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 Looker, l'analyse conversationnelle permet aux utilisateurs de votre organisation de poser des questions sur les données en langage naturel pour une informatique décisionnelle en libre-service fiable et contrôlée. Cette approche accélère l'adoption de l'analyse dans votre organisation en fournissant une gouvernance et une sécurité de niveau entreprise.

L'analyse conversationnelle 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

L'analyse conversationnelle inclut les principales fonctionnalités suivantes :

  • Interroger des explorations en langage naturel : conversez en langage naturel avec une exploration individuelle ou avec un agent de données qui interroge jusqu'à cinq explorations.
  • Créer un agent de données pour interroger les explorations : vous pouvez personnaliser un agent d'interrogation d'explorations optimisé par l'IA en fournissant un contexte et des instructions spécifiques à vos données. Cela permet à l'agent de données de générer des réponses plus précises et plus pertinentes d'un point de vue contextuel. Vous pouvez également partager vos agents de données avec d'autres utilisateurs ou les publier dans d'autres applications, comme Gemini Enterprise, afin qu'ils puissent poser des questions avec le même contexte. Vous pouvez connecter ce type d'agent de données à un maximum de cinq explorations.
  • Interroger un tableau de bord à l'aide d'un agent de données Aperçu : utilisez l'analyse conversationnelle pour générer un agent de données de tableau de bord capable d'interroger le tableau de bord et ses modèles sous-jacents. Les agents de tableau de bord sont disponibles lorsque le paramètre Activer Chat avec le tableau de bord est activé sur la page Gemini dans Looker du panneau Admin.
  • Analytics avancés : la fonctionnalité Analytics avancés dans Conversational Analytics traduit vos questions en langage naturel en code Python et exécute ce code. Contrairement aux requêtes standards basées sur SQL, l'utilisation de Python par la fonctionnalité Analyse avancée permet des analyses et des visualisations plus complexes.
  • Intégration : vous pouvez intégrer l'analyse conversationnelle dans un site Web ou une application à l'aide d'une balise HTML iframe, comme vous le faites avec d'autres types de contenu Looker. L'analyse conversationnelle est compatible avec l'intégration privée, où les utilisateurs sont authentifiés avec leur identifiant Looker, et l'intégration signée, où les utilisateurs sont authentifiés via votre propre application.
  • Surveillance de l'engagement et de l'utilisation des jetons : les utilisateurs ayant accès au contenu de l'activité du système Looker peuvent en savoir plus sur l'engagement des utilisateurs avec les agents et les conversations d'analyse conversationnelle, et surveiller l'utilisation des jetons par les utilisateurs. Le tableau de bord Analyse conversationnelle est disponible dans la section Activité du système du panneau Admin. Les informations sur l'utilisation des jetons sont disponibles lorsque la fonctionnalité d'observabilité Conversational Analytics en preview est activée.
  • Workflows agentiques déclenchés Aperçu : configurez des alertes et une surveillance basées sur des métriques directement à l'aide de requêtes en langage naturel dans des conversations autonomes avec des explorations ou avec des agents de données Explore. Les workflows agentiques sont disponibles lorsque le paramètre Workflows agentiques est activé sur la page Gemini dans Looker du panneau Administration.

Agents de données et conversations

Discuter avec un agent de données offre plusieurs avantages clés par rapport à une conversation standard avec une seule exploration. Alors que le lancement d'une conversation à partir d'une exploration permet d'interroger rapidement cette source de données spécifique en langage naturel, 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 l'avantage suivant par rapport aux conversations avec Explorer :

  • Discuter avec plusieurs explorations : lorsque vous discutez 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, ce qui permet aux utilisateurs d'effectuer des analyses interdomaines et d'obtenir des réponses plus complètes.
  • Discuter avec un tableau de bord Looker : lorsque vous discutez avec un tableau de bord, l'analyse conversationnelle crée un agent de données de tableau de bord que vous pouvez utiliser pour interroger non seulement un tableau de bord, mais aussi les explorations sous-jacentes du tableau de bord.
  • Contexte créé : vous pouvez fournir à votre agent de données des instructions personnalisées qui ne sont pas disponibles dans une conversation Explore standard, y compris les ressources suivantes :
    • Requêtes de référence : vous pouvez fournir à l'agent des paires de questions en langage naturel et de requêtes Looker validées pour ancrer les modèles commerciaux courants et réduire considérablement l'ambiguïté pour le modèle.
    • Glossaires d'entreprise : vous pouvez définir des termes techniques ou des acronymes spécifiques à votre organisation directement dans les instructions de l'agent.
    • Framework de persona : vous pouvez attribuer un rôle ou une expertise spécifique à l'agent, ce qui permet de définir un ton cohérent et un jugement professionnel pour la conversation.
  • Spécialisation des agents : au lieu d'utiliser l'interface générique unique d'une conversation, vous pouvez créer des agents spécialisés pour différentes unités commerciales, comme un agent de revenus ou un agent Ops. Cela permet une expérience d'analyse plus guidée, en orientant les utilisateurs vers les champs et les filtres spécifiques les plus adaptés à leurs besoins.
  • Collaboration et réutilisation : les explorations 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 permet à plusieurs utilisateurs de 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 utiliser les six derniers mois si aucune période n'est mentionnée"). Ces limites garantissent que l'agent fonctionne dans le respect des normes de gouvernance et de sécurité spécifiques à votre organisation. Vous pouvez également masquer des champs dans les explorations pour empêcher l'agent de données de les utiliser dans les requêtes.

Le tableau suivant récapitule les principales différences entre ces types de conversations et d'agents de données :

fonctionnalité d'analyse conversationnelle Principaux cas d'utilisation Point d'entrée Fonctionnalités de partage Limites
Explorer les conversations
  • Requête standard en langage naturel pour une seule exploration Looker.
  • Organiser les questions associées à un ensemble de données spécifique dans des sessions distinctes.
  • Utilise les modes de questions Rapide et Raisonnement.
  • Dans l'exploration, sélectionnez Démarrer une conversation.
  • Sur la page "Données analytiques conversationnelles", sélectionnez l'onglet Conversations.
 Généralement limitée à un seul utilisateur (non partageable).
  • Vous ne pouvez interroger qu'une seule exploration à la fois.
  • Aucun contexte ni aucune instruction personnalisés (par exemple, requêtes de référence, personas, glossaires d'entreprise).
  • Aucune spécialisation des agents pour les différentes unités commerciales d'une organisation.
  • L'option Démarrer une conversation n'est pas disponible lorsque vous utilisez la nouvelle expérience Explorer.
Explorer les agents de données
  • Agents d'analyse de données spécialisés et autonomes, conçus pour des unités commerciales spécifiques d'une organisation (par exemple, agent de revenus, agent Ops).
  • Analyse multidomaine utilisant jusqu'à cinq explorations connectées.
  • Contexte créé qui inclut des instructions personnalisées, des requêtes de référence, des glossaires d'entreprise et des frameworks de persona pour appliquer des garde-fous et améliorer la précision.
  • Analyses avancées utilisant l'exécution de code Python, si elle est activée.
  • Ne nécessite pas d'autorisations explore explicites.
 Sur la page des données analytiques conversationnelles, sélectionnez l'onglet Agents. Vous pouvez le partager avec d'autres utilisateurs de l'organisation en leur accordant l'accès au contenu (Afficher ou Accès administrateur ; Modifier). Vous pouvez également les publier dans des applications externes comme Gemini Enterprise (version preview).
  • Nécessite access_data et d'autres autorisations sur les modèles sous-jacents aux explorations (le partage de l'agent n'accorde pas l'accès aux explorations).
  • Ne prend pas en charge les requêtes de référence contenant des tableaux croisés dynamiques ou des champs personnalisés.
Agents du tableau de bord
  • Requêtes directes en langage naturel pour un tableau de bord Looker spécifique et ses vignettes liées à des requêtes.
  • Personnaliser le comportement de l'agent dans les tableaux de bord à l'aide d'instructions personnalisées.
  • L'accès est géré de manière stricte par le biais des autorisations au niveau du tableau de bord (Gérer l'accès ; Modifier sur le tableau de bord) et des autorisations du modèle.
 Dans le tableau de bord, sélectionnez Discuter avec ce tableau de bord. ne peuvent pas être partagées avec d'autres utilisateurs.
  • ne peuvent pas être partagés individuellement.
  • n'apparaissent pas sur la page d'analyse conversationnelle. Les conversations avec un agent du tableau de bord ne sont accessibles que depuis la page Conversations récentes, disponible dans le menu du tableau de bord.
  • Limité au contexte du tableau de bord et de ses vignettes associées à des requêtes.
  • La personnalisation du comportement de l'agent de tableau de bord à l'aide d'instructions personnalisées n'est pas disponible pour les tableaux de bord LookML.
  • La fonctionnalité Analyse avancée n'est pas disponible.

Comment fonctionne l'analyse conversationnelle ?

L'analyse conversationnelle utilise Gemini pour Google Cloud interpréter les questions en langage naturel et fournir des réponses dans Looker en fonction de vos données. Elle utilise le modèle sémantique Looker (les définitions LookML de vos données) comme source de vérité pour s'assurer que les réponses sont exactes et cohérentes. L'analyse conversationnelle peut interpréter vos définitions métier pour des métriques telles que "revenus" ou "taux de désabonnement" parce qu'elles sont définies dans LookML. Elle utilise ces définitions pour fournir des réponses exactes et cohérentes.

Pour ancrer ses réponses dans vos données et votre contexte métier spécifiques, l'analyse conversationnelle utilise plusieurs techniques :

  • Schéma LookML : au début d'une requête, l'analyse conversationnelle récupère le schéma des Explores qui y sont connectés. L'analyse conversationnelle utilise les paramètres du modèle LookML de plusieurs façons :
    • Identification des champs : les métadonnées du schéma aident l'analyse conversationnelle 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 l'analyse conversationnelle à associer les termes des questions des utilisateurs aux champs appropriés. Par exemple, description peut fournir une terminologie ou un contexte spécifiques à l'entreprise pour un champ. L'analyse conversationnelle ignore tous les champs qui utilisent le paramètre hidden.
    • Mise en forme des réponses : Conversational Analytics utilise des paramètres label pour nommer les champs de manière conviviale et des paramètres value_format pour mettre en forme les données dans les réponses.
  • Génération de requêtes : au lieu d'interroger directement votre base de données, l'analyse conversationnelle 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 Explorer. L'analyse conversationnelle n'a pas besoin de comprendre la logique de jointure complexe ni les définitions de champs, 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, l'analyse conversationnelle doit déterminer les valeurs correctes à utiliser dans les filtres. Ces valeurs doivent correspondre exactement à celles des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les écarts entre les valeurs incluses par l'utilisateur dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, l'analyse conversationnelle utilise les valeurs définies avec allowed_value dans les champs parameter et peut utiliser des outils pour rechercher des valeurs spécifiques dans les champs :
    • Exemple de données : renvoie jusqu'à 100 valeurs d'un champ pour aider l'analyse conversationnelle 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 utilisateur et vérifie leur présence dans une dimension pour trouver les valeurs de filtre appropriées. Les données d'exemple et la recherche approximative utilisent l'API de suggestions de Looker. Elles sont donc influencées par les paramètres LookML tels que suggestions, suggest_explore et suggest_dimension.
  • Analyse : une fois que Looker a exécuté les requêtes, l'analyse conversationnelle analyse les résultats des requêtes pour répondre aux questions des utilisateurs. L'analyse conversationnelle 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 Advanced Analytics pour effectuer une analyse plus approfondie des résultats.
    • Il crée des visualisations basées sur les résultats des requêtes.

En exploitant le modèle sémantique Looker, l'analyse conversationnelle permet d'accéder aux données de différentes plates-formes (BigQuery, AlloyDB, Redshift, Snowflake et Databricks, par exemple) sans avoir à comprendre la complexité des données sous-jacentes. Elle garantit également que toutes les réponses sont cohérentes et régies.

Comment fonctionnent les agents de données d'analyse conversationnelle ?

Un agent de données d'analyse conversationnelle 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 rédigez lorsque vous créez ou modifiez l'agent.

À partir de votre requête, un agent de données doit déterminer les champs LookML à sélectionner, ainsi que les filtres, les tris ou les 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. Mappage des termes sémantiques : les utilisateurs utilisent souvent du jargon professionnel dans leurs questions. L'agent utilise vos instructions et les métadonnées des champs LookML pour interpréter votre requête. Par exemple, pour la requête "Combien de nouveaux clients avons-nous acquis ?", un agent de données pourra mapper "nouveaux clients" à une mesure qui calcule le revenu récurrent mensuel. Pour la requête "Qui sont nos principaux clients ?", un agent de données pourra mapper "principaux" à un nombre d'utilisations et "clients" à une dimension appelée Nom du client.
  2. Mappage des valeurs de champ : l'agent recherche des points de données spécifiques (par exemple, "Californie" ou "Jean slim") à l'aide d'outils spécialisés pour échantillonner les données ou effectuer des recherches approximatives. Par exemple, si un utilisateur demande des "jeans", l'agent peut déclencher une recherche approximative dans le champ Nom du produit pour trouver les chaînes exactes correspondantes dans votre base de données. Si un utilisateur demande "NY", s'agit-il du champ Ville ou du champ État ? L'agent peut avoir besoin d'échantillonner les données pour identifier le champ contenant "NY" ou poser une question de clarification.
  3. Affinement 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 champs, les autorisations d'accès ou les attributs utilisateur, les filtres de tableau de bord définis par l'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.

Pour en savoir plus sur la façon dont votre agent utilise LookML, consultez la page de documentation Bonnes pratiques pour configurer l'analyse conversationnelle dans Looker.

Liste de la documentation

Comprendre les capacités de conformité des fonctionnalités Gemini dans Looker

L'analyse conversationnelle n'est pas encore incluse dans les limites d'autorisation FedRAMP au niveau d'impact élevé ou moyen. Avant d'activer le paramètre Gemini dans Looker pour votre instance Looker, demandez à votre organisme d'autorisation si les offres de conformité de Gemini pour Google Cloudrépondent aux besoins de votre organisation.

Pour les instances Looker (Google Cloud Core), chaque package de contrôles Assured Workloads qui devient disponible ajoute des fonctionnalités Gemini dans Looker aux offres par défaut, une fois que les exigences et les processus de modification de ce package sont respectés. L'analyse conversationnelle dans Looker respecte les fonctionnalités de conformité de l'instance Looker (Google Cloud Core) associée, à l'exception de ce qui suit :

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 aux analyses conversationnelles résident strictement dans l'instance Looker et sont limitées à une seule région. Les données en transit et le machine learning (ML) sont traités à l'aide d'un service mondial.

Conformité dans l'Union européenne

Une option de traitement localisé est désormais disponible pour les clients basés dans l'Union européenne (UE). Elle permet de traiter les données dans la juridiction de l'UE. Cette option permet au trafic d'analyse conversationnelle de Looker d'être acheminé via un point de terminaison multirégional de l'UE, ce qui garantit que les données client de l'UE sont traitées dans l'UE.

Le traitement localisé s'applique à toutes les fonctionnalités d'analyse conversationnelle de Looker (à l'exception des agents de données de tableau de bord) et à tous les points de terminaison d'analyse conversationnelle de l'API Looker. Cela ne s'applique pas à l'API Conversational Analytics.

Cette option est disponible via une liste d'autorisation. Pour demander à être ajouté à la liste d'autorisation du traitement ML Looker pour l'UE, remplissez le formulaire de demande de traitement ML Looker pour l'UE. Notez que la capacité est limitée. L'inscription est accordée en fonction de la disponibilité et peut avoir un impact sur le débit du service. Vous recevrez un e-mail de confirmation une fois votre inscription enregistrée.

Fournir des commentaires

Vous pouvez envoyer des commentaires à Google sur des réponses spécifiques dans l'analyse conversationnelle 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'était pas utile.