סקירה כללית של ניתוח נתונים בשיחה ב-Looker

ניתוח נתונים בשיחה הוא תכונה שמאפשרת לכם לשוחח עם הנתונים שלכם. היא מבוססת על Gemini ל- Google Cloud. התכונה 'ניתוח נתונים בשיחה' מבוססת על שכבת המודלים הסמנטיים של Looker, ומאפשרת למשתמשים בארגון לשאול שאלות שקשורות לנתונים בשפה טבעית רגילה (בסגנון שיחה), כדי לקבל תובנות עסקיות אמינות בשירות עצמי. הגישה הזו מאיצה את הטמעת ניתוח הנתונים בארגון, כי היא מספקת ניהול ואבטחה ברמה ארגונית.

ניתוח שיחות זמין גם במופעים של Looker (שירות הליבה של Google Cloud) וגם במופעים של Looker (המקורי).

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

תכונות עיקריות

ניתוח שיחות כולל את התכונות העיקריות הבאות:

  • שאילתות בדוחות ניתוח בשפה טבעית: אפשר לנהל שיחה בשפה טבעית עם דוח ניתוח ספציפי או עם סוכן נתונים שמבצע שאילתות בחמישה דוחות ניתוח לכל היותר.
  • יצירת סוכן נתונים לשאילתות ב-Explore: אתם יכולים להתאים אישית סוכן מבוסס-AI לשאילתות ב-Explore על ידי מתן הקשר והוראות שספציפיים לנתונים שלכם. כך סוכן הנתונים יכול ליצור תשובות מדויקות ורלוונטיות יותר להקשר. אתם יכולים גם לשתף את סוכני הנתונים עם משתמשים אחרים או לפרסם אותם באפליקציות אחרות, כמו Gemini Enterprise, כדי שהם יוכלו לשאול שאלות באותו הקשר. אפשר לקשר את סוג הסוכן הזה לנתונים ל-5 ניתוחים לכל היותר.
  • שליחת שאילתה ללוח בקרה באמצעות סוכן נתונים תצוגה מקדימה: אפשר להשתמש בניתוח נתונים בממשק שיחה כדי ליצור סוכן נתונים של לוח בקרה שיכול לשלוח שאילתות ללוח הבקרה ולמודלים הבסיסיים שלו. סוכני מרכז הבקרה זמינים כשההגדרה הפעלת סוכני מרכז הבקרה מופעלת בדף Gemini ב-Looker בחלונית ניהול. סיכומי מרכזי בקרה זמינים כשההגדרה הפעלת סיכום מרכז הבקרה מופעלת בדף Gemini ב-Looker בחלונית אדמין.
  • ניתוח מתקדם: התכונה ניתוח מתקדם בתוך 'ניתוח שיחות' מתרגמת את השאלות שלכם בשפה טבעית לקוד Python ומבצעת את הקוד הזה. בהשוואה לשאילתות רגילות שמבוססות על SQL, השימוש ב-Python בתכונה ניתוח מתקדם מאפשר ניתוחים והמחשות מורכבים יותר.
  • הטמעה: אפשר להטמיע את ניתוח השיחות באתר או באפליקציה באמצעות תג HTML iframe, בדיוק כמו שאפשר להטמיע סוגי תוכן אחרים של Looker. ניתוח שיחות תומך גם בהטמעה פרטית, שבה המשתמשים מאומתים באמצעות פרטי הכניסה שלהם ל-Looker, וגם בהטמעה עם חתימה, שבה המשתמשים מאומתים באמצעות האפליקציה שלכם.
  • מעקב אחרי מעורבות המשתמשים: משתמשים עם גישה לתוכן של פעילות המערכת ב-Looker יכולים לקבל מידע נוסף על מעורבות המשתמשים עם נציגי שירות ושיחות ב-Conversational Analytics. מרכז הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin.
  • תהליכי עבודה אג'נטיים מופעלים תצוגה מקדימה: הגדרה של התראות ומעקב שמבוססים על מדדים ישירות באמצעות שאילתות בשפה טבעית בשיחות עצמאיות עם Explores או עם סוכני נתונים של Explore. תכונת Agentic Workflows זמינה כשההגדרה Agentic Workflows מופעלת בדף Gemini ב-Looker בחלונית Admin.

סוכני נתונים לעומת שיחות

לשיחה עם סוכן נתונים יש כמה יתרונות מרכזיים בהשוואה לשיחה רגילה עם תכונת התחקור. כשמתחילים שיחה מתוך כלי הניתוח, אפשר ליצור במהירות שאילתות בשפה טבעית לגבי מקור הנתונים הספציפי הזה. לעומת זאת, סוכן נתונים מתפקד כאנליסט עצמאי וייעודי שאפשר להתאים אישית ולשתף בארגון.

סוכני נתונים מספקים את היתרון הבא לעומת שיחות עם תכונת הניתוחים:

  • שיחה עם כמה ניתוחים: בשיחה עם ניתוח, אפשר לשאול שאילתה רק על ניתוח אחד בכל פעם. עם זאת, סוכן נתונים יכול להתחבר לחמישה ניתוחים שונים לכל היותר, וכך לאפשר למשתמשים לבצע ניתוח חוצה-דומיינים ולקבל תשובות מקיפות יותר.
  • צ'אט עם מרכז שליטה ב-Looker: כשמנהלים צ'אט עם מרכז שליטה, ניתוח נתונים בשיחה יוצר סוכן נתונים של מרכז השליטה, שאפשר להשתמש בו כדי לשאול שאילתות לא רק על מרכז השליטה אלא גם על ניתוחי הנתונים הבסיסיים שלו.
  • הקשר שנוצר על ידי המשתמש: אתם יכולים לספק לסוכן הנתונים הוראות בהתאמה אישית שלא זמינות בשיחה רגילה ב-Explore, כולל המשאבים הבאים:
    • שאילתות מוזהבות: אתם יכולים לספק לסוכן זוגות של שאלות בשפה טבעית ושאילתות מאומתות של Looker כדי להטמיע דפוסים עסקיים נפוצים ולצמצם באופן משמעותי את העמימות של המודל.
    • מילוני מונחים עסקיים: אתם יכולים להגדיר מונחים מקצועיים או ראשי תיבות שספציפיים לארגון שלכם ישירות בהוראות של הסוכן.
    • מסגרת פרסונה: אתם יכולים להקצות לסוכן תפקיד או מומחיות ספציפיים, ולהגדיר טון עקבי ושיקול דעת מקצועי לשיחה.
  • התמחות של סוכנים: במקום להשתמש בממשק כללי אחד לשיחה, אתם יכולים ליצור סוכנים מומחים ליחידות עסקיות שונות, כמו סוכן הכנסות או סוכן תפעול. כך אפשר ליהנות מחוויית ניתוח מודרכת יותר, שמובילה את המשתמשים לשדות ולמסננים הספציפיים שהכי רלוונטיים לצרכים שלהם.
  • שיתוף פעולה ושימוש חוזר: בדרך כלל, שיחות עם תכונת החיפוש הן פרטיות ומוגבלות למשתמש אחד, אבל אפשר לשתף סוכני נתונים עם חברים אחרים בארגון. שיתוף מבטיח שכמה משתמשים יוכלו ליהנות מאותו הקשר ומאותה מערכת ניהול שנוצרו על ידי אדמין או מומחה נתונים.
  • התנהגות מותאמת אישית: אתם יכולים להגדיר את הסוכן כך שיפעל בהתאם לדרישות מחמירות, כמו שימוש במסנני ברירת מחדל – לדוגמה, "תמיד תוגדר ברירת מחדל ל-6 החודשים האחרונים אם לא מצוין טווח זמן". ההגבלות האלה מבטיחות שהסוכן יפעל בהתאם לתקני הממשל והאבטחה הספציפיים של הארגון. אפשר גם להסתיר שדות בניתוחים כדי למנוע מסוכן הנתונים להשתמש בהם בשאילתות.

בטבלה הבאה מסוכמים ההבדלים העיקריים בין סוגי השיחות האלה ובין סוכני הנתונים:

התכונה 'ניתוח נתוני השיחות' תרחישי שימוש עיקריים נקודת כניסה יכולות שיתוף מגבלות
הצגת השיחות
  • שאילתות רגילות בשפה טבעית של Looker Explore יחיד.
  • ארגון שאלות קשורות לגבי מערך נתונים ספציפי לסשנים נפרדים.
  • משתמש במצבי השאלות זריזות והעמקה.
  • בכרטיסייה 'חיפוש', לוחצים על התחלת שיחה.
  • בדף 'ניתוח שיחות': לוחצים על הכרטיסייה שיחות.
 בדרך כלל מוגבל למשתמש אחד (אי אפשר לשתף).
  • אפשר להריץ שאילתה רק על ניתוח אחד בכל פעם.
  • אין הקשר או הוראות בהתאמה אישית (לדוגמה, שאילתות מוזהבות, פרסונות, מילוני מונחים עסקיים).
  • אין התמחות של סוכנים ליחידות עסקיות שונות בארגון.
  • האפשרות התחלת שיחה לא זמינה כשמשתמשים בממשק החדש של 'אפשרויות נוספות'.
סוכני נתונים
  • סוכני ניתוח נתונים עצמאיים וייעודיים שמיועדים ליחידות עסקיות ספציפיות בארגון (לדוגמה, סוכן הכנסות, סוכן תפעול).
  • ניתוח בכמה דומיינים שמשתמש בעד חמישה ניתוחים מקושרים.
  • הקשר שנוצר כולל הוראות מותאמות אישית, שאילתות מוזהבות, מילוני מונחים עסקיים ומסגרות של פרסונות, כדי לאכוף אמצעי הגנה ולשפר את הדיוק.
  • ניתוח מתקדם שמשתמש בהרצת קוד Python, אם הוא מופעל.
  • לא נדרשות הרשאות explore מפורשות.
 בדף 'ניתוח שיחות': לוחצים על הכרטיסייה סוכנים. אפשר לשתף אותו עם משתמשים אחרים בארגון על ידי הענקת גישה לתוכן (צפייה או גישת ניהול; עריכה). אפשר גם לפרסם אותם באפליקציות חיצוניות כמו Gemini Enterprise (גרסת טרום-השקה).
  • נדרשות הרשאות access_data והרשאות אחרות במודלים שמהווים את הבסיס לניתוחים (שיתוף הסוכן לא מעניק גישה לניתוחים).
  • אין תמיכה בשאילתות מוזהבות שמכילות צירים או שדות בהתאמה אישית.
סוכני מרכז הבקרה
  • שאילתות ישירות בשפה טבעית של לוחות בקרה ספציפיים ב-Looker ושל המשבצות שמקושרות לשאילתות.
  • אפשר להגדיר ולשנות את התנהגות הסוכן בלוחות בקרה באמצעות הוראות מותאמות אישית.
  • הגישה מנוהלת באופן קפדני באמצעות הרשאות ברמת מרכז הבקרה (ניהול גישה; עריכה במרכז הבקרה) והרשאות מודל.
 ממרכז הבקרה: לוחצים על צ'אט עם מרכז הבקרה הזה. אי אפשר לשתף עם משתמשים אחרים.
  • אי אפשר לשתף אותם בנפרד.
  • לא מופיעים בדף 'ניתוח נתונים בשיחה'. אפשר לגשת לשיחות עם נציג ממרכז הבקרה רק מהדף שיחות אחרונות, שזמין בתפריט של מרכז הבקרה.
  • ההגבלה חלה על ההקשר של לוח הבקרה ועל המשבצות שמקושרות לשאילתה שלו.
  • אי אפשר להתאים אישית את התנהגות הסוכן במרכז הבקרה באמצעות הוראות מותאמות אישית במרכזי בקרה של LookML.
  • התכונה ניתוח מתקדם לא נתמכת.

איך פועל ניתוח נתונים בממשק שיחה?

ניתוח נתונים שיחתי משתמש ב-Gemini for Google Cloud כדי לפרש שאלות בשפה טבעית ולספק תשובות ב-Looker על סמך הנתונים שלכם. הוא משתמש במודל הסמנטי של Looker – הגדרות LookML של הנתונים שלכם – כמקור אמין כדי לוודא שהתשובות מדויקות ועקביות. הניתוח השיחתי יכול לפרש את ההגדרות העסקיות שלכם למדדים כמו 'הכנסה' או 'נטישה', כי הן מוגדרות ב-LookML. הוא משתמש בהגדרות האלה כדי לספק תשובות מדויקות ועקביות לשאלות.

כדי שהתשובות של ממשק Analytics לשיחה יתבססו על הנתונים הספציפיים שלכם ועל ההקשר העסקי, הוא משתמש בכמה טכניקות:

  • סכימת LookML: בתחילת הבקשה, התכונה 'ניתוח נתונים שימושי' מאחזרת את הסכימה מהניתוחים שמקושרים אליה. ניתוח נתוני השיחות משתמש בפרמטרים ממודל LookML בכמה דרכים:
    • זיהוי שדות: מטא-נתונים מהסכימה עוזרים למודל של ניתוח נתוני השיחות להתמקד בשדות רלוונטיים. המטא-נתונים האלה כוללים פרמטרים של LookML כמו name,‏ label,‏ description,‏ type ו-dimension_group. הפרמטרים האלה עוזרים לניתוח נתונים בשיחה למפות מונחים בשאלות של משתמשים לשדות הנכונים. לדוגמה, description יכול לספק טרמינולוגיה ספציפית לעסק או הקשר לשדה. התכונה 'ניתוח שיחות' מתעלמת מכל השדות שמשתמשים בפרמטר hidden.
    • עיצוב התשובה: ניתוח שיחות משתמש בפרמטרים label כדי לתת שמות לשדות בצורה ידידותית למשתמש, ובפרמטרים value_format כדי לעצב את הנתונים בתשובות.
  • יצירת שאילתות: במקום להריץ שאילתות ישירות במסד הנתונים, התכונה 'ניתוח נתונים שיחתי' קובעת באילו שדות, מסננים, מיון ומגבלות צריך להשתמש בשאילתה. לאחר מכן, Looker מרכיב ומריץ את השאילתה באמצעות מודל LookML הבסיסי. התהליך הזה דומה לאופן שבו משתמש יוצר אינטראקציה עם ממשק 'ניתוח נתונים מתקדם'. אין צורך להבין לוגיקה מורכבת של צירוף או הגדרות של שדות, כי Looker מטפל בהרכבת השאילתה על סמך מודל LookML. יצירת שאילתות מבטיחה שכל השאילתות יפעלו לפי לוגיקת הצירוף, הסינון, הצבירה והרשאות הגישה לנתונים שמוגדרות במודל LookML. כדי ליצור שאילתות, ניתוח שיחות צריך לקבוע את הערכים הנכונים לשימוש במסננים. הערכים האלה צריכים להיות זהים לערכים בנתונים הבסיסיים, או ביטויי סינון מתקדמים יותר כמו תווים כלליים. כדי לפתור את הבעיות שנובעות מההבדלים בין הערכים שהמשתמש כולל בשאלות בשפה טבעית לבין הערכים המדויקים שנדרשים במסנן, מערכת Analytics השיחה משתמשת בערכים שמוגדרים עם allowed_value בשדות parameter, ויכולה להשתמש בכלים כדי לבדוק ערכים ספציפיים בשדות:
    • נתונים לדוגמה: מחזירה עד 100 ערכים משדה כדי לעזור לניתוח נתוני השיחות ללמוד דפוסים או למצוא התאמה מדויקת לערכי סינון.
    • חיפוש משוער: המערכת יוצרת קבוצה של מונחי חיפוש על סמך הקלט של המשתמש, ובודקת אם הם מופיעים במאפיין כדי למצוא ערכי סינון מתאימים. גם נתוני הדוגמה וגם החיפוש המשוער משתמשים בממשק Looker Suggestion API, ולכן מושפעים מפרמטרים של LookML כמו suggestions, ‏ suggest_explore ו-suggest_dimension.
  • ניתוח: אחרי ש-Looker מריץ את השאילתות, ניתוח שיחות מנתח את תוצאות השאילתות כדי לענות על שאלות של משתמשים. ניתוח שיחות יכול לנתח תוצאות באחת או יותר מהדרכים הבאות:
    • הוא משתמש ביכולות המובנות של Gemini כדי לפרש ולסכם את התוצאות.
    • הוא משתמש בהרצת קוד Python דרך ניתוח מתקדם כדי לבצע ניתוח נוסף של התוצאות.
    • הוא יוצר הדמיות על סמך תוצאות השאילתות.

בעזרת המודל הסמנטי של Looker, ניתוח נתונים שיחתי מספק גישה לנתונים מפלטפורמות שונות – כמו BigQuery,‏ AlloyDB,‏ Redshift,‏ Snowflake ו-Databricks – בלי שתצטרכו להבין את מורכבות הנתונים הבסיסית, ומבטיח שכל התשובות יהיו עקביות ומפוקחות.

איך פועלים סוכני נתונים של ניתוח נתונים בממשק שיחה?

סוכן נתונים של Conversational Analytics מבסס את התשובות שלו על שני קלטים עיקריים: סכמת LookML של המופע שלכם, שמוגדרת על ידי מפתח Looker, והוראות לסוכן, שאתם כותבים כשאתם יוצרים או עורכים את הסוכן.

מתוך השאילתה, סוכן נתונים צריך לקבוע אילו שדות LookML לבחור ואילו מסננים, מיון או הגבלות להחיל. כדי לעשות את זה בצורה מדויקת, הוא ממפה את השפה הטבעית בשאילתה להוראות הסוכן ולסכימת LookML של הנתונים בדרכים הבאות:

  1. מיפוי מונחים סמנטיים: משתמשים מרבים להשתמש בז'רגון עסקי בשאלות שלהם. הסוכן משתמש בהוראות לסוכן ובמטא-נתונים של שדות LookML כדי לפרש את השאילתה. לדוגמה, לשאילתה 'כמה עסקים חדשים היו לנו?', סוכן נתונים יוכל למפות את 'עסקים חדשים' למדד שמחשב את ההכנסה החודשית החוזרת. לשאילתה "מי הם הלקוחות המובילים שלנו?" סוכן נתונים יוכל למפות את המילה "מובילים" לספירת שימוש ואת המילה "לקוחות" למאפיין שנקרא שם לקוח.
  2. מיפוי ערכי שדות: הסוכן מחפש נקודות נתונים ספציפיות – למשל, 'קליפורניה' או 'ג&#39ינס סלים פיט' – באמצעות כלים ייעודיים לדגימת הנתונים או לביצוע חיפושים משוערים. לדוגמה, אם משתמש מבקש "ג'ינס", יכול להיות שהסוכן יפעיל חיפוש משוער בשדה שם המוצר כדי למצוא התאמות מדויקות למחרוזת במסד הנתונים שלכם. אם משתמש מבקש "NY", האם זה השדה City או השדה State? יכול להיות שהסוכן יצטרך לבדוק מדגם מהנתונים כדי לראות באיזה שדה מופיע הערך NY, או לשאול שאלה להבהרה.
  3. שיפור באמצעות דוגמאות לשאילתות: כדי לשפר את הדיוק של שאילתות נפוצות או קריטיות, אפשר לספק בהוראות לסוכן הנתונים דוגמאות ספציפיות של שאלות ותשובות שנקראות 'שאילתות מוזהבות'.

לאחר מכן, Looker משתמש בהגדרות LookML של השדות האלה ובלוגיקה אחרת שמוגדרת ב-Explore – כולל הגדרות שדות, הרשאות גישה או מאפייני משתמש, מסנני לוח בקרה בהגדרת המשתמש או לוגיקה מורכבת של Liquid או של איחוד – כדי ליצור את השאילתה שנשלחת למסד הנתונים. הסוכן לא כותב את כל שאילתת ה-SQL, ולכן הוא לא צריך "להבין" את הנתונים ויכול לפעול בצורה מדויקת ודטרמיניסטית יותר.

מידע נוסף על השימוש של הסוכן ב-LookML זמין במאמר שיטות מומלצות להגדרת ניתוח שיחות ב-Looker.

רשימת מסמכי התיעוד

הסבר על יכולות התאימות של Gemini ב-Looker

ניתוח שיחות עדיין לא נכלל בגבולות ההרשאה של FedRAMP High או FedRAMP Medium. לפני שמפעילים את ההגדרה Gemini ב-Looker במופע Looker, כדאי להתייעץ עם הגורם המוסמך כדי לבדוק אם פתרונות התאימות של Gemini for Google Cloudעונים על הצרכים של הארגון.

במקרים של מופעי Looker (ליבת Google Cloud), כל חבילת אמצעי בקרה של Assured Workloads שזמינה תוסיף תכונות של Gemini ב-Looker להצעות ברירת המחדל, אחרי שיעמדו בדרישות השינוי והתהליכים של החבילה. ניתוח שיחות ב-Looker מתבצע בהתאם ליכולות התאימות של מופע Looker (Google Cloud Core) המשויך, למעט במקרה הבא:

כל לקוחות Looker יכולים לקבל תמיכה בנושא שמירת נתונים (DRZ), במיוחד בנוגע לנתונים במנוחה. כל הנתונים במצב מנוחה שמשויכים לניתוח שיחות נמצאים אך ורק במופע Looker ומוגבלים לאזור אחד. נתונים במעבר ולמידת מכונה (ML) מעובדים באמצעות שירות גלובלי.

תאימות באיחוד האירופי

עכשיו זמינה ללקוחות שנמצאים באיחוד האירופי (EU) אפשרות עיבוד מקומית שמאפשרת עיבוד נתונים בתחום השיפוט של האיחוד האירופי. האפשרות הזו מאפשרת לנתב את התנועה של ניתוח נתונים שיחותי ב-Looker דרך נקודת קצה רב-אזורית באיחוד האירופי, וכך לוודא שנתוני לקוחות באיחוד האירופי יעובדו בתוך האיחוד האירופי.

עיבוד מקומי חל על כל התכונות של ניתוח נתונים בשיחה ב-Looker (לא כולל סוכני נתונים של לוחות בקרה) ועל כל נקודות הקצה של Looker API לניתוח נתונים בשיחה. היא לא רלוונטית ל-Conversational Analytics API.

האפשרות הזו זמינה דרך רשימת היתרים. כדי לבקש רישום לרשימת ההיתרים של Looker Conversational Analytics EU ML processing, צריך למלא את טופס הבקשה של Looker ML Processing EU. חשוב לזכור שהקיבולת מוגבלת. ההרשמה מתבצעת על בסיס זמינות פונקציונלית, ועשויה להשפיע על קצב העברת הנתונים של השירות. תקבלו הודעת אישור באימייל לאחר ההרשמה.

שליחת משוב

אתם יכולים לשלוח משוב ל-Google על תשובות ספציפיות ב-Conversational Analytics. לשם כך, בוחרים באחת מהאפשרויות הבאות:

  • ‫thumb_up תשובה טובה: מציין שהתשובה הייתה מועילה.
  • ‫thumb_down התשובה לא טובה: מציינים שהתשובה לא הייתה מועילה.