Konversationelle Analysen in Looker – Übersicht

Die konversationelle Analyse ist eine auf Gemini für Google Cloudbasierende Funktion, mit der Sie Ihre Daten per Chat abfragen können. Die konversationelle Analyse basiert auf dem semantischen Modellierungs-Layer von Looker und ermöglicht es Nutzern in Ihrer Organisation, Fragen zu Daten in natürlicher Sprache zu stellen, um so auf sichere und vertrauenswürdige Weise 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 (Original)-Instanzen verfügbar.

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

Wichtige Features

Die konversationelle Analyse umfasst die folgenden Hauptfunktionen:

  • Explores in natürlicher Sprache abfragen: Sie können sich in natürlicher Sprache mit einem einzelnen Explore oder mit einem Daten-KI-Agenten unterhalten, der bis zu fünf Explores abfragt.
  • Daten-KI-Agenten zum Abfragen von Explores erstellen: Sie können einen KI-gestützten Agenten zum Abfragen von Explores anpassen, indem Sie Kontext und Anweisungen angeben, 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 oder in anderen Anwendungen wie Gemini Enterprise veröffentlichen, damit diese Fragen mit demselben Kontext stellen können. Sie können diese Art von Daten-KI-Agenten mit bis zu fünf Explores verbinden.
  • Dashboard mit einem Daten-KI-Agenten abfragen Vorschau: Mit der konversationellen Analyse können Sie einen Dashboard-Daten-KI-Agenten generieren, der das Dashboard und die zugrunde liegenden Modelle abfragen kann. Dashboard-KI-Agenten sind verfügbar, wenn die Einstellung Chat mit Dashboard aktivieren auf der Seite Gemini in Looker im Bereich Admin aktiviert ist.
  • Erweiterte Analysen: Mit der Funktion Erweiterte Analysen in der konversationellen Analyse werden Ihre Fragen in natürlicher Sprache in Python-Code übersetzt und dieser Code wird ausgeführt. Im Vergleich zu Standard-SQL-basierten Abfragen ermöglicht die Verwendung von Python durch die Funktion Erweiterte Analysen komplexere Analysen und Visualisierungen.
  • Einbetten: Sie können die konversationelle Analyse mithilfe eines HTML-iFrame-Tags in eine Website oder Anwendung einbetten, genau wie bei anderen Looker-Inhaltstypen. Die konversationelle Analyse unterstützt sowohl das private Einbetten, bei dem Nutzer sich mit ihrem Looker-Login authentifizieren, als auch das signierte Einbetten, bei dem Nutzer über Ihre eigene Anwendung authentifiziert werden.
  • Monitoring von Interaktionen und Tokennutzung: Nutzer mit Zugriff auf Looker-Systemaktivitätsinhalten können mehr über die Nutzerinteraktionen mit konversationellen Analyse-KI-Agenten und ‑Unterhaltungen erfahren und die Tokennutzung der Nutzer überwachen. Das Dashboard Konversationelle Analyse ist im Bereich Systemaktivität des Bereichs Admin verfügbar. Informationen zur Tokennutzung sind verfügbar, wenn die Beobachtbarkeit der konversationellen Analyse Vorschaufunktion aktiviert ist.
  • Ausgelöste Agenten-Workflows Vorschau: Sie können messwertbasierte Benachrichtigungen und Monitoring direkt über Abfragen in natürlicher Sprache in eigenständigen Unterhaltungen mit Explores oder mit Explore-Daten-KI-Agenten einrichten. Agenten-Workflows sind verfügbar, wenn die Einstellung Agenten-Workflows auf der Seite Gemini in Looker im Bereich Admin aktiviert ist.

Daten-KI-Agenten im Vergleich zu Unterhaltungen

Das Chatten mit einem Daten-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 chatten: 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 domainübergreifende Analysen durchführen und umfassendere Antworten erhalten können.
  • Mit einem Looker-Dashboard chatten: Wenn Sie mit einem Dashboard chatten, erstellt die konversationelle Analyse einen Dashboard-Daten-KI-Agenten, mit dem Sie nicht nur ein Dashboard, sondern auch die zugrunde liegenden Explores abfragen können.
  • Erstellter Kontext: Sie können Ihrem Daten-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 deutlich 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 einheitlichen 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-KI-Agenten oder einen Ops-Agent. So können Sie eine geführte Analyse durchführen, 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 bestimmte Anforderungen erfüllt, z. B. Standardfilter verwendet. Ein Beispiel: „Standardmäßig die letzten sechs Monate verwenden, wenn kein Zeitraum angegeben ist.“ Diese Schutzmaßnahmen sorgen dafür, dass der Agent die spezifischen Governance- und Sicherheitsstandards Ihrer Organisation einhält. Sie können auch Felder in Explores ausblenden, damit der Daten-KI-Agent sie nicht in Abfragen verwendet.

In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen diesen Arten von Unterhaltungen und Daten-KI-Agenten zusammengefasst:

Funktion für die konversationelle Analyse Gängige Anwendungsfälle Einstiegspunkt Freigabefunktionen Beschränkungen
Unterhaltungen mit Explores
  • Standardabfrage eines einzelnen Looker-Explores in natürlicher Sprache.
  • Zusammengehörige Fragen zu einem bestimmten Dataset in separate Sitzungen organisieren.
  • Verwendet die Fragemodi Schnell und Denken.
  • Im Explore: Unterhaltung starten auswählen.
  • Auf der Seite für die konversationelle Analyse: Tab Unterhaltungen auswählen.
 In der Regel auf einen Nutzer beschränkt (nicht freigabefähig).
  • Es kann jeweils nur ein Explore abgefragt werden.
  • Kein benutzerdefinierter erstellter Kontext oder Anweisungen (z. B. Golden Queries, Personas, Geschäftsglossare).
  • Keine Agentenspezialisierung für verschiedene Geschäftsbereiche einer Organisation.
  • Die Option Unterhaltung starten ist bei der Verwendung der neuen Explore-Oberfläche nicht verfügbar.
Explore-Daten-KI-Agenten
  • Spezialisierte, eigenständige Datenanalyse-Agenten, die für bestimmte Geschäftsbereiche einer Organisation entwickelt wurden (z. B. Umsatz-Agent, Ops-Agent).
  • Domainübergreifende Analyse mit bis zu fünf verbundenen Explores.
  • Erstellter Kontext mit benutzerdefinierten Anweisungen, Golden Queries, Unternehmensglossaren und Personen-Frameworks, um Schutzmaßnahmen zu erzwingen und die Genauigkeit zu verbessern.
  • Erweiterte Analysen mit Ausführung von Python-Code, falls aktiviert.
  • Erfordert keine expliziten explore-Berechtigungen.
 Auf der Seite für die konversationelle Analyse: Tab KI-Agenten auswählen. Kann für andere Nutzer in der Organisation freigegeben werden, indem der Zugriff auf Inhalte gewährt wird (Zugriff zum Ansehen oder Administratorzugriff; Bearbeiten). Kann auch in externen Anwendungen wie Gemini Enterprise (Vorschau) veröffentlicht werden.
  • Erfordert access_data und andere Berechtigungen für die Modelle, die den Explores zugrunde liegen (durch die Freigabe des Agenten wird kein Zugriff auf die Explores gewährt).
  • Unterstützt keine Golden Queries mit Pivottabellen oder benutzerdefinierten Feldern.
Dashboard-KI-Agenten
  • Direkte Abfrage eines bestimmten Looker-Dashboards und der zugehörigen Kacheln in natürlicher Sprache.
  • Verhalten des Agenten auf Dashboards mit benutzerdefinierten Anweisungen kuratieren und anpassen.
  • Der Zugriff wird ausschließlich über Berechtigungen auf Dashboardebene (Zugriff verwalten; Bearbeiten auf dem Dashboard) und Modellberechtigungen verwaltet.
 Auf dem Dashboard: Mit diesem Dashboard chatten auswählen. Kann nicht für andere Nutzer freigegeben werden.
  • Kann nicht einzeln freigegeben werden.
  • Wird nicht auf der Seite für die konversationelle Analyse angezeigt. Auf Unterhaltungen mit einem Dashboard-KI-Agenten kann nur über die Seite Letzte Unterhaltungen zugegriffen werden, die über das Dashboardmenü verfügbar ist.
  • Beschränkt auf den Kontext des Dashboards und der zugehörigen Kacheln.
  • Das Anpassen des Verhaltens von Dashboard-KI-Agenten mit benutzerdefinierten Anweisungen wird für LookML-Dashboards nicht unterstützt.
  • Die Funktion Erweiterte Analysen wird nicht unterstützt.

Wie funktioniert die konversationelle Analyse?

Die konversationelle Analyse verwendet Gemini für Google Cloud , um Fragen in natürlicher Sprache zu interpretieren und Antworten in Looker basierend auf Ihren Daten zu geben. Als Single Source of Truth wird das semantische Modell von Looker verwendet, 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 Ihren spezifischen Daten- und 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, sich auf relevante Felder zu konzentrieren. 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. Mit description können beispielsweise geschäftsspezifische Begriffe oder der Kontext für ein Feld angegeben werden. Die konversationelle Analyse ignoriert alle Felder, die den hidden Parameter verwenden.
    • 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 die Abfrage dann mithilfe des zugrunde liegenden LookML-Modells 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 sorgt dafür, 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 Abweichungen 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 prüft, ob sie in einer Dimension vorhanden sind, 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 führt über die erweiterte Analyse Python-Code aus, um die Ergebnisse weiter zu analysieren.
    • 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 kontrolliert sind.

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

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

Aus Ihrer Abfrage muss ein Daten-KI-Agent bestimmen, 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 „Neugeschäft“ beispielsweise einem Messwert zuordnen, der den monatlich wiederkehrenden Umsatz berechnet. Bei der Abfrage „Wer sind unsere Top-Kunden?“ könnte ein Daten-KI-Agent „Top“ einer Nutzungsanzahl und „Kunden“ einer Dimension namens Kundenname zuordnen.
  2. Feldwerte zuordnen: Der Agent sucht nach bestimmten Datenpunkten, z. B. „Kalifornien“ oder „Slim-Fit-Jeans“, indem er spezielle Tools verwendet, um Daten zu erfassen oder Fuzzy-Suchen durchzuführen. Wenn ein Nutzer beispielsweise nach „Jeans“ fragt, kann der Agent eine Fuzzy-Suche im Feld Produktname auslösen, um die genauen Stringübereinstimmungen in Ihrer Datenbank zu finden. Wenn ein Nutzer nach „NY“ fragt, ist das das Feld Stadt oder das Feld 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 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, benutzerdefinierte Dashboardfilter 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.

Weitere Informationen dazu, wie Ihr Agent LookML verwendet, finden Sie auf der Dokumentationsseite Best Practices für die Konfiguration der konversationellen Analyse in Looker.

Liste der Dokumentation

Compliancefunktionen 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 Complianceangebote von Gemini für Google Cloud' den Anforderungen Ihrer Organisation entsprechen.

Bei Looker (Google Cloud Core)-Instanzen werden jedem verfügbaren Assured Workloads-Kontrollpaket Gemini in Looker-Funktionen als Standardangebote hinzugefügt, sobald die Änderungsanforderungen und ‑prozesse dieses Pakets erfüllt sind. Die konversationelle Analyse in Looker berücksichtigt die Compliancefunktionen der zugehörigen Looker (Google Cloud Core)-Instanz, mit folgender Ausnahme:

Die Unterstützung der 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.