סקירה כללית של ניתוח נתונים בשיחה ב-Looker

ניתוח נתונים בממשק שיחה היא תכונה שמאפשרת לכם לשוחח עם הנתונים שלכם, והיא מבוססת על Gemini for Google Cloud. התכונה "ניתוח נתונים באמצעות שיחה" מבוססת על שכבת המודלים הסמנטיים של Looker, ומאפשרת למשתמשים בארגון לשאול שאלות שקשורות לנתונים בשפה רגילה וטבעית (שיחתית) כדי לקבל שירות עצמי מנוהל ואמין של BI. הגישה הזו מאיצה את ההטמעה של ניתוח נתונים בארגון, כי היא מספקת אבטחה ופיקוח ברמה שמתאימה לארגונים.

ניתוח נתונים באמצעות שיחה זמין גם במופעים של Looker (Google Cloud core) וגם במופעים של Looker (original).

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

תכונות עיקריות

התכונות העיקריות של ניתוח נתונים באמצעות שיחה:

  • שאילתות בשפה טבעית ב-Explore: אפשר לנהל שיחה בשפה טבעית עם Explore ספציפי או עם סוכן נתונים ששולח שאילתות לעד חמישה Explore.
  • יצירת סוכן נתונים לשאילתות ב-Explores: אתם יכולים להתאים אישית סוכן מבוסס-AI לשאילתות ב-Explores על ידי מתן הקשר והוראות שספציפיים לנתונים שלכם. כך סוכן הנתונים יכול ליצור תשובות מדויקות יותר ורלוונטיות להקשר. אתם יכולים גם לשתף את סוכני הנתונים שלכם עם משתמשים אחרים או לפרסם אותם באפליקציות אחרות, כמו Gemini Enterprise, כדי שהם יוכלו לשאול שאלות באותו הקשר. אפשר לקשר סוכן נתונים מהסוג הזה לעד חמישה ניתוחים. כדי לשפר את הדיוק של התשובות מסוכן הנתונים של Explore, הוסיפו שאילתות מאומתות להקשר של סוכן הנתונים.
  • שליחת שאילתה ללוח בקרה באמצעות סוכן נתונים: אפשר להשתמש ב-Conversational Analytics כדי ליצור סוכן נתונים של לוח בקרה שיכול לשלוח שאילתות למודלים הבסיסיים של לוח הבקרה. כשסוכני לוח הבקרה מופעלים, כל לוח בקרה מספק סוכן ברירת מחדל יחיד ומשותף שיכול לשלוח שאילתות ללוח הבקרה ולמשבצות שמקושרות לשאילתות. סוכני מרכז הבקרה זמינים כשההגדרה סוכני מרכז הבקרה מופעלת בדף Gemini ב-Looker בחלונית ניהול. בנוסף, יוצרים של מרכזי בקרה יכולים להפעיל או להשבית סוכני מרכז בקרה ברמה של מרכז בקרה ספציפי. סוכני לוח הבקרה זמינים ללוחות בקרה בהגדרת המשתמש ולמרכזי שליטה של LookML.
  • ניתוח מתקדם: התכונה ניתוח מתקדם בתוך 'ניתוח שיחות' מתרגמת את השאלות שלכם בשפה טבעית לקוד Python ומריצה את הקוד הזה. בהשוואה לשאילתות רגילות שמבוססות על SQL, התכונה ניתוח מתקדם משתמשת ב-Python ומאפשרת ניתוח והמחשה חזותית מורכבים יותר.
  • הטמעה: אפשר להטמיע את ניתוח הנתונים בשיחה באתר או באפליקציה באמצעות תג iframe של HTML, בדיוק כמו שאפשר להטמיע סוגים אחרים של תוכן ב-Looker. ניתוח נתונים באמצעות שיחה תומך גם בהטמעה פרטית, שבה המשתמשים מאומתים באמצעות פרטי ההתחברות שלהם ל-Looker, וגם בהטמעה חתומה, שבה המשתמשים מאומתים באמצעות האפליקציה שלכם.
  • מעורבות משתמשים ושימוש בטוקנים: משתמשים עם גישה לפעילות המערכת ב-Looker יכולים לעקוב אחרי מעורבות המשתמשים והשימוש בטוקנים של סוכני ניתוח הנתונים בממשק שיחה בכל המופע. לוח הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin. במכונות של Looker (Google Cloud core), האפשרות לצפות בשימוש בטוקנים נמצאת בגרסת טרום-השקה (Preview) וזמינה אם אדמין ב-Looker הפעיל את תכונת גרסת טרום-השקה (Preview) Conversational Analytics Agent Token usage.
  • תגובות ומשוב לשאילתות של משתמשים [תצוגה מקדימה]: משתמשים שיש להם גישה לתוכן של פעילות המערכת ב-Looker יכולים לעקוב אחרי נתוני השאילתות והמשוב של המשתמשים אם המשתמשים הסכימו לשתף את נתוני השאילתות שלהם ואם אדמין ב-Looker הפעיל את התכונה בגרסת טרום-השקה (Preview) בדיקת שאילתות של משתמשי קצה ב-Conversational Analytics (CA)‎. מרכז הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin.
  • Agentic Workflows שמופעלים על ידי טריגרים [תצוגה מקדימה]: אתם יכולים להגדיר התראות ומעקב על סמך מדדים ישירות באמצעות שאילתות בשפה טבעית בצ'אטים ישירים עם סוכני נתונים של Explore או של Explore data. כדי להשתמש ב-Agentic Workflows, צריך להפעיל את ההגדרות הפעלת תכונות של בודק מהימן ו-Agentic Workflows בדף Gemini ב-Looker שבחלונית הניהול, וגם את ההגדרה של ניתוח שיחות שמתאימה לתוכן שבו אתם משתמשים (ניתוח שיחות (דף השיחות) ל-Explores או סוכני מרכז בקרה למרכזי בקרה).
  • תהליכי עבודה מבוססי-סוכן מתוזמנים תצוגה מקדימה: הגדרה של תהליכי עבודה מבוססי-סוכן חוזרים כדי לעקוב אחרי הנתונים ולשלוח דוחות חוזרים. תהליכי עבודה מתוזמנים של סוכנים זמינים כשההגדרה תהליכי עבודה של סוכנים מופעלת בדף Gemini ב-Looker בחלונית ניהול, יחד עם ההגדרה של ניתוח נתונים באמצעות שיחה שתואמת לתוכן שבו אתם משתמשים (ניתוח נתונים באמצעות שיחה (דף השיחות) לניתוחים או סוכנים של מרכזי בקרה למרכזי בקרה).

בקטע רשימת מסמכים שבדף הזה יש קישורים למידע מפורט יותר על כל תכונה.

רשימת המסמכים

סוכני נתונים לעומת שיחות

לשיחה עם סוכן נתונים יש כמה יתרונות מרכזיים על פני שיחה רגילה עם כלי Explore אחד. כשמתחילים שיחה מ-Explore, אפשר לשלוח שאילתות בשפה טבעית למקור הנתונים הספציפי הזה. לעומת זאת, סוכן נתונים פועל כאנליסט עצמאי ומתמחה שאפשר להתאים אישית ולשתף בארגון.

לסוכני נתונים יש את היתרונות הבאים על פני שיחות עם כלי הניתוחים:

  • שיחה עם כמה כלי Explore: בשיחה עם Explore, אתם מוגבלים לשליחת שאילתות לכלי Explore אחד בכל פעם. עם זאת, סוכן נתונים יכול להתחבר לעד חמישה ניתוחים נפרדים, וכך לאפשר למשתמשים לבצע ניתוח בכמה דומיינים ולקבל תשובות מקיפות יותר.
  • צ'אט עם מרכז בקרה של Looker: כשאתם משוחחים בצ'אט עם מרכז בקרה, ניתוח נתונים בשיחה יוצר סוכן נתונים של מרכז הבקרה שבו אתם יכולים להשתמש כדי לשלוח שאילתות לא רק למרכז הבקרה, אלא גם ל-Explores שעליהם הוא מבוסס.
  • הקשר שנוצר על ידי המשתמש: אתם יכולים לספק לסוכן הנתונים הוראות מותאמות אישית שלא זמינות בשיחה רגילה ב-Explore, כולל המשאבים הבאים:
    • מילוני מונחים ארגוניים: אתם יכולים להגדיר מונחים מקצועיים או ראשי תיבות שספציפיים לארגון שלכם ישירות בהוראות של הסוכן.
    • מסגרת פרסונה: אתם יכולים להקצות לסוכן תפקיד או תחום מומחיות ספציפיים, ולקבוע טון עקבי ושיקול דעת מקצועי לשיחה.
  • התמחות של סוכנים: במקום להשתמש בממשק גנרי אחד של שיחה, אתם יכולים ליצור סוכנים שמתמחים ביחידות 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 מוגבלות למשתמש אחד, אבל אפשר לשתף סוכני נתונים עם חברים אחרים בארגון. שיתוף מבטיח שריבוי 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 להגדיר כברירת מחדל את 6 החודשים האחרונים אם לא מצוין טווח זמן". אמצעי ההגנה האלה מבטיחים שהנציג יפעל במסגרת תקני המשילות והאבטחה הספציפיים של הארגון. אפשר גם להסתיר שדות בניתוחים כדי למנוע מסוכן הנתונים להשתמש בהם בשאילתות.

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

התכונה "ניתוח שיחות" תרחישי שימוש עיקריים נקודת כניסה יכולות שיתוף מגבלות
איך בודקים שיחות
  • שאילתות רגילות בשפה טבעית ב-Explore אחד ב-Looker.
  • לארגן שאלות קשורות לגבי קבוצת נתונים ספציפית בסשנים נפרדים.
  • משתמש במצבי השאלות זריזות והעמקה.
  • בכרטיסייה 'חיפוש', לוחצים על התחלת שיחה.
  • בדף 'ניתוח שיחות': לוחצים על הכרטיסייה שיחות.
 בדרך כלל מוגבל למשתמש אחד (לא ניתן לשיתוף).
  • אפשר להריץ שאילתה רק על ניתוח אחד בכל פעם.
  • אין הקשר או הוראות שנוצרו בהתאמה אישית (לדוגמה, שאילתות מאומתות, פרסונות, מילוני מונחים עסקיים).
  • אין התמחות של נציגים ליחידות עסקיות שונות של ארגון.
  • האפשרות התחלת שיחה לא זמינה כשמשתמשים בכלי החדש לניתוח נתונים.
עיון בסוכני הנתונים
  • סוכנים עצמאיים ומיוחדים לניתוח נתונים, שמיועדים ליחידות עסקיות ספציפיות בארגון (לדוגמה, סוכן הכנסות, סוכן תפעול).
  • ניתוח בכמה דומיינים שמשתמש בחמישה ניתוחים לכל היותר שמקושרים זה לזה.
  • הקשר שנוצר על ידי משתמשים וכולל הוראות מותאמות אישית, שאילתות מאומתות, מילוני מונחים ארגוניים ומסגרות של פרסונות כדי לאכוף אמצעי הגנה ולשפר את הדיוק.
  • ניתוח נתונים מתקדם שמתבסס על הרצת קוד Python, אם האפשרות הזו מופעלת.
  • לא נדרשות הרשאות explore מפורשות.
 בדף 'ניתוח שיחות', לוחצים על הכרטיסייה סוכנים. אפשר לשתף אותם עם משתמשים אחרים בארגון על ידי מתן גישה לתוכן (צפייה או גישת ניהול; עריכה). אפשר גם לפרסם אותן באפליקציות חיצוניות כמו Gemini Enterprise (גרסת טרום-השקה).
  • נדרשות access_data והרשאות אחרות במודלים שמהווים את הבסיס לניתוחים (שיתוף הסוכן לא מעניק גישה לניתוחים).
  • לא תומך בשאילתות מאומתות שמכילות צירים או שדות בהתאמה אישית.
סוכני מרכז הבקרה
  • שאילתות ישירות בשפה טבעית לגבי מרכז בקרה ספציפי ב-Looker והמשבצות שמקושרות לשאילתות.
  • התאמה אישית של התנהגות הסוכן במרכזי בקרה באמצעות הוראות מותאמות אישית.
  • הגישה מנוהלת אך ורק באמצעות הרשאות ברמת מרכז הבקרה (ניהול הגישה; עריכה במרכז הבקרה) והרשאות למודל.
  • אפשר להפעיל או להשבית את ההגדרה ברמת לוח הבקרה הספציפי בלוחות בקרה בהגדרת המשתמש.
 ממרכז הבקרה: לוחצים על צ'אט עם מרכז הבקרה הזה. ההרשאות נגזרות ממודל השיתוף של מרכז הבקרה.
  • אי אפשר לשתף אותם בנפרד ממרכז הבקרה.
  • הם לא מופיעים בדף 'ניתוח נתוני השיחות'. אפשר לגשת לשיחות עם סוכן במרכז הבקרה רק מהדף שיחות מהזמן האחרון, 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.
  • אין תמיכה בתכונה ניתוח נתונים מתקדם.

איך פועל ניתוח נתונים באמצעות שיחה?

ניתוח נתונים בממשק שיחה משתמש ב-Gemini ב- 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 האמין שלו כדי לוודא שהתשובות מדויקות ועקביות. ניתוח נתונים באמצעות שיחה יכול לפרש את ההגדרות העסקיות שלכם למדדים כמו "הכנסה" או "שיעור נטישה" כי הם מוגדרים ב-LookML, ולהשתמש בהגדרות האלה כדי לספק שאלות מדויקות ועקביות.

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

  • סכימת LookML: בתחילת הבקשה, הכלי "ניתוח בעזרת AI" מאחזר את הסכימה מהחקירות שמחוברות אליו. ניתוח נתונים בממשק שיחה משתמש בפרמטרים מהמודל של LookML בכמה דרכים:
    • זיהוי שדות: מטא-נתונים מהסכימה עוזרים לכלי ניתוח 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 או הקשר ספציפיים לעסק בשדה מסוים. הניתוח של שיחות מתעלם משדות שמשתמשים בפרמטר hidden.
    • עיצוב התשובות: ניתוח נתונים באמצעות שיחה משתמש בפרמטרים של label כדי לתת שמות ידידותיים למשתמש לשדות, ובפרמטרים של value_format כדי לעצב את הנתונים בתשובות.
  • יצירת שאילתות: במקום לשלוח שאילתה ישירות למסד הנתונים, ניתוח נתונים בעזרת AI קובע באילו שדות, מסננים, מיונים ומגבלות צריך להשתמש בשאילתה. לאחר מכן, Looker יוצר את השאילתה ומריץ אותה באמצעות מודל LookML הבסיסי. התהליך הזה דומה לאופן שבו משתמש יוצר אינטראקציה עם ממשק של כלי הניתוח. 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 יתאימו ללוגיקת הצירוף, לסינון, לצבירה ולהרשאות הגישה לנתונים שמוגדרים במודל LookML. כדי ליצור שאילתות, הכלי "ניתוח נתונים בעזרת AI" צריך לקבוע את הערכים הנכונים לשימוש במסננים. הערכים האלה חייבים להיות התאמה מדויקת לערכים בנתונים הבסיסיים או לביטויי סינון מתקדמים יותר, כמו תווים כלליים לחיפוש. כדי לפתור אי-התאמות בין הערכים שהמשתמש כולל בשאלות שלו בשפה טבעית לבין הערכים המדויקים שמסנן עשוי לדרוש, ניתוח נתונים באמצעות שיחה משתמש בערכים שמוגדרים באמצעות allowed_value בשדות parameter ויכול להשתמש בכלים כדי לבדוק ערכים ספציפיים בשדות:
    • נתונים שנדגמו: מחזירה עד 100 ערכים משדה כדי לעזור לניתוח נתוני השיחות ללמוד דפוסים או למצוא התאמה מדויקת לערכי מסננים.
    • חיפוש לא מדויק: יוצר קבוצה של מונחי חיפוש על סמך קלט של המשתמש ובודק אם הם קיימים במאפיין כדי למצוא ערכי סינון מתאימים. גם נתונים לדוגמה וגם חיפוש לא מדויק משתמשים ב-API של Looker להצעות, ולכן הם מושפעים מפרמטרים של LookML כמו suggestions, ‏ suggest_explore ו-suggest_dimension.
  • ניתוח: אחרי ש-Looker מריץ את השאילתות, התכונה 'ניתוח נתונים בשיחה' מנתחת את תוצאות השאילתות כדי לענות על שאלות של משתמשים. הניתוח השיחתי יכול לנתח את התוצאות 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 השאילתה.

המודל הסמנטי של Looker מאפשר ל-Conversational Analytics לגשת לנתונים מפלטפורמות שונות, כמו BigQuery, ‏ AlloyDB, ‏ Redshift, ‏ Snowflake ו-Databricks, בלי להבין את המורכבות של הנתונים הבסיסיים. בנוסף, הוא מבטיח שכל התשובות יהיו עקביות ומנוהלות.

איך פועלים סוכני נתונים לניתוח נתונים בשיחה?

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

סוכן הנתונים צריך לקבוע לפי השאילתה שלכם אילו שדות LookML לבחור ואילו מסננים, מיונים או מגבלות 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, בשאילתה "כמה עסקאות חדשות ביצענו?", סוכן נתונים יכול למפות את "עסקאות חדשות" למדד שמחשב את ההכנסה החודשית החוזרת. לשאילתה "מי הלקוחות המובילים שלנו?", סוכן נתונים יוכל למפות את המילה "מובילים" למספר שימושים ואת המילה "לקוחות" למאפיין שנקרא שם הלקוח.
  2. מיפוי ערכי שדות: הנציג מחפש נקודות ספציפיות על הגרף – לדוגמה, "California" או "Slim-fit Jeans" – באמצעות כלים מיוחדים לדגימת הנתונים או לביצוע חיפושים לא מדויקים. לדוגמה, אם משתמש מבקש "ג'ינס", הסוכן יכול להפעיל חיפוש לא מדויק בשדה שם המוצר כדי למצוא את ההתאמות המדויקות למחרוזת במסד הנתונים. אם משתמש מחפש "NY", האם זה השדה עיר או השדה מדינה? יכול להיות שהנציג יצטרך לדגום את הנתונים כדי לראות איזה שדה מכיל את הערך "NY" או לשאול שאלה כדי להבהיר את הבקשה.
  3. דוגמאות לשאילתות: כדי לשפר את הדיוק של תשובות לשאילתות נפוצות או קריטיות, אתם יכולים לספק בהקשר של סוכן הנתונים דוגמאות ספציפיות של שאלות ותשובות. הדוגמאות האלה נקראות שאילתות מאומתות, והן ידועות גם בשם שאילתות לדוגמה.

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

מידע נוסף על האופן שבו הסוכן משתמש ב-LookML זמין בדף התיעוד שיטות מומלצות להגדרת ניתוח נתונים של שיחות ב-Looker.

מגבלות ידועות

אלה המגבלות הידועות של נציגים בלוח הבקרה של Conversational Analytics:

  • אין תמיכה ב-Advanced Analytics לסוכני לוחות בקרה.
  • הסוכנים של מרכז הבקרה מקבלים בירושה את מודל השיתוף של מרכז הבקרה. הגישה לסוכן כפופה לגישה למרכז הבקרה הבסיסי.
  • אי אפשר לשנות את ההקשר או את ההוראות של סוכנים במרכזי שליטה של LookML.

מגבלות על ויזואליזציות

כדי ליצור תרשימים של שיחות, הכלי Conversational Analytics משתמש ב-Vega-lite. יש תמיכה מלאה בסוגי התרשימים הבאים של Vega:

  • תרשים קו (סדרה אחת או יותר)
  • תרשים שטח
  • תרשים עמודות (אופקי, אנכי, מקובץ)
  • תרשים פיזור (קבוצה אחת או יותר)
  • תרשים עוגה

אלה סוגי התרשימים של Vega שנתמכים, אבל יכול להיות שתיתקלו בהתנהגות לא צפויה כשתעבדו אותם:

  • מפות
  • מפות חום
  • תרשימים עם הסברים קצרים

אין תמיכה בסוגי תרשימים שלא מופיעים בקטלוג Vega. תרשימים שלא מצוינים בקטע הזה לא נתמכים.

מגבלות על מקורות נתונים

למקורות הנתונים ב-Conversational Analytics יש את המגבלות הבאות:

  • בניתוח נתונים באמצעות שיחה אפשר לקבל עד 50,000 שורות לכל שאילתה.
  • אי אפשר להגדיר ב-Conversational Analytics את הערך של שדה לסינון בלבד שהוגדר באמצעות הפרמטרים parameter או filter של LookML.

מגבלות על שאלות

אפשר לשאול שאלות שאפשר לענות עליהן באמצעות תרשים אחד, לדוגמה:

  • מגמות של המדדים לאורך זמן
  • פירוט או התפלגות של המדדים לפי מאפיין
  • ערכים ייחודיים של אחד או כמה מהמאפיינים
  • ערכים של מדד מסוים
  • הערכים של המאפיינים הבולטים לפי מדד

בשלב הזה, ניתוח נתונים בממשק שיחה לא תומך בשאלות שאפשר לענות עליהן רק באמצעות סוגי התרשימים המורכבים הבאים:

  • חיזוי
  • ניתוח סטטיסטי מתקדם, כולל זיהוי אנומליות ומתאמים

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 בארגון כדי לבדוק אם פתרונות התאימות של Gemini for Google Cloudעונים על הצרכים של הארגון.

במכונות של Looker (Google Cloud core), כל חבילת אמצעי בקרה של Assured Workloads שתהיה זמינה תוסיף את התכונות של Gemini ב-Looker להצעות שמוגדרות כברירת מחדל, בהתאם לדרישות ולתהליכים של החבילה הזו. הניתוח של שיחות ב-Looker פועל בהתאם ליכולות התאימות של המכונה המשויכת של Looker (Google Cloud core), למעט החריג הבא:

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

עמידה בדרישות באיחוד האירופי

עיבוד מקומי זמין ללקוחות באיחוד האירופי (EU) עם מכונות של Looker (מקורי) או Looker (Google Cloud core) שפועלות בגרסה 26.10 ואילך של Looker. האפשרות הזו מפעילה עיבוד נתונים בסמכות השיפוט של האיחוד האירופי, ומאפשרת לנתב את התנועה של ניתוח הנתונים בשיחה של Looker דרך נקודת קצה בכמה אזורים באיחוד האירופי. כך אפשר לוודא שנתוני הלקוחות באיחוד האירופי מעובדים באיחוד האירופי.

העיבוד המקומי חל על כל התכונות של Conversational Analytics in Looker ועל כל נקודות הקצה של Conversational Analytics ב-Looker API. הוא לא חל על Conversational Analytics API.

שליחת משוב

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

  • thumb_up תשובה טובה: מציינים שהתשובה הייתה מועילה.
  • thumb_down תשובה לא טובה: כדי לציין שהתשובה לא הייתה מועילה.