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, l'analyse conversationnelle permet aux utilisateurs de votre organisation de poser des questions sur les données en langage naturel (conversationnel) pour une informatique décisionnelle en libre-service régie et fiable. 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 fonctionnalités clés suivantes :

  • Interroger des explorations en langage naturel : échangez 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 des explorations : vous pouvez personnaliser un agent d'interrogation d'exploration basé sur 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 contextuellement pertinentes. 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 dans 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 (version bêta) : utilisez l'analyse conversationnelle pour générer un agent de données de tableau de bord qui peut interroger le tableau de bord et ses modèles sous-jacents. Les agents de tableau de bord sont disponibles lorsque le paramètre Activer les agents de tableau de bord est activé sur la page Gemini dans Looker du panneau Administration. Les résumés de tableau de bord sont disponibles lorsque le paramètre Activer le résumé du tableau de bord est activé sur la page Gemini dans Looker du panneau Administration.
  • Analyse avancée : la fonctionnalité Analyse avancée de l'analyse conversationnelle 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 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 iframe HTML, comme vous le feriez avec d'autres types de contenu Looker. L'analyse conversationnelle est compatible avec l'intégration privée, où les utilisateurs sont authentifiés avec leurs identifiants de connexion Looker, et avec 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, ainsi que surveiller l'utilisation des jetons par les utilisateurs. Le tableau de bord Conversational Analytics est disponible dans la section Activité du système du panneau Administration. Les informations sur l'utilisation des jetons sont disponibles lorsque la fonctionnalité bêta Observabilité de l'analyse conversationnelle est activée.
  • Workflows basés sur des agents déclenchés version bêta : configurez des alertes et une surveillance basées sur des métriques directement via des requêtes en langage naturel dans des conversations autonomes avec des explorations ou avec des agents de données d'exploration. Les workflows basés sur des agents sont disponibles lorsque le paramètre Workflows basés sur des agents 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. Bien que le démarrage d'une conversation à partir d'une exploration permette 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 des 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.
  • 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 également 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 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 de requêtes Looker validées pour ancrer des modèles commerciaux courants et réduire considérablement l'ambiguïté du modèle.
    • Glossaires d'entreprise : 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, comme 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 les 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 six 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.

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
Conversations d'exploration
  • Requêtes standards en langage naturel d'une seule exploration Looker.
  • Organisation des questions associées sur un ensemble de données spécifique en sessions distinctes.
  • Utilisation des modes de questions Rapide et Réflexion.
  • Depuis l'exploration : sélectionnez Démarrer une conversation.
  • Depuis la page d'analyse conversationnelle : sélectionnez l'onglet Conversations.
 Généralement limité à un seul utilisateur (non partageable).
  • Limité à l'interrogation d'une seule exploration à la fois.
  • Aucun contexte ni instruction personnalisés (par exemple, requêtes de référence, personas, glossaires d'entreprise).
  • Aucune spécialisation d'agent pour les différentes unités commerciales d'une organisation.
  • L'option Démarrer une conversation n'est pas disponible lorsque vous utilisez la nouvelle expérience d'exploration.
Agents de données d'exploration
  • Agents d'analyse de données autonomes et spécialisés conçus pour des unités commerciales spécifiques d'une organisation (par exemple, agent de revenus, agent Ops).
  • Analyse interdomaines utilisant jusqu'à cinq explorations connectées.
  • Contexte créé incluant des instructions personnalisées, des requêtes de référence, des glossaires d'entreprise et des frameworks de persona pour appliquer des garde-fous et améliorer la justesse.
  • Analyse avancée utilisant l'exécution de code Python, si elle est activée.
  • Ne nécessite pas d'autorisations explore explicites.
 Depuis la page d'analyse conversationnelle : sélectionnez l'onglet Agents. Peut être partagé avec d'autres utilisateurs de l'organisation en accordant un accès au contenu (Afficher ou Accès administrateur ; Modifier). Peut également être publié dans des applications externes comme Gemini Enterprise (version bêta).
  • 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).
  • N'accepte pas les requêtes de référence contenant des tableaux croisés dynamiques ou des champs personnalisés.
Agents de tableau de bord
  • Requêtes directes en langage naturel d'un tableau de bord Looker spécifique et de ses tuiles liées aux requêtes.
  • Organisation et personnalisation du comportement des agents sur les tableaux de bord avec des instructions personnalisées.
  • L'accès est géré de manière stricte via les autorisations au niveau du tableau de bord (Gérer l'accès ; Modifier sur le tableau de bord) et les autorisations de modèle.
 Depuis le tableau de bord : sélectionnez Discuter avec ce tableau de bord. Ne peut pas être partagé avec d'autres utilisateurs.
  • Ne peut pas être partagé individuellement.
  • N'apparaît pas sur la page d'analyse conversationnelle. Les conversations avec un agent de 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 tuiles liées aux requêtes.
  • La personnalisation du comportement des agents de tableau de bord avec des instructions personnalisées n'est pas acceptée pour les tableaux de bord LookML.
  • La fonctionnalité Analyse avancée n'est pas acceptée.

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 précises et cohérentes. L'analyse conversationnelle peut interpréter vos définitions métier pour des métriques telles que "revenus" ou "taux de désabonnement", car elles sont définies dans LookML, en utilisant ces définitions pour fournir des questions précises et cohérentes.

Pour baser ses réponses sur 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 explorations qui y sont connectées. L'analyse conversationnelle utilise les paramètres du modèle LookML de plusieurs manières :
    • 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 mapper 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 : l'analyse conversationnelle 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, 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 d'exploration. L'analyse conversationnelle 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 de 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 aux valeurs des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les écarts entre les valeurs que l'utilisateur inclut dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, l'analyse conversationnelle utilise des 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 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 des 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, 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 :
    • Elle utilise les fonctionnalités Gemini intégrées pour interpréter et résumer les résultats.
    • Elle utilise l'exécution de code Python via l'analyse avancée pour effectuer une analyse plus approfondie des résultats.
    • Elle crée des visualisations basées sur les résultats des requêtes.

En tirant parti du modèle sémantique Looker, l'analyse conversationnelle 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. 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 écrivez lorsque vous créez ou modifiez 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 des 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 volume de nouvelles affaires que nous avons généré ?", un agent de données peut mapper "nouvelles affaires" à une mesure qui calcule les revenus récurrents mensuels. Pour la requête "Qui sont nos principaux clients ?", un agent de données peut mapper "principaux" à un nombre d'utilisations et "clients" à une dimension appelée Nom du client.
  2. Mapper des 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 des "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 peut avoir besoin d'échantillonner les données pour voir quel champ contient "NY" ou poser une question pour obtenir des précisions.
  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, les filtres de tableau de bord définis par l'utilisateur ou la logique de jointure ou Liquid complexe) 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 fonctionnalités de conformité des fonctionnalités Gemini dans Looker

L'analyse conversationnelle n'est pas encore incluse 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 des fonctionnalités Gemini dans Looker aux offres par défaut lorsque 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 suivante :

La prise en charge de 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 l'analyse conversationnelle 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

Disponible dès maintenant pour les clients basés dans l'Union européenne (UE), une option de traitement localisée permet le traitement des données dans la juridiction de l'UE. Cette option permet de router le trafic d'analyse conversationnelle de Looker 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. Il 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 de traitement ML de l'UE pour l'analyse conversationnelle de Looker, remplissez le formulaire de demande de traitement ML de l'UE pour Looker. Notez que la capacité est limitée. L'inscription est accordée sur une base fonctionnelle "selon 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 individuelles 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'a pas été utile.