Konversationelle Analyse in Looker – Übersicht

Konversationelle Analyse ist eine auf Gemini für Google Cloudbasierende Funktion, mit der Sie Ihre Daten per Chat abfragen können. Die konversationelle Analyse basiert auf der semantischen Modellierungsebene von Looker und ermöglicht es Nutzern in Ihrer Organisation, Fragen zu Daten in natürlicher Sprache zu stellen, um geregelte, vertrauenswürdige Self-Service-BI zu nutzen. Dieser Ansatz beschleunigt die Einführung von Analysen in Ihrer gesamten Organisation, da er Governance und Sicherheit auf Unternehmensniveau bietet.

Die konversationelle Analyse ist sowohl in Looker (Google Cloud Core)- als auch in Looker-Instanzen (Original) verfügbar.

Weitere Informationen dazu, wie und wann Gemini forIhre Daten verwendet. Google Cloud

Wichtige Features

Die konversationelle Analyse umfasst die folgenden Hauptfunktionen:

  • Mit einem Looker-Explore interagieren: Sie können in natürlicher Sprache mit Looker-Explore-Daten oder mit einem benutzerdefinierten Daten-KI-Agenten in einer Looker-Instanz (Original) oder einer Looker (Google Cloud Core)-Instanz interagieren. Sie können gleichzeitig mit bis zu fünf Explores interagieren.
  • Daten-KI-Agenten erstellen und verwalten: Mit Daten-KI-Agenten können Sie den KI-gestützten Datenabfrage-Agenten anpassen, indem Sie Kontext und Anweisungen bereitstellen, die speziell auf Ihre Daten zugeschnitten sind. So kann der Daten-KI-Agent genauere und kontextbezogenere Antworten generieren. Sie können Ihre Daten-KI-Agenten auch für andere Nutzer freigeben, damit diese Fragen mit demselben Kontext stellen können. Sie können Ihren Agenten mit bis zu fünf Explores verbinden.
  • Erweiterte Analysen mit dem Code Interpreter [Vorschau]: Der Code Interpreter in der konversationellen Analyse übersetzt Ihre Fragen in natürlicher Sprache in Python-Code und führt diesen Code aus. Im Vergleich zu standardmäßigen SQL-basierten Abfragen ermöglicht die Verwendung von Python durch den Code Interpreter komplexere Analysen und Visualisierungen.
  • Konversationelle Analyse in eine Website oder Anwendung einbetten: Sie können die konversationelle Analyse mit einem HTML-iFrame-Tag in eine Website oder Anwendung einbetten, genau wie bei anderen Looker-Inhaltstypen. Die konversationelle Analyse unterstützt sowohl die private Einbettung, bei der Nutzer mit ihren Looker-Anmeldedaten authentifiziert werden, als auch die signierte Einbettung, bei der Nutzer über Ihre eigene Anwendung authentifiziert werden.

Wie funktioniert die konversationelle Analyse?

Die konversationelle Analyse verwendet Gemini für Google Cloud , um Fragen in natürlicher Sprache zu interpretieren und Antworten basierend auf Ihren Daten in Looker zu geben. Als Quelle der Wahrheit dient das semantische Modell von Looker, also die LookML-Definitionen Ihrer Daten, um sicherzustellen, dass die Antworten korrekt und konsistent sind. Die konversationelle Analyse kann Ihre Geschäftsdefinitionen für Messwerte wie „Umsatz“ oder „Abwanderung“ interpretieren, da sie in LookML definiert sind. Anhand dieser Definitionen werden genaue und konsistente Fragen gestellt.

Um die Antworten auf Ihre spezifischen Daten und den Geschäftskontext zu stützen, verwendet die konversationelle Analyse verschiedene Techniken:

  • LookML-Schema: Zu Beginn einer Anfrage ruft die konversationelle Analyse das Schema aus den Explores ab, mit denen sie verbunden ist. Die konversationelle Analyse verwendet Parameter aus dem LookML-Modell auf verschiedene Weise:
    • Feldidentifizierung: Metadaten aus dem Schema helfen der konversationellen Analyse, relevante Felder zu finden. Diese Metadaten umfassen LookML-Parameter wie name, label, description, type und dimension_group. Mithilfe dieser Parameter kann die konversationelle Analyse Begriffe in Nutzerfragen den richtigen Feldern zuordnen. description kann beispielsweise geschäftsspezifische Terminologie oder Kontext für ein Feld liefern.
    • Antwortformatierung: Die konversationelle Analyse verwendet label Parameter für benutzerfreundliche Feldnamen und value_format Parameter zum Formatieren von Daten in Antworten.
  • Abfragegenerierung: Anstatt Ihre Datenbank direkt abzufragen, bestimmt die konversationelle Analyse, welche Felder, Filter, Sortierungen und Grenzwerte in der Abfrage verwendet werden sollen. Looker erstellt und führt dann die Abfrage mit dem zugrunde liegenden LookML-Modell aus. Dieser Vorgang ähnelt der Interaktion eines Nutzers mit einer Explore-Oberfläche. Die konversationelle Analyse muss keine komplexe Join-Logik oder Felddefinitionen verstehen, da Looker die Abfrage auf Grundlage des LookML-Modells erstellt. Die Abfragegenerierung stellt sicher, dass alle Abfragen der Join-Logik, Filterung, Aggregation und den Datenberechtigungen entsprechen, die in Ihrem LookML-Modell definiert sind. Um Abfragen zu generieren, muss die konversationelle Analyse die richtigen Werte für die Filter bestimmen. Diese Werte müssen genau mit den Werten in den zugrunde liegenden Daten übereinstimmen oder erweiterte Filterausdrücke wie Platzhalter sein. Um Diskrepanzen zwischen den Werten, die der Nutzer in seinen Fragen in natürlicher Sprache verwendet, und den genauen Werten, die für einen Filter erforderlich sind, zu beheben, verwendet die konversationelle Analyse Werte, die mit allowed_value in parameter-Feldern definiert sind. Außerdem können Tools verwendet werden, um nach bestimmten Werten in Feldern zu suchen:
    • Beispieldaten: Gibt bis zu 100 Werte aus einem Feld zurück, damit die konversationelle Analyse Muster erkennen oder eine genaue Übereinstimmung für Filterwerte finden kann.
    • Fuzzy-Suche: Generiert eine Reihe von Suchbegriffen basierend auf der Nutzereingabe und sucht in einer Dimension nach diesen Begriffen, um geeignete Filterwerte zu finden. Sowohl Beispieldaten als auch die Fuzzy-Suche verwenden die Vorschlags-API von Looker und werden daher von LookML-Parametern wie suggestions, suggest_explore, and suggest_dimension beeinflusst.
  • Analyse: Nachdem Looker die Abfragen ausgeführt hat, analysiert die konversationelle Analyse die Abfrageergebnisse, um Nutzerfragen zu beantworten. Die konversationelle Analyse kann Ergebnisse auf eine oder mehrere der folgenden Arten analysieren:
    • Sie verwendet integrierte Gemini-Funktionen, um Ergebnisse zu interpretieren und zusammenzufassen.
    • Sie verwendet die Python-Codeausführung über den Code Interpreter, um weitere Analysen der Ergebnisse durchzuführen.
    • Sie erstellt Visualisierungen basierend auf den Abfrageergebnissen.

Durch die Nutzung des semantischen Modells von Looker bietet die konversationelle Analyse Zugriff auf Daten aus verschiedenen Plattformen wie BigQuery, AlloyDB, Redshift, Snowflake und Databricks, ohne dass die zugrunde liegende Datenkomplexität verstanden werden muss. Außerdem wird sichergestellt, dass alle Antworten konsistent und geregelt sind.

Wie funktionieren Daten-KI-Agenten für die konversationelle Analyse?

Die Antworten eines Daten-KI-Agenten für die konversationelle Analyse basieren auf zwei primären Eingaben: dem LookML-Schema Ihrer Instanz, das von einem Looker-Entwickler definiert wird, und den Agentenanweisungen, die Sie beim Erstellen des Agenten verfassen.

Aus Ihrer Abfrage muss ein Daten-KI-Agent ermitteln, welche LookML-Felder ausgewählt und welche Filter, Sortierungen oder Grenzwerte angewendet werden sollen. Dazu ordnet er die natürliche Sprache in Ihrer Abfrage auf folgende Weise seinen eigenen Agentenanweisungen und dem LookML-Schema der Daten zu:

  1. Semantische Begriffe zuordnen: Nutzer verwenden in ihren Fragen oft Fachbegriffe. Der Agent verwendet Ihre Agentenanweisungen und die LookML-Feldmetadaten, um Ihre Abfrage zu interpretieren. Bei der Abfrage „Wie viel Neugeschäft haben wir gemacht?“ könnte ein Daten-KI-Agent beispielsweise „Neugeschäft“ einem Messwert zuordnen, der den monatlichen wiederkehrenden Umsatz berechnet. Bei der Abfrage „Wer sind unsere Top-Kunden?“ könnte ein Daten-KI-Agent „Top“ einer Nutzungsanzahl und „Kunden“ einer Dimension namens Customer Name (Kundenname) zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht nach bestimmten Datenpunkten, z. B. „Kalifornien“ oder „Slim-Fit-Jeans“, und verwendet dazu spezielle Tools, um Daten zu erfassen oder Fuzzy-Suchen durchzuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ fragt, kann der Agent eine Fuzzy-Suche im Feld Product Name (Produktname) auslösen, um die genauen String-Übereinstimmungen in Ihrer Datenbank zu finden. Wenn ein Nutzer nach „NY“ fragt, bezieht sich das auf das Feld City (Stadt) oder State (Bundesstaat)? Der Agent muss möglicherweise Daten erfassen, um zu sehen, in welchem Feld „NY“ enthalten ist, oder eine klärende Frage stellen.
  3. Verfeinerung mit Abfragebeispielen: Sie können in den Anweisungen für den Daten-KI-Agenten bestimmte Frage-Antwort-Beispiele angeben, sogenannte „Golden Queries“, um die Genauigkeit für häufige oder kritische Abfragen zu verbessern.

Looker verwendet dann die LookML-Definitionen dieser Felder und andere Logik, die im Explore definiert ist, einschließlich Felddefinitionen, Zugriffsberechtigungen oder Nutzerattribute oder komplexe Liquid- oder Join-Logik, um die Abfrage zu erstellen, die an die Datenbank gesendet wird. Da der Agent nicht die gesamte SQL-Abfrage schreibt, muss er die Daten nicht „verstehen“ und kann genauer und deterministischer arbeiten.

Daten-KI-Agenten im Vergleich zu Unterhaltungen

Die Erstellung eines Daten-KI-Agenten bietet mehrere wichtige Vorteile gegenüber einer Standardunterhaltung mit einem einzelnen Explore. Wenn Sie eine Unterhaltung über ein Explore starten, können Sie diese bestimmte Datenquelle schnell in natürlicher Sprache abfragen. Ein Daten-KI-Agent fungiert jedoch als spezialisierter, eigenständiger Analyst, der angepasst und in Ihrer gesamten Organisation freigegeben werden kann.

Daten-KI-Agenten bieten folgende Vorteile gegenüber Unterhaltungen mit Explores:

  • Mit mehreren Explores interagieren: In einer Unterhaltung mit einem Explore können Sie jeweils nur ein Explore abfragen. Ein Daten-KI-Agent kann jedoch mit bis zu fünf verschiedenen Explores verbunden werden, sodass Nutzer domänenübergreifende Analysen durchführen und umfassendere Antworten erhalten können.
  • Erstellter Kontext: Sie können Ihrem Daten-KI-Agenten benutzerdefinierte Anweisungen geben, die in einer Standardunterhaltung mit einem Explore nicht verfügbar sind, einschließlich der folgenden Ressourcen:
    • Golden Queries: Sie können dem Agenten Paare aus Fragen in natürlicher Sprache und verifizierten Looker-Abfragen zur Verfügung stellen, um gängige Geschäftsmuster zu verankern und die Mehrdeutigkeit für das Modell erheblich zu reduzieren.
    • Geschäftsglossare: Sie können organisationsspezifische Fachbegriffe oder Akronyme direkt in den Anweisungen des Agenten definieren.
    • Personen-Framework: Sie können dem Agenten eine bestimmte Rolle oder Expertise zuweisen und so einen konsistenten Ton und eine professionelle Beurteilung für die Unterhaltung festlegen.
  • Agentenspezialisierung: Anstatt die generische Benutzeroberfläche einer Unterhaltung zu verwenden, können Sie spezialisierte Agenten für verschiedene Geschäftsbereiche erstellen, z. B. einen Umsatz-Agenten oder einen Betriebs-Agenten. Dies ermöglicht eine geführte Analyse, die Nutzer zu den spezifischen Feldern und Filtern führt, die für ihre Anforderungen am relevantesten sind.
  • Zusammenarbeit und Wiederverwendung: Unterhaltungen mit Explores sind in der Regel auf einen Nutzer beschränkt, während Daten-KI-Agenten für andere Mitglieder Ihrer Organisation freigegeben werden können. Durch die Freigabe können mehrere Nutzer von demselben erstellten Kontext und derselben Governance profitieren, die von einem Administrator oder Datenexperten entwickelt wurden.
  • Benutzerdefiniertes Verhalten: Sie können Ihren Agenten so konfigurieren, dass er unter strengen Anforderungen arbeitet, z. B. Standardfilter verwendet. Ein Beispiel: „Standardmäßig immer die letzten 6 Monate verwenden, wenn kein Zeitraum angegeben ist.“ Diese Leitplanken stellen sicher, dass der Agent die spezifischen Governance- und Sicherheitsstandards Ihrer Organisation einhält. Sie können auch Felder in Explores ausblenden, um zu verhindern, dass der Daten-KI-Agent sie in Abfragen verwendet.

Liste der Dokumentation

Compliance-Funktionen von Gemini in Looker-Funktionen

Die konversationelle Analyse ist noch nicht in den Autorisierungsgrenzen von FedRAMP High oder FedRAMP Medium enthalten. Bevor Sie die Einstellung Gemini in Looker für Ihre Looker-Instanz aktivieren, sollten Sie mit Ihrer Autorisierungsstelle besprechen, ob die Compliance-Angebote von Gemini für Google Cloud' die Anforderungen Ihrer Organisation erfüllen.

Bei Looker (Google Cloud Core)-Instanzen werden Gemini in Looker-Funktionen als Standardangebote hinzugefügt, sobald die Änderungsanforderungen und -prozesse des jeweiligen Assured Workloads-Kontrollpakets erfüllt sind. Die konversationelle Analyse in Looker berücksichtigt die Compliance-Funktionen der zugehörigen Looker (Google Cloud Core)-Instanz, mit folgender Ausnahme:

Die Unterstützung für die Datenresidenz (DRZ), insbesondere für ruhende Daten, ist für alle Looker-Kunden verfügbar. Alle ruhenden Daten, die mit der konversationellen Analyse verknüpft sind, befinden sich ausschließlich in der Looker-Instanz und sind auf eine einzelne Region beschränkt. Daten bei der Übertragung können mit einem globalen Dienst verarbeitet werden.

Feedback geben

Sie können Google Feedback zu einzelnen Antworten in der konversationellen Analyse geben, indem Sie eine der folgenden Optionen auswählen:

  • thumb_up Gute Antwort: Gibt an, dass die Antwort hilfreich war.
  • thumb_down Schlechte Antwort: Gibt an, dass die Antwort nicht hilfreich war.