Descripción general de Conversational Analytics en Looker

Conversational Analytics es una función de chat con tus datos que funciona con Gemini para Google Cloud. Con fundamentación en la capa de modelado semántico de Looker, Conversational Analytics permite a los usuarios de tu organización hacer preguntas relacionadas con los datos en lenguaje natural normal (conversacional) para obtener IE de autoservicio administrada y confiable. Este enfoque acelera la adopción de las estadísticas en toda tu organización, ya que proporciona seguridad y administración de nivel empresarial.

Conversational Analytics está disponible en las instancias de Looker (Google Cloud Core) y en las instancias de Looker (original).

Descubre cómo y cuándo Gemini para Google Cloud usa tus datos.

Características clave

Conversational Analytics incluye las siguientes funciones clave:

  • Conversar con un Explorar de Looker: Conversa en lenguaje natural con los datos de Explorar de Looker o con un agente de datos personalizado dentro de una instancia de Looker (original) o una instancia de Looker (Google Cloud Core). Puedes conversar con hasta cinco Explorar a la vez.
  • Crea y administra agentes de datos: Con los agentes de datos, puedes personalizar el agente de consultas de datos potenciado por IA proporcionando contexto e instrucciones específicos para tus datos, lo que ayuda al agente de datos a generar respuestas más precisas y pertinentes para el contexto. También puedes compartir tus agentes de datos con otros usuarios para que puedan hacer preguntas con el mismo contexto. Puedes conectar tu agente a hasta cinco Exploraciones.
  • Análisis avanzado con el intérprete de código [Versión preliminar]: El intérprete de código de Conversational Analytics traduce tus preguntas en lenguaje natural a código de Python y ejecuta ese código. En comparación con las consultas estándar basadas en SQL, el uso de Python por parte del intérprete de código permite análisis y visualizaciones más complejos.
  • Incorpora Conversational Analytics en un sitio web o una aplicación: Puedes incorporar Conversational Analytics en un sitio web o una aplicación con una etiqueta iframe de HTML, al igual que con otros tipos de contenido de Looker. Conversational Analytics admite la incorporación privada, en la que los usuarios se autentican con su acceso a Looker, y la incorporación firmada, en la que los usuarios se autentican a través de tu propia aplicación.

¿Cómo funciona Conversational Analytics?

Conversational Analytics usa Gemini para Google Cloud interpretar preguntas en lenguaje natural y proporcionar respuestas basadas en tus datos en Looker. Utiliza el modelo semántico de Looker (las definiciones de LookML de tus datos) como fuente de información para garantizar que las respuestas sean precisas y coherentes. Conversational Analytics puede interpretar las definiciones de tu empresa para métricas como "ingresos" o "clientes que abandonan la empresa" porque se definen en LookML, y usa estas definiciones para brindar respuestas precisas y coherentes.

Para fundamentar sus respuestas en tus datos y contexto empresarial específicos, Conversational Analytics usa varias técnicas:

  • Esquema de LookML: Al comienzo de una solicitud, Conversational Analytics recupera el esquema de los Explores que están conectados a él. Conversational Analytics usa parámetros del modelo de LookML de varias maneras:
    • Identificación de campos: Los metadatos del esquema ayudan a Conversational Analytics a enfocarse en los campos pertinentes. Estos metadatos incluyen parámetros de LookML, como name, label, description, type y dimension_group. Estos parámetros ayudan a Conversational Analytics a asignar términos en las preguntas de los usuarios a los campos correctos. Por ejemplo, description puede proporcionar terminología o contexto específicos de la empresa para un campo.
    • Formato de respuesta: Conversational Analytics usa parámetros label para asignar nombres fáciles de usar a los campos y parámetros value_format para dar formato a los datos en las respuestas.
  • Generación de consultas: En lugar de consultar tu base de datos directamente, Conversational Analytics determina qué campos, filtros, ordenamientos y límites se deben usar en la consulta. Luego, Looker compone y ejecuta la consulta con el modelo de LookML subyacente. Este proceso es similar a la forma en que un usuario interactúa con una interfaz de Explore. Conversational Analytics no necesita comprender la lógica de unión compleja ni las definiciones de campos, ya que Looker controla la composición de las consultas en función del modelo de LookML. La generación de consultas garantiza que todas las consultas cumplan con la lógica de unión, el filtrado, la agregación y los permisos de datos que se definen en tu modelo de LookML. Para generar consultas, Conversational Analytics debe determinar los valores correctos que se usarán en los filtros. Estos valores deben coincidir exactamente con los valores de los datos subyacentes o con expresiones de filtro más avanzadas, como comodines. Para resolver las discrepancias entre los valores que el usuario incluye en sus preguntas en lenguaje natural y los valores exactos que puede requerir un filtro, Conversational Analytics usa valores definidos con allowed_value en los campos parameter y puede usar herramientas para verificar valores específicos en los campos:
    • Datos de muestra: Muestra hasta 100 valores de un campo para ayudar a Conversational Analytics a aprender patrones o encontrar una coincidencia exacta para los valores de filtro.
    • Búsqueda parcial: Genera un conjunto de términos de búsqueda basados en la entrada del usuario y verifica su presencia en una dimensión para encontrar valores de filtro adecuados. Tanto los datos de muestra como la búsqueda aproximada usan la API de sugerencias de Looker y, por lo tanto, se ven influenciados por parámetros de LookML como suggestions, suggest_explore y suggest_dimension.
  • Análisis: Después de que Looker ejecuta las consultas, Conversational Analytics analiza los resultados de las consultas para responder las preguntas de los usuarios. Conversational Analytics puede analizar los resultados de una o más de las siguientes maneras:
    • Utiliza las capacidades integradas de Gemini para interpretar y resumir los resultados.
    • Utiliza la ejecución de código de Python a través del Intérprete de código para realizar un análisis más detallado de los resultados.
    • Crea visualizaciones basadas en los resultados de las consultas.

Aprovechando el modelo semántico de Looker, Conversational Analytics proporciona acceso a datos de varias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake y Databricks, sin necesidad de comprender la complejidad de los datos subyacentes, y garantiza que todas las respuestas sean coherentes y estén controladas.

¿Cómo funcionan los agentes de datos de Conversational Analytics?

Un agente de datos de Conversational Analytics basa sus respuestas en dos entradas principales: el esquema de LookML de tu instancia, que define un desarrollador de Looker, y las instrucciones del agente, que escribes cuando creas el agente.

A partir de tu consulta, un agente de datos debe determinar qué campos de LookML seleccionar y qué filtros, ordenamientos o límites aplicar. Para hacerlo con precisión, asigna el lenguaje natural de tu búsqueda a sus propias instrucciones del agente y al esquema LookML de los datos de las siguientes maneras:

  1. Asignación de términos semánticos: Los usuarios suelen usar jerga empresarial en sus preguntas. El agente usa tus instrucciones y los metadatos de los campos de LookML para interpretar tu consulta. Por ejemplo, para la búsqueda "¿Cuántos negocios nuevos hicimos?", un agente de datos podría correlacionar "negocios nuevos" con una métrica que calcule los ingresos recurrentes mensuales. Para la pregunta "¿Quiénes son nuestros principales clientes?", un agente de datos podría correlacionar "principales" con un recuento de uso y "clientes" con una dimensión llamada Nombre del cliente.
  2. Asignación de valores de campo: El agente busca puntos de datos específicos (por ejemplo, "California" o "Jeans ajustados") con herramientas especializadas para muestrear los datos o realizar búsquedas aproximadas. Por ejemplo, si un usuario busca "jeans", el agente podría activar una búsqueda aproximada en el campo Nombre del producto para encontrar las coincidencias exactas de la cadena en tu base de datos. Si un usuario busca "NY", ¿se refiere al campo Ciudad o al campo Estado? Es posible que el agente deba tomar una muestra de los datos para ver qué campo contiene "NY" o hacer una pregunta aclaratoria.
  3. Refinamiento con ejemplos de preguntas: Puedes proporcionar ejemplos específicos de preguntas y respuestas, llamados "preguntas de oro", en las instrucciones del agente de datos para mejorar la precisión de las preguntas comunes o críticas.

Luego, Looker usa las definiciones de LookML de estos campos y otra lógica definida en la Exploración, incluidas las definiciones de campos, los otorgamientos de acceso o los atributos del usuario, o la lógica compleja de Liquid o de unión, para componer la consulta que se envía a la base de datos. Como el agente no escribe toda la consulta en SQL, no necesita "comprender" los datos y puede operar con mayor precisión y determinismo.

Agentes de datos frente a conversaciones

Crear un agente de datos ofrece varias ventajas clave en comparación con tener una conversación estándar con una sola Explorar. Si bien iniciar una conversación desde Explorar permite realizar consultas rápidas en lenguaje natural sobre esa fuente de datos específica, un agente de datos funciona como un analista independiente especializado que se puede personalizar y compartir en toda tu organización.

Los agentes de datos ofrecen la siguiente ventaja en comparación con las conversaciones con Explorar:

  • Chatea con varias Exploraciones: En una conversación con una Exploración, solo puedes consultar una Exploración a la vez. Sin embargo, un agente de datos puede conectarse a hasta cinco exploraciones distintas, lo que permite a los usuarios realizar análisis en varios dominios y recibir respuestas más completas.
  • Contexto creado: Puedes proporcionar a tu agente de datos instrucciones personalizadas que no están disponibles en una conversación estándar de Explorar, incluidos los siguientes recursos:
    • Preguntas de referencia: Puedes proporcionar al agente pares de preguntas en lenguaje natural y consultas verificadas de Looker para anclar patrones comerciales comunes y reducir significativamente la ambigüedad del modelo.
    • Glosarios de la empresa: Puedes definir jerga o siglas específicas de la organización directamente en las instrucciones del agente.
    • Marco de trabajo de arquetipos: Puedes asignar un rol o una experiencia específicos al agente, lo que establece un tono coherente y un juicio profesional para la conversación.
  • Especialización de agentes: En lugar de usar la interfaz genérica única de una conversación, puedes crear agentes especializados para diferentes unidades de negocios, como un agente de ingresos o un agente de operaciones. Esto permite una experiencia de análisis más guiada, que dirige a los usuarios hacia los campos y filtros específicos más relevantes para sus necesidades.
  • Colaboración y reutilización: Por lo general, las conversaciones de Explorar se limitan a un solo usuario, mientras que los agentes de datos se pueden compartir con otros miembros de tu organización. El uso compartido garantiza que varios usuarios puedan beneficiarse del mismo contexto y la misma gobernanza creados por un administrador o un experto en datos.
  • Comportamiento personalizado: Puedes configurar tu agente para que opere dentro de requisitos estrictos, como usar filtros predeterminados, por ejemplo, "siempre usa los últimos 6 meses de forma predeterminada si no se menciona un período". Estos límites garantizan que el agente opere dentro de los estándares específicos de seguridad y administración de tu organización. También puedes ocultar campos en los Explorar para evitar que el agente de datos los use en las consultas.

Lista de documentación

Comprende las capacidades de cumplimiento de las funciones de Gemini en Looker

Conversational Analytics aún no se incluye en los límites de autorización de FedRAMP High o FedRAMP Medium. Antes de habilitar el parámetro de configuración Gemini en Looker para tu instancia de Looker, analiza con tu organismo de autorización si las ofertas de cumplimiento de Gemini para Google Cloudsatisfacen las necesidades de tu organización.

En el caso de las instancias de Looker (Google Cloud Core), cada paquete de controles de Assured Workloads que esté disponible agregará las funciones de Gemini en Looker como ofertas predeterminadas a medida que se cumplan los requisitos y procesos de cambio de ese paquete. Conversational Analytics en Looker respeta las capacidades de cumplimiento de la instancia de Looker (Google Cloud Core) asociada, con la siguiente excepción:

La compatibilidad con la residencia de datos (DRZ), específicamente para los datos en reposo, está disponible para todos los clientes de Looker. Todos los datos en reposo asociados con Conversational Analytics residen estrictamente dentro de la instancia de Looker y se limitan a una sola región. Los datos en tránsito se pueden procesar con un servicio global.

Proporcionar comentarios

Puedes proporcionar comentarios a Google sobre respuestas individuales en Conversational Analytics seleccionando una de las siguientes opciones:

  • thumb_up Buena respuesta: Indica que la respuesta fue útil.
  • thumb_down Respuesta incorrecta: Indica que la respuesta no fue útil.