Présentation de Conversational Analytics dans Looker

Conversational Analytics est une fonctionnalité de chat avec vos données optimisée par Gemini pour Google Cloud. Basée sur la couche de modélisation sémantique Looker, l'analyse conversationnelle permet aux utilisateurs de votre organisation de poser des questions sur les données en langage naturel (conversationnel) pour une informatique décisionnelle en libre-service régie et fiable. Cette approche accélère l'adoption de l'analyse dans votre organisation en fournissant une gouvernance et une sécurité de niveau entreprise.

Conversational Analytics est disponible dans les instances Looker (Google Cloud Core) et Looker (version initiale).

Découvrez comment et quand Gemini pour Google Cloud utilise vos données.

Principales fonctionnalités

Conversational Analytics inclut les principales fonctionnalités suivantes :

  • Discuter avec un Explore Looker : discutez en langage naturel avec les données Explore de Looker ou avec un agent de données personnalisé dans une instance Looker (version initiale) ou Looker (Google Cloud Core). Vous pouvez discuter avec un maximum de cinq explorations à la fois.
  • Créer et gérer des agents de données : les agents de données vous permettent de personnaliser l'agent de requête de données optimisé par l'IA en fournissant un contexte et des instructions spécifiques à vos données. Cela aide l'agent de données à générer des réponses plus précises et contextuellement pertinentes. Vous pouvez également partager vos agents de données avec d'autres utilisateurs afin qu'ils puissent poser des questions dans le même contexte. Vous pouvez connecter votre agent à un maximum de cinq Explorations.
  • Analyses avancées avec l'interpréteur de code [Aperçu]: l'interpréteur de code de Conversational Analytics traduit vos questions en langage naturel en code Python et exécute ce code. Par rapport aux requêtes SQL standard, l'utilisation de Python par l'interpréteur de code permet des analyses et des visualisations plus complexes.
  • Intégrer Conversational Analytics à un site Web ou une application : vous pouvez intégrer Conversational Analytics à un site Web ou une application à l'aide d'une balise iframe HTML, comme vous le feriez avec d'autres types de contenu Looker. Conversational Analytics est compatible avec l'intégration privée, où les utilisateurs sont authentifiés à l'aide de leur identifiant Looker, et avec l'intégration signée, où les utilisateurs sont authentifiés via votre propre application.

Comment fonctionne l'analyse conversationnelle ?

Conversational Analytics utilise Gemini pour Google Cloud interpréter les questions en langage naturel et fournir des réponses basées sur vos données dans Looker. Il utilise le modèle sémantique Looker (les définitions LookML de vos données) comme source de vérité pour s'assurer que les réponses sont exactes et cohérentes. Conversational Analytics peut interpréter vos définitions métier pour des métriques telles que "revenus" ou "taux de désabonnement", car elles sont définies dans LookML. Il utilise ces définitions pour fournir des réponses précises et cohérentes.

Pour ancrer ses réponses dans vos données et votre contexte commercial spécifiques, Conversational Analytics utilise plusieurs techniques :

  • Schéma LookML : au début d'une requête, Conversational Analytics récupère le schéma des explorations qui y sont connectées. Conversational Analytics utilise les paramètres du modèle LookML de plusieurs façons :
    • Identification des champs : les métadonnées du schéma aident Conversational Analytics à se concentrer sur les champs pertinents. Ces métadonnées incluent des paramètres LookML tels que name, label, description, type et dimension_group. Ces paramètres aident Conversational Analytics à faire correspondre les termes des questions des utilisateurs aux champs appropriés. Par exemple, description peut fournir une terminologie ou un contexte spécifiques à l'entreprise pour un champ.
    • Mise en forme des réponses : Conversational Analytics utilise les paramètres label pour nommer les champs de manière conviviale et les paramètres value_format pour mettre en forme les données dans les réponses.
  • Génération de requêtes : au lieu d'interroger directement votre base de données, Conversational Analytics détermine les champs, filtres, tris et limites à utiliser dans la requête. Looker compose et exécute ensuite la requête à l'aide du modèle LookML sous-jacent. Ce processus est semblable à la façon dont un utilisateur interagit avec une interface Explorer. Conversational Analytics n'a pas besoin de comprendre la logique de jointure complexe ni les définitions de champ, car Looker gère la composition des requêtes en fonction du modèle LookML. La génération de requêtes garantit que toutes les requêtes respectent la logique de jointure, le filtrage, l'agrégation et les autorisations d'accès aux données définis dans votre modèle LookML. Pour générer des requêtes, l'analyse conversationnelle doit déterminer les valeurs correctes à utiliser dans les filtres. Ces valeurs doivent correspondre exactement à celles des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les écarts entre les valeurs incluses par l'utilisateur dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, l'analyse conversationnelle utilise les valeurs définies avec allowed_value dans les champs parameter et peut utiliser des outils pour rechercher des valeurs spécifiques dans les champs :
    • Exemple de données : renvoie jusqu'à 100 valeurs d'un champ pour aider l'analyse conversationnelle à apprendre des modèles ou à trouver une correspondance exacte pour les valeurs de filtre.
    • Recherche approximative : génère un ensemble de termes de recherche en fonction de la saisie de l'utilisateur et vérifie leur présence dans une dimension pour trouver les valeurs de filtre appropriées. Les données d'exemple et la recherche approximative utilisent l'API de suggestions de Looker. Elles sont donc influencées par les paramètres LookML tels que suggestions, suggest_explore et suggest_dimension.
  • Analyse : une fois que Looker a exécuté les requêtes, Conversational Analytics analyse les résultats des requêtes pour répondre aux questions des utilisateurs. L'analyse conversationnelle peut analyser les résultats d'une ou plusieurs des manières suivantes :
    • Il utilise les fonctionnalités Gemini intégrées pour interpréter et résumer les résultats.
    • Il utilise l'exécution de code Python via l'interpréteur de code pour effectuer une analyse plus approfondie des résultats.
    • Il crée des visualisations basées sur les résultats des requêtes.

En exploitant le modèle sémantique Looker, l'analyse conversationnelle permet d'accéder aux données de différentes plates-formes (BigQuery, AlloyDB, Redshift, Snowflake et Databricks, par exemple) sans avoir à comprendre la complexité des données sous-jacentes. Elle garantit également que toutes les réponses sont cohérentes et régies.

Comment fonctionnent les agents de données Conversational Analytics ?

Un agent de données Conversational Analytics base ses réponses sur deux entrées principales : le schéma LookML de votre instance, défini par un développeur Looker, et les instructions de l'agent, que vous rédigez lorsque vous créez l'agent.

À partir de votre requête, un agent de données doit déterminer les champs LookML à sélectionner, ainsi que les filtres, les tris ou les limites à appliquer. Pour ce faire, il mappe précisément le langage naturel de votre requête avec ses propres instructions d'agent et le schéma LookML des données de la manière suivante :

  1. Mappage des termes sémantiques : les utilisateurs utilisent souvent du jargon professionnel dans leurs questions. L'agent utilise vos instructions et les métadonnées des champs LookML pour interpréter votre requête. Par exemple, pour la requête "Quel est le montant des nouveaux contrats que nous avons conclus ?", un agent de données pourra mapper "nouveaux contrats" à une mesure qui calcule le revenu récurrent mensuel. Pour la requête "Qui sont nos meilleurs clients ?", un agent de données pourrait mapper "meilleurs" à un nombre d'utilisations et "clients" à une dimension appelée Nom du client.
  2. Mappage des valeurs de champ : l'agent recherche des points de données spécifiques (par exemple, "Californie" ou "Jeans slim") à l'aide d'outils spécialisés pour échantillonner les données ou effectuer des recherches approximatives. Par exemple, si un utilisateur demande des "jeans", l'agent peut déclencher une recherche approximative dans le champ Nom du produit pour trouver les chaînes exactes correspondantes dans votre base de données. Si un utilisateur demande "NY", s'agit-il du champ Ville ou du champ État ? L'agent peut avoir besoin d'échantillonner les données pour identifier le champ contenant "NY".
  3. Affinement avec des exemples de requêtes : vous pouvez fournir des exemples spécifiques de questions et réponses, appelés "requêtes de référence", dans les instructions de l'agent de données pour améliorer la précision des requêtes courantes ou critiques.

Looker utilise ensuite les définitions LookML de ces champs et d'autres logiques définies dans l'exploration (y compris les définitions de champs, les autorisations d'accès ou les attributs utilisateur, ou la logique complexe Liquid ou de jointure) pour composer la requête envoyée à la base de données. Comme l'agent n'écrit pas l'intégralité de la requête SQL, il n'a pas besoin de "comprendre" les données et peut fonctionner de manière plus précise et déterministe.

Agents de données et conversations

La création d'un agent de données offre plusieurs avantages clés par rapport à une conversation standard avec une seule exploration. Alors que le lancement d'une conversation à partir d'une exploration permet d'interroger rapidement cette source de données spécifique en langage naturel, un agent de données fonctionne comme un analyste autonome spécialisé qui peut être personnalisé et partagé dans toute votre organisation.

Les agents de données offrent l'avantage suivant par rapport aux conversations avec Explorer :

  • Discuter avec plusieurs explorations : lorsque vous discutez avec une exploration, vous ne pouvez interroger qu'une seule exploration à la fois. Toutefois, un agent de données peut se connecter à cinq explorations distinctes, ce qui permet aux utilisateurs d'effectuer des analyses interdomaines et d'obtenir des réponses plus complètes.
  • Contexte créé : vous pouvez fournir à votre agent de données des instructions personnalisées qui ne sont pas disponibles dans une conversation Explore standard, y compris les ressources suivantes :
    • Requêtes de référence : vous pouvez fournir à l'agent des paires de questions en langage naturel et de requêtes Looker validées pour ancrer les tendances commerciales courantes et réduire considérablement l'ambiguïté pour le modèle.
    • Glossaires d'entreprise : vous pouvez définir des termes techniques ou des acronymes spécifiques à votre organisation directement dans les instructions de l'agent.
    • Framework de persona : vous pouvez attribuer un rôle ou une expertise spécifique à l'agent, ce qui permet de définir un ton cohérent et un jugement professionnel pour la conversation.
  • Spécialisation des agents : au lieu d'utiliser l'interface générique unique d'une conversation, vous pouvez créer des agents spécialisés pour différentes unités commerciales, comme un agent de revenus ou un agent d'opérations. Cela permet une expérience d'analyse plus guidée, en orientant les utilisateurs vers les champs et les filtres spécifiques les plus adaptés à leurs besoins.
  • Collaboration et réutilisation : les explorations sont généralement limitées à un seul utilisateur, tandis que les agents de données peuvent être partagés avec d'autres membres de votre organisation. Le partage permet à plusieurs utilisateurs de bénéficier du même contexte et de la même gouvernance créés par un administrateur ou un expert en données.
  • Comportement personnalisé : vous pouvez configurer votre agent pour qu'il fonctionne selon des exigences strictes, par exemple en utilisant des filtres par défaut (par exemple, "toujours utiliser les six derniers mois si aucune période n'est mentionnée"). Ces garde-fous garantissent que l'agent fonctionne dans le respect des normes de gouvernance et de sécurité spécifiques à votre organisation. Vous pouvez également masquer des champs dans les explorations pour empêcher l'agent de données de les utiliser dans les requêtes.

Liste de la documentation

Comprendre les capacités de conformité des fonctionnalités Gemini dans Looker

L'analyse conversationnelle n'est pas encore incluse dans les limites d'autorisation FedRAMP au niveau d'impact élevé ou moyen. Avant d'activer le paramètre Gemini dans Looker pour votre instance Looker, demandez à votre organisme d'autorisation si les offres de conformité de Gemini pour Google Cloudrépondent aux besoins de votre organisation.

Pour les instances Looker (Google Cloud Core), chaque package de contrôles Assured Workloads qui devient disponible ajoute les fonctionnalités Gemini dans Looker en tant qu'offres par défaut, une fois que les exigences et les processus de modification de ce package sont respectés. L'analyse conversationnelle dans Looker respecte les fonctionnalités de conformité de l'instance Looker (Google Cloud Core) associée, à l'exception de ce qui suit :

L'assistance pour la résidence des données (DRZ), en particulier pour les données au repos, est disponible pour tous les clients Looker. Toutes les données au repos associées à Conversational Analytics résident strictement dans l'instance Looker et sont limitées à une seule région. Les données en transit peuvent être traitées à l'aide d'un service mondial.

Fournir des commentaires

Vous pouvez envoyer des commentaires à Google sur des réponses spécifiques dans Conversational Analytics en sélectionnant l'une des options suivantes :

  • thumb_up Bonne réponse : indiquez que la réponse a été utile.
  • thumb_down Mauvaise réponse : indiquez que la réponse n'était pas utile.