Visão geral das Análises de Conversação no Looker

Análises de conversação é um recurso de conversa com seus dados que é alimentado por Gemini para Google Cloud. Com base na camada de modelagem semântica do Looker, as Análises de conversação permitem que os usuários da sua organização façam perguntas relacionadas a dados em linguagem natural (conversacional) para BI de autoatendimento governado e confiável. Essa abordagem acelera a adoção de análises em toda a organização, oferecendo governança e segurança de nível empresarial.

As Análises de conversação estão disponíveis nas instâncias do Looker (Google Cloud Core) e do Looker (original).

Saiba como e quando o Gemini para Google Cloud usa seus dados.

Principais recursos

Análises de conversação inclui os seguintes recursos principais:

  • Conversar com uma análise do Looker: converse em linguagem natural com os dados da análise do Looker ou com um agente de dados personalizado em uma instância do Looker (original) ou do Looker (Google Cloud Core). Você pode conversar com até cinco análises por vez.
  • Criar e gerenciar agentes de dados: com os agentes de dados, você pode personalizar o agente de consulta de dados com tecnologia de IA fornecendo contexto e instruções específicas para seus dados, o que ajuda o agente de dados a gerar respostas mais precisas e contextualmente relevantes. Você também pode compartilhar seus agentes de dados com outros usuários para que eles possam fazer perguntas com o mesmo contexto. É possível conectar o agente a até cinco análises.
  • Análises avançadas com o intérprete de código [versão prévia]: o intérprete de código nas Análises de conversação traduz suas perguntas em linguagem natural para código Python e executa esse código. Em comparação com as consultas padrão baseadas em SQL, o uso do Python pelo intérprete de código permite análises e visualizações mais complexas.
  • Incorporar Análises de conversação em um site ou aplicativo: você pode incorporar Análises de conversação em um site ou aplicativo usando uma tag de iframe HTML, assim como outros tipos de conteúdo do Looker. As Análises de conversação oferecem suporte à incorporação particular, em que os usuários são autenticados usando o login do Looker, e à incorporação assinada, em que os usuários são autenticados pelo seu próprio aplicativo.

Como as Análises de conversação funcionam?

Análises de conversação usa o Gemini para Google Cloud interpretar perguntas em linguagem natural e fornecer respostas com base nos seus dados no Looker. Ela usa o modelo semântico do Looker (as definições LookML dos seus dados) como fonte de verdade para garantir que as respostas sejam precisas e consistentes. Análises de conversação podem interpretar suas definições de negócios para métricas como "receita" ou "desistência de usuários" porque elas são definidas no LookML, usando essas definições para fornecer perguntas precisas e consistentes.

Para embasar as respostas nos seus dados específicos e contexto de negócios, as Análises de conversação usam várias técnicas:

  • Esquema LookML: no início de uma solicitação, a Análise de conversação busca o esquema das Análises conectadas a ela. As Análises de conversação usam parâmetros do modelo LookML de várias maneiras:
    • Identificação de campo: os metadados do esquema ajudam a Análises de conversação a se concentrar nos campos relevantes. Esses metadados incluem parâmetros LookML, como name, label, description, type e dimension_group. Esses parâmetros ajudam as Análises de conversação a mapear termos em perguntas do usuário para os campos corretos. Por exemplo, description pode fornecer terminologia ou contexto específico da empresa para um campo.
    • Formatação de resposta: Análises de conversação usa parâmetros label para nomear campos de maneira fácil para o usuário e parâmetros value_format para formatar dados em respostas.
  • Geração de consultas: em vez de consultar seu banco de dados diretamente, a Análise de conversação determina quais campos, filtros, classificações e limites devem ser usados na consulta. Em seguida, o Looker compõe e executa a consulta usando o modelo LookML subjacente. Esse processo é semelhante à forma como um usuário interage com uma interface de Análise. As Análises de conversação não precisam entender a lógica de junção complexa ou as definições de campo porque o Looker processa a composição de consultas com base no modelo LookML. A geração de consultas garante que todas as consultas sigam a lógica de junção, filtragem, agregação e permissões de dados definidas no modelo LookML. Para gerar consultas, as Análises de conversação precisam determinar os valores corretos a serem usados nos filtros. Esses valores precisam ser correspondências exatas de valores nos dados subjacentes ou expressões de filtro mais avançadas, como curingas. Para resolver discrepâncias entre os valores que o usuário inclui nas perguntas em linguagem natural e os valores exatos que podem ser exigidos por um filtro, as Análises de conversação usam valores definidos com allowed_value em parameter campos e podem usar ferramentas para verificar valores específicos em campos:
    • Dados de amostra: retorna até 100 valores de um campo para ajudar as Análises de conversação a aprender padrões ou encontrar uma correspondência exata para valores de filtro.
    • Pesquisa aproximada: gera um conjunto de termos de pesquisa com base na entrada do usuário e verifica a presença deles em uma dimensão para encontrar valores de filtro adequados. Os dados de amostra e a pesquisa aproximada usam a API de sugestão do Looker e, portanto, são influenciados por parâmetros LookML, como suggestions, suggest_explore, e suggest_dimension.
  • Análise: depois que o Looker executa as consultas, as Análises de conversação analisam os resultados da consulta para responder às perguntas do usuário. Análises de conversação podem analisar os resultados de uma ou mais das seguintes maneiras:
    • Ela usa os recursos integrados do Gemini para interpretar e resumir os resultados.
    • Ela usa a execução de código Python pelo intérprete de código para realizar mais análises nos resultados.
    • Ela cria visualizações com base nos resultados da consulta.

Ao aproveitar o modelo semântico do Looker, as Análises de conversação fornecem acesso a dados de várias plataformas, como BigQuery, AlloyDB, Redshift, Snowflake e Databricks, sem precisar entender a complexidade dos dados subjacentes, e garante que todas as respostas sejam consistentes e governadas.

Como os agentes de dados de Análises de conversação funcionam?

Um agente de dados de Análises de conversação baseia as respostas em duas entradas principais: o esquema LookML da sua instância, definido por um desenvolvedor do Looker, e as instruções do agente, que você escreve ao criar o agente.

Na sua consulta, um agente de dados precisa determinar quais campos LookML selecionar e quais filtros, classificações ou limites aplicar. Para fazer isso com precisão, ele mapeia a linguagem natural na sua consulta para as próprias instruções do agente e o esquema LookML dos dados das seguintes maneiras:

  1. Mapeamento de termos semânticos: os usuários costumam usar jargões de negócios nas perguntas. O agente usa as instruções do agente e os metadados do campo LookML para interpretar sua consulta. Por exemplo, para a consulta "Quanto de novos negócios fizemos?", um agente de dados poderá mapear "novos negócios" para uma medida que calcula a receita recorrente mensal. Para a consulta "Quem são nossos principais clientes?", um agente de dados poderá mapear "principais" para uma contagem de uso e "clientes" para uma dimensão chamada Nome do cliente.
  2. Mapeamento de valores de campo: o agente procura pontos de dados específicos, por exemplo, "Califórnia" ou "Calças jeans slim", usando ferramentas especializadas para amostrar os dados ou realizar pesquisas aproximadas. Por exemplo, se um usuário pedir "calças jeans", o agente poderá acionar uma pesquisa aproximada no campo Nome do produto para encontrar as correspondências exatas de string no seu banco de dados. Se um usuário pedir "NY", esse é o campo Cidade ou um campo Estado? O agente pode precisar amostrar os dados para ver qual campo contém "NY" ou fazer uma pergunta para esclarecer.
  3. Refinamento com exemplos de consultas: você pode fornecer exemplos específicos de perguntas e respostas, chamados de "consultas de ouro", nas instruções do agente de dados para melhorar a precisão de consultas comuns ou críticas.

Em seguida, o Looker usa as definições LookML desses campos e outras lógicas definidas na análise, incluindo definições de campo, concessões de acesso ou atributos do usuário, ou lógica complexa de Liquid ou junção, para compor a consulta enviada ao banco de dados. Como o agente não está escrevendo toda a consulta SQL, ele não precisa "entender" os dados e pode operar com mais precisão e determinismo.

Agentes de dados x conversas

A criação de um agente de dados oferece várias vantagens importantes em relação a uma conversa padrão com uma única análise. Embora iniciar uma conversa em uma análise permita consultas rápidas em linguagem natural dessa fonte de dados específica, um agente de dados funciona como um analista independente especializado que pode ser personalizado e compartilhado em toda a organização.

Os agentes de dados oferecem a seguinte vantagem em relação às conversas com análises:

  • Conversar com várias análises: em uma conversa com uma análise, você está limitado a consultar uma análise por vez. No entanto, um agente de dados pode se conectar a até cinco análises distintas, permitindo que os usuários realizem análises entre domínios e recebam respostas mais abrangentes.
  • Contexto criado: você pode fornecer ao agente de dados instruções personalizadas que não estão disponíveis em uma conversa de análise padrão, incluindo os seguintes recursos:
    • Consultas de ouro: você pode fornecer ao agente pares de perguntas em linguagem natural e consultas verificadas do Looker para ancorar padrões de negócios comuns e reduzir significativamente a ambiguidade do modelo.
    • Glossários de negócios: você pode definir jargões ou acrônimos específicos da organização diretamente nas instruções do agente.
    • Estrutura de persona: você pode atribuir uma função ou especialização específica ao agente, definindo um tom consistente e um julgamento profissional para a conversa.
  • Especialização do agente: em vez de usar a interface genérica única de uma conversa, você pode criar agentes especializados para diferentes unidades de negócios, como um agente de receita ou um agente de operações. Isso permite uma experiência de análise mais orientada, direcionando os usuários para os campos e filtros mais relevantes para as necessidades deles.
  • Colaboração e reutilização: as conversas de análise geralmente são limitadas a um usuário, enquanto os agentes de dados podem ser compartilhados com outros membros da sua organização. O compartilhamento garante que vários usuários possam se beneficiar do mesmo contexto e governança criados por um administrador ou especialista em dados.
  • Comportamento personalizado: você pode configurar o agente para operar dentro de requisitos rigorosos, como usar filtros padrão , por exemplo, "sempre usar os últimos seis meses como padrão se nenhum período for mencionado". Essas proteções garantem que o agente opere dentro dos padrões específicos de governança e segurança da sua organização. Também é possível ocultar campos em análises para impedir que o agente de dados os use em consultas.

Lista de documentação

Entender os recursos de compliance do Gemini no Looker

Análises de conversação ainda não estão incluídas nos limites de autorização do FedRAMP de nível alto ou médio. Antes de ativar a configuração Gemini no Looker para sua instância do Looker, discuta com o órgão autorizador se as ofertas de compliance do Gemini para Google Cloudatendem às necessidades da sua organização.

Para instâncias do Looker (Google Cloud Core), cada pacote de controle do Assured Workloads que ficar disponível vai adicionar os recursos do Gemini no Looker como ofertas padrão à medida que os requisitos e processos de mudança desse pacote forem atendidos. As Análises de conversação no Looker respeitam os recursos de compliance da instância associada do Looker (Google Cloud Core), com a seguinte exceção:

O suporte à residência de dados (DRZ, na sigla em inglês), especificamente para dados em repouso, está disponível para todos os clientes do Looker. Todos os dados em repouso associados às Análises de conversação residem estritamente na instância do Looker e são confinados a uma única região. Os dados em trânsito podem ser processados usando um serviço global.

Enviar feedback

Você pode enviar feedback ao Google sobre respostas individuais nas Análises de conversação selecionando uma das seguintes opções:

  • thumb_up Boa resposta: indica que a resposta foi útil.
  • thumb_down Resposta ruim: indica que a resposta não foi útil.