Looker の会話分析の概要

会話型分析は、Gemini for Google Cloud を活用したデータとチャットする機能です。Looker のセマンティック モデリング レイヤを基盤とする会話型分析により、組織内のユーザーは、管理された信頼できるセルフサービス BI を実現するために、データに関する質問を通常の自然言語（会話型言語）で行うことができます。このアプローチは、エンタープライズ グレードのガバナンスとセキュリティを提供することで、組織全体での分析の導入を促進します。

会話型分析は、Looker（Google Cloud コア）インスタンスと Looker（オリジナル）インスタンスの両方で使用できます。

Gemini for がデータを使用する方法とタイミングに関する説明をご覧ください。 Google Cloud

主な機能

会話型分析には、次の主な機能が含まれています。

  • Looker Explore との会話: Looker（オリジナル）インスタンスまたは Looker（Google Cloud コア）インスタンス内の Looker Explore データまたはカスタム データ エージェントと自然言語で会話します。一度に最大 5 つの Explore と会話できます。
  • データ エージェントの作成と管理: データ エージェントを使用すると、データに固有のコンテキストと手順を提供することで、AI を活用したデータクエリ エージェントをカスタマイズできます。これにより、データ エージェントはより正確でコンテキストに関連性の高いレスポンスを生成できます。データ エージェントを他のユーザーと共有して、同じコンテキストで質問できるようにすることもできます。エージェントは最大 5 つの Explore に接続できます。
  • **コード インタープリタによる高度な分析** [プレビュー]: 会話型分析内のコード インタープリタは、自然言語の質問を Python コードに変換して実行します。標準の SQL ベースのクエリと比較して、コード インタープリタで Python を使用すると、より複雑な分析と可視化が可能になります。
  • ウェブサイトまたはアプリケーションへの会話型分析の埋め込み: 他の Looker コンテンツ タイプと同様に、HTML iframe タグを使用して、会話型分析をウェブサイトまたはアプリケーションに埋め込むことができます。会話型分析は、ユーザーが Looker ログインを使用して認証されるプライベート埋め込みと、ユーザーが独自のアプリケーションを介して認証される署名付き埋め込みの両方をサポートしています。

会話型分析の仕組み

会話型分析は、Gemini for Google Cloud を使用して自然言語の質問を解釈し、Looker のデータに基づいて回答を提供します。Looker セマンティック モデル（データの LookML 定義）を信頼できる唯一の情報源として使用し、レスポンスの正確性と一貫性を確保します。会話型分析では、LookML で定義されている「収益」や「離脱」などの指標のビジネス定義を解釈し、これらの定義を使用して正確で一貫性のある質問を提供できます。

会話型分析では、レスポンスを特定のデータとビジネス コンテキストに基づいて行うために、次の手法を使用します。

  • LookML スキーマ: リクエストの開始時に、会話型分析は接続されている Explore からスキーマを取得します。会話型分析では、LookML モデルのパラメータを次の方法で使用します。
    • フィールドの識別: スキーマのメタデータは、会話型分析が関連するフィールドに絞り込むのに役立ちます。このメタデータには、name、label、description、type、dimension_group などの LookML パラメータが含まれます。これらのパラメータは、会話型分析がユーザーの質問の用語を正しいフィールドにマッピングするのに役立ちます。たとえば、description は、フィールドのビジネス固有の用語やコンテキストを提供できます。
    • レスポンスのフォーマット: 会話型分析では、ユーザー フレンドリーなフィールド名に label パラメータを使用し、レスポンスのデータのフォーマットに value_format パラメータを使用します。
  • クエリの生成: 会話型分析では、データベースに直接クエリを実行するのではなく、クエリで使用するフィールド、フィルタ、並べ替え、上限を決定します。次に、Looker は基盤となる LookML モデルを使用してクエリを作成して実行します。このプロセスは、ユーザーが Explore インターフェースを操作する方法と似ています。Looker は LookML モデルに基づいてクエリを作成するため、会話型分析で複雑な結合ロジックやフィールド定義を理解する必要はありません。クエリの生成により、すべてのクエリが LookML モデルで定義されている結合ロジック、フィルタリング、集計、データ権限に準拠します。クエリを生成するには、会話型分析でフィルタで使用する正しい値を決定する必要があります。これらの値は、基盤となるデータの値と完全に一致するか、ワイルドカードなどの高度なフィルタ式である必要があります。ユーザーが自然言語の質問に含める値と、フィルタに必要な正確な値との間の不一致を解決するために、会話型分析では allowed_value で定義された値を parameter フィールドで使用し、ツールを使用してフィールド内の特定の値を確認できます:
    • サンプルデータ: フィールドから最大 100 個の値を返して、会話型分析がパターンを学習したり、フィルタ値の完全一致を見つけたりできるようにします。
    • あいまい検索: ユーザー入力に基づいて検索語句のセットを生成し、ディメンションに存在するかどうかを確認して、適切なフィルタ値を検索します。 サンプルデータとあいまい検索の両方で Looker の提案 API が使用されるため、suggestions、suggest_explore、suggest_dimension などの LookML パラメータの影響を受けます。
  • 分析: Looker がクエリを実行すると、会話型分析はクエリ結果を分析してユーザーの質問に回答します。会話型分析では、次の 1 つ以上の方法で結果を分析できます。
    • 組み込みの Gemini 機能を使用して、結果を解釈して要約します。
    • コード インタープリタを介して Python コードを実行し、結果をさらに分析します。
    • クエリ結果に基づいて可視化を作成します。

会話型分析は Looker セマンティック モデルを活用することで、基盤となるデータの複雑さを理解することなく、BigQuery、AlloyDB、Redshift、Snowflake、Databricks などのさまざまなプラットフォームのデータにアクセスできます。また、すべてのレスポンスの一貫性と管理を確保します。

会話型分析データ エージェントの仕組み

会話型分析データ エージェントは、Looker デベロッパーが定義するインスタンスの LookML スキーマと、エージェントの作成時に記述するエージェント手順という 2 つの主要な入力に基づいてレスポンスを生成します。

クエリから、データ エージェントは選択する LookML フィールドと、適用するフィルタ、並べ替え、上限を決定する必要があります。これを正確に行うために、クエリの自然言語を独自のエージェント手順とデータの LookML スキーマに次の方法でマッピングします。

  1. セマンティック用語のマッピング: ユーザーは質問でビジネス専門用語を使用することがよくあります。エージェントは、エージェント手順と LookML フィールドのメタデータを使用してクエリを解釈します。 たとえば、「新規ビジネスの売上はいくらですか？」というクエリの場合、データ エージェントは「新規ビジネス」を月次経常収益を計算する指標にマッピングできます。「主要なお客様は？」というクエリの場合、データ エージェントは「上位」を使用回数に、「お客様」を顧客名 というディメンションにマッピングできます。
  2. フィールド値のマッピング: エージェントは、専用ツールを使用してデータをサンプリングするか、あいまい検索を実行して、「カリフォルニア」や「スリムフィット ジーンズ」などの特定のデータポイントを検索します。 たとえば、ユーザーが「ジーンズ」をリクエストした場合、エージェントは 商品名 フィールドであいまい検索をトリガーして、データベース内の完全一致する文字列を検索します。ユーザーが「NY」をリクエストした場合、それは 市区町村 フィールドですか、それとも 都道府県 フィールドですか？エージェントは、どのフィールドに「NY」が含まれているかを確認するためにデータをサンプリングするか、確認のための質問をする必要がある場合があります。
  3. クエリの例による絞り込み: データ エージェントの手順で、特定の質問と回答の例（「ゴールデン クエリ」）を指定して、一般的なクエリや重要なクエリの精度を向上させることができます。

次に、Looker は、これらのフィールドの LookML 定義と、フィールド定義、アクセス権の付与またはユーザー属性、複雑なLiquidロジックまたは結合ロジックなど、Explore で定義されている他のロジックを使用して、データベースに送信されるクエリを作成します。エージェントは SQL クエリ全体を作成しないため、データを「理解」する必要がなく、より正確かつ確定的に動作できます。

データ エージェントと会話の違い

データ エージェント を作成すると、単一の Explore との標準的な会話を行うよりも、いくつかの重要なメリットがあります。Explore から会話を開始すると、特定のデータソースに対して自然言語でクエリをすばやく実行できますが、データ エージェントは、組織全体でカスタマイズして共有できる、専門のスタンドアロン アナリストとして機能します。

データ エージェントは、Explore との会話よりも次の利点があります。

  • 複数の Explore とのチャット: Explore との会話では、一度に 1 つの Explore に対してのみクエリを実行できます。ただし、データ エージェントは最大で 5 つの異なる Explore に接続できるため、ユーザーはクロスドメイン分析を実行して、より包括的な回答を得ることができます。
  • 作成されたコンテキスト: 標準の Explore 会話では使用できない カスタム手順 をデータ エージェントに提供できます。これには、次のリソースが含まれます:
    • ゴールデン クエリ: 一般的なビジネス パターンを固定し、モデルの曖昧さを大幅に軽減するために、自然言語の質問と検証済みの Looker クエリのペアをエージェントに提供できます。
    • ビジネス用語集: 組織固有の専門用語や頭字語をエージェントの手順内で直接定義できます。
    • ペルソナ フレームワーク: エージェントに特定のロールまたは専門知識を割り当てて、会話の一貫したトーンと専門的な判断を設定できます。
  • エージェントの専門化: 会話の単一の汎用インターフェースを使用するのではなく、**収益エージェント** や **Ops エージェント** など、さまざまなビジネスユニット専用のエージェントを作成できます。これにより、よりガイド付きの分析エクスペリエンスが可能になり、ユーザーはニーズに最も関連性の高い特定のフィールドとフィルタに誘導されます。
  • コラボレーションと再利用: Explore の会話は通常 1 人のユーザーに限定されますが、データ エージェントは組織の他のメンバーと 共有 できます。共有により、複数のユーザーが管理者またはデータ エキスパートによって開発された同じ作成済みコンテキストとガバナンスを利用できます。
  • カスタム動作: エージェントが厳格な要件内で動作するように構成できます。たとえば、「期間が指定されていない場合は、常に過去 6 か月をデフォルトにする」などの デフォルト フィルタ を使用します。これらのガードレールにより、エージェントは組織固有のガバナンスとセキュリティ標準内で動作します。Explore でフィールドを非表示にして、データ エージェントがクエリで使用できないようにすることもできます。

ドキュメントのリスト

Gemini in Looker 機能のコンプライアンス機能について

会話型分析は、FedRAMP High または FedRAMP Medium の認可境界にはまだ含まれていません。Looker インスタンスで Gemini in Looker 設定を有効にする前に、Gemini for Google Cloud's のコンプライアンス サービスが組織のニーズを満たしているかどうかを認可機関と話し合ってください。

Looker（Google Cloud コア）インスタンスの場合、利用可能になる Assured Workloads の各コントロール パッケージは、そのパッケージの変更要件とプロセスが満たされると、Gemini in Looker 機能がデフォルトのサービスとして追加されます。Looker の会話型分析は、関連付けられた Looker（Google Cloud コア）インスタンスのコンプライアンス機能を尊重します。ただし、次の例外があります。

データ所在地（DRZ）のサポート（特に保存データの場合）は、すべての Looker ユーザーが利用できます。会話型分析に関連付けられているすべての保存データは、Looker インスタンス内に厳密に存在し、単一のリージョンに限定されます。転送中のデータは、グローバル サービスを使用して処理される場合があります。

フィードバックを送信

会話型分析の個々のレスポンスについて Google にフィードバックを送信するには、次のいずれかのオプションを選択します。

  • thumb_up 良い回答: 回答が役に立ったことを示します。
  • thumb_down 悪い回答: 回答が役に立たなかったことを示します。