  • 对单个 Looker 探索进行标准自然语言查询。
  • 将有关特定数据集的相关问题整理到离散会话中。
  • 使用快速 和思考 问题模式。
  • 从探索中：选择开始对话 。
  • 从“对话式分析”页面中：选择对话 标签页。
 通常仅限于一位用户（不可共享）。
  • 一次只能查询一个探索。
  • 没有自定义编写的上下文或说明（例如经过验证的查询、角色、业务术语库）。
  • 没有针对组织不同业务部门的智能体专业化。
  • 使用新的探索体验时，开始对话 选项不可用。
探索数据智能体
  • 专门为组织特定业务部门设计的独立数据分析智能体（例如收入智能体、Ops Agent）。
  • 使用最多五个连接的探索进行跨领域分析。
  • 编写的上下文，包括自定义说明、经过验证的查询、业务术语库和角色框架，以强制执行防护措施并提高准确性。
  • 高级分析，如果启用，则使用 Python 代码执行。
  • 不需要明确的 explore 权限。
 从“对话式分析”页面中：选择智能体 标签页。 可以通过授予内容访问权限（查看 或管理员访问权限；修改 ）与其他组织用户共享。还可以发布到 Gemini Enterprise（预览版）等外部应用。
  • 需要对探索的底层模型具有 access_data 和其他权限（共享智能体不会授予对探索的访问权限）。
  • 不支持包含透视或自定义字段的经过验证的查询。
信息中心智能体
  • 直接使用自然语言查询特定的 Looker 信息中心及其 查询关联的模块。
  • 使用自定义说明整理和自定义信息中心上的智能体行为。
  • 访问权限严格通过信息中心级权限（信息中心上的管理访问权限；修改 ）和模型权限进行管理。
  • 可以在用户定义的信息中心中启用或停用。
 从信息中心中：选择与此信息中心聊天 。 继承信息中心的共享模型。
  • 无法独立于信息中心共享。
  • 不会显示在“对话式分析”页面上。与信息中心智能体的对话只能从最近的对话 页面访问，该页面可从信息中心菜单中访问。
  • 仅限于信息中心及其查询关联的模块的上下文。
  • LookML 信息中心不支持使用自定义说明自定义信息中心智能体行为。
  • 不支持高级分析 功能。

对话式分析的工作原理是什么？

对话式分析使用 Gemini for Google Cloud 来解读自然语言问题，并根据您的数据在 Looker 中提供答案。它使用 Looker 语义模型（数据的 LookML 定义）作为事实来源，以确保回答准确一致。对话式分析可以解读“收入”或“客户流失”等指标的业务定义，因为这些指标是在 LookML 中定义的，并使用这些定义来提供准确一致的问题。

为了让回答基于您的特定数据和业务上下文，对话式分析使用了多种技术：

  • LookML 架构：在请求开始时，对话式分析会从与其连接的探索中提取架构。对话式分析以多种方式使用 LookML 模型中的参数：
    • 字段标识：架构中的元数据有助于对话式分析专注于相关字段。此元数据包括 LookML 参数，例如 name、label、description、type 和 dimension_group。这些参数有助于对话式分析将用户问题中的术语映射到正确的字段。例如，description 可以为字段提供特定于业务的术语或上下文。对话式分析会忽略使用 hidden 参数 的任何字段。
    • 回答格式设置：对话式分析使用 label 参数进行用户友好的字段命名，并使用 value_format 参数来设置回答中数据的格式。
  • 查询生成：对话式分析不会直接查询数据库，而是确定应在查询中使用哪些字段、过滤条件、排序和限制。然后，Looker 会使用底层 LookML 模型编写并执行查询。此过程类似于用户与探索界面的互动方式；对话式分析不需要了解复杂的联接逻辑或字段定义，因为 Looker 会根据 LookML 模型处理查询编写。查询生成可确保所有查询都遵循 LookML 模型中定义的联接逻辑、过滤、聚合和 数据权限。如需生成查询，对话式分析必须确定要在过滤条件中使用的正确值。这些值必须与底层数据中的值完全匹配，或者使用更高级的过滤条件表达式（例如通配符）。为了解决用户在自然语言问题中包含的值与过滤条件可能需要的确切值之间的差异，对话式分析使用在 parameter 字段中使用 allowed_value 定义的值，并且可以使用工具检查字段中的特定值：
    • 示例数据：从字段返回最多 100 个值，以帮助对话式分析了解模式或找到与过滤条件值完全匹配的值。
    • 模糊搜索：根据用户输入生成一组搜索字词，并检查这些字词是否存在于维度中，以找到合适的过滤条件值。 示例数据和模糊搜索都使用 Looker 的建议 API，因此会受到 LookML 参数（例如 suggestions、suggest_explore 和 suggest_dimension）的影响。
  • 分析：Looker 运行查询后，对话式分析会分析查询结果以回答用户问题。对话式分析可以通过以下一种或多种方式分析结果：
    • 它使用内置的 Gemini 功能来解读和总结结果。
    • 它通过高级分析使用 Python 代码执行对结果进行进一步分析。
    • 它根据查询结果创建可视化图表。

通过利用 Looker 语义模型，对话式分析可以访问来自各种平台（例如 BigQuery、AlloyDB、Redshift、Snowflake 和 Databricks）的数据，而无需了解底层数据的复杂性，并确保所有回答都是一致且受监管的。

对话式分析数据智能体的工作原理是什么？

对话式分析数据智能体根据两个主要输入来生成回答：实例的 LookML 架构（由 Looker 开发者定义）和智能体说明（在创建或修改智能体时编写）。

数据智能体必须从查询中确定要选择哪些 LookML 字段，以及要应用哪些过滤条件、排序或限制。为了准确地执行此操作，它会以以下方式将查询中的自然语言映射到其自己的智能体说明和数据的 LookML 架构：

  1. 映射语义术语：用户经常在问题中使用业务术语。智能体使用您的智能体说明和 LookML 字段元数据来解读您的查询。 例如，对于查询“我们做了多少新业务？”，数据智能体能够将“新业务”映射到计算每月经常性收入的指标。对于查询“我们的顶级客户有哪些？”，数据智能体能够将“顶级”映射到使用次数，并将“客户”映射到名为客户名称 的维度。
  2. 映射字段值：智能体使用专用工具对数据进行抽样或执行模糊搜索，以查找特定数据点（例如“加利福尼亚”或“修身牛仔裤”）。 例如，如果用户询问“牛仔裤”，智能体可能会在商品名称 字段中触发模糊搜索，以在数据库中查找完全匹配的字符串。如果用户询问“NY”，是指城市 字段还是州/省/自治区 字段？智能体可能需要对数据进行抽样，以查看哪个字段包含“NY”，或者提出澄清问题。
  3. 查询示例：您可以在数据智能体上下文中提供特定的问答示例（称为经过验证的查询），以提高常见或关键查询的准确性。

然后，Looker 会使用这些字段的 LookML 定义以及探索中定义的其他逻辑（包括字段定义、访问权限授予或用户属性、用户定义的信息中心过滤条件或复杂的Liquid或联接逻辑）来编写发送到数据库的查询。由于智能体不会编写整个 SQL 查询，因此不需要“了解”数据，并且可以更准确、更确定地运行。

如需详细了解智能体如何使用 LookML，请参阅 Looker 中配置对话式分析的最佳实践文档页面。

文档列表

了解 Gemini in Looker 功能的合规性功能

对话式分析尚未包含在 FedRAMP 高风险级别或 FedRAMP 中风险级别 授权边界内。在为 Looker 实例启用 Gemini in Looker 设置之前，请与授权机构讨论 Gemini for Google Cloud's 的合规性保证是否满足组织的需求。

对于 Looker (Google Cloud Core) 实例，每个 Assured Workloads 控制软件包 都会在满足该软件包的更改要求和流程后，将 Gemini in Looker 功能添加到默认产品中。Looker 中的对话式分析遵循关联的 Looker (Google Cloud Core) 实例的合规性功能，但以下情况除外：

所有 Looker 客户都可以获得数据驻留 (DRZ) 支持，特别是针对静态数据。与对话式分析关联的所有静态数据都严格驻留在 Looker 实例中，并且仅限于单个区域。传输中的数据和机器学习 (ML) 使用全局服务进行处理。

欧盟的合规性

对于运行 Looker 26.10 或更高版本的 Looker（原始版本）或 Looker (Google Cloud Core) 实例的欧盟客户，可以使用本地化处理。此选项可在欧盟管辖范围内进行数据处理，并允许 Looker 的对话式分析流量通过欧盟多区域端点路由，从而确保欧盟客户数据在欧盟境内处理。

本地化处理适用于 Looker 中的所有对话式分析功能（ 信息中心数据智能体除外） 和所有 Looker API 对话式分析端点。它不适用于 Conversational Analytics API。

提供反馈

您可以选择以下选项之一，向 Google 提供有关对话式分析中各个回答的反馈：

  • thumb_up 回答不错：表示回答很有帮助。
  • thumb_down 回答不佳：表示回答没有帮助。