Ringkasan Analisis Percakapan di Looker

Analisis Percakapan adalah fitur percakapan dengan data yang didukung oleh Gemini untuk Google Cloud. Berdasarkan lapisan pemodelan semantik Looker, Analisis Percakapan memungkinkan pengguna di organisasi Anda mengajukan pertanyaan terkait data dalam bahasa biasa dan alami (percakapan) untuk BI layanan mandiri yang tepercaya dan dikelola. Pendekatan ini mempercepat adopsi analisis di seluruh organisasi Anda dengan menyediakan tata kelola dan keamanan tingkat perusahaan.

Analisis Percakapan tersedia di instance Looker (Google Cloud core) dan di instance Looker (asli).

Pelajari cara dan waktu Gemini untuk Google Cloud menggunakan data Anda.

Fitur utama

Analisis Percakapan mencakup fitur utama berikut:

  • Berinteraksi dengan Looker Explore: Berinteraksi dalam bahasa alami dengan data Looker Explore atau dengan agen data kustom dalam instance Looker (asli) atau instance Looker (Google Cloud core). Anda dapat berinteraksi dengan satu Explore atau dengan agen data yang terhubung ke maksimal lima Explore.
  • Membuat dan mengelola agen data: Dengan agen data, Anda dapat menyesuaikan agen kueri data yang didukung AI dengan memberikan konteks dan petunjuk yang spesifik untuk data Anda, yang membantu agen data menghasilkan respons yang lebih akurat dan relevan secara kontekstual. Anda juga dapat membagikan agen data kepada pengguna lain sehingga mereka dapat mengajukan pertanyaan dengan konteks yang sama. Anda dapat menghubungkan agen ke maksimal lima Explore.
  • Analisis lanjutan dengan Code Interpreter [Pratinjau]: Code Interpreter dalam Analisis Percakapan menerjemahkan pertanyaan bahasa alami Anda ke dalam kode Python dan menjalankan kode tersebut. Dibandingkan dengan kueri berbasis SQL standar, penggunaan Python oleh Code Interpreter memungkinkan analisis dan visualisasi yang lebih kompleks.
  • Menyematkan Analisis Percakapan di situs atau aplikasi: Anda dapat menyematkan Analisis Percakapan di situs atau aplikasi menggunakan tag iframe HTML seperti yang dapat Anda lakukan dengan jenis konten Looker lainnya. Analisis Percakapan mendukung penyematan pribadi, tempat pengguna diautentikasi menggunakan login Looker mereka, dan penyematan bertanda tangan, tempat pengguna diautentikasi melalui aplikasi Anda sendiri.

Bagaimana cara kerja Analisis Percakapan?

Analisis Percakapan menggunakan Gemini untuk Google Cloud menafsirkan pertanyaan bahasa alami dan memberikan jawaban berdasarkan data Anda di Looker. Fitur ini menggunakan model semantik Looker — definisi LookML data Anda — sebagai sumber kebenaran untuk memastikan bahwa respons akurat dan konsisten. Analisis Percakapan dapat menafsirkan definisi bisnis Anda untuk metrik seperti "pendapatan" atau "churn" karena metrik tersebut ditentukan dalam LookML, menggunakan definisi ini untuk memberikan pertanyaan yang akurat dan konsisten.

Untuk mendasarkan responsnya pada konteks bisnis dan data spesifik Anda, Analisis Percakapan menggunakan beberapa teknik:

  • Skema LookML: Di awal permintaan, Analisis Percakapan mengambil skema dari Explore yang terhubung ke skema tersebut. Analisis Percakapan menggunakan parameter dari model LookML dalam beberapa cara:
    • Identifikasi kolom: Metadata dari skema membantu Analisis Percakapan untuk berfokus pada kolom yang relevan. Metadata ini mencakup parameter LookML seperti name, label, description, type, dan dimension_group. Parameter ini membantu Analisis Percakapan memetakan istilah dalam pertanyaan pengguna ke kolom yang benar. Misalnya, description dapat memberikan terminologi atau konteks khusus bisnis untuk kolom.
    • Pemformatan respons: Analisis Percakapan menggunakan label parameter untuk penamaan kolom yang mudah digunakan dan value_format parameter untuk memformat data dalam respons.
  • Pembuatan kueri: Daripada membuat kueri database secara langsung, Analisis Percakapan menentukan kolom, filter, pengurutan, dan batas yang harus digunakan dalam kueri. Looker kemudian menyusun dan menjalankan kueri menggunakan model LookML yang mendasarinya. Proses ini mirip dengan cara pengguna berinteraksi dengan antarmuka Explore; Analisis Percakapan tidak perlu memahami logika gabungan atau definisi kolom yang kompleks karena Looker menangani komposisi kueri berdasarkan model LookML. Pembuatan kueri memastikan bahwa semua kueri mematuhi logika gabungan, pemfilteran, agregasi, dan izin data yang ditentukan dalam model LookML Anda. Untuk membuat kueri, Analisis Percakapan harus menentukan nilai yang benar untuk digunakan dalam filter. Nilai ini harus cocok persis dengan nilai dalam data yang mendasarinya atau ekspresi filter yang lebih canggih seperti karakter pengganti. Untuk mengatasi perbedaan antara nilai yang disertakan pengguna dalam pertanyaan bahasa alami mereka dan nilai persis yang mungkin diperlukan oleh filter, Analisis Percakapan menggunakan nilai yang ditentukan dengan allowed_value di parameter bidang dan dapat menggunakan alat untuk memeriksa nilai tertentu di bidang:
    • Contoh data: Menampilkan hingga 100 nilai dari kolom untuk membantu Analisis Percakapan mempelajari pola atau menemukan kecocokan persis untuk nilai filter.
    • Penelusuran fuzzy: Membuat kumpulan istilah penelusuran berdasarkan input pengguna dan memeriksa keberadaannya dalam dimensi untuk menemukan nilai filter yang sesuai. Baik contoh data maupun penelusuran fuzzy menggunakan Looker's suggestion API dan oleh karena itu dipengaruhi oleh parameter LookML seperti suggestions, suggest_explore, dan suggest_dimension.
  • Analisis: Setelah Looker menjalankan kueri, Analisis Percakapan menganalisis hasil kueri untuk menjawab pertanyaan pengguna. Analisis Percakapan dapat menganalisis hasil dengan satu atau beberapa cara berikut:
    • Fitur ini menggunakan kemampuan Gemini bawaan untuk menafsirkan dan meringkas hasil.
    • Fitur ini menggunakan eksekusi kode Python melalui Code Interpreter untuk melakukan analisis lebih lanjut pada hasilnya.
    • Fitur ini membuat visualisasi berdasarkan hasil kueri.

Dengan memanfaatkan model semantik Looker, Analisis Percakapan memberikan akses ke data dari berbagai platform — seperti BigQuery, AlloyDB, Redshift, Snowflake, dan Databricks — tanpa perlu memahami kompleksitas data yang mendasarinya, dan memastikan bahwa semua respons konsisten dan dikelola.

Bagaimana cara kerja agen data Analisis Percakapan?

Agen data Analisis Percakapan mendasarkan responsnya pada dua input utama: skema LookML instance Anda, yang ditentukan oleh developer Looker, dan petunjuk agen, yang Anda tulis saat membuat agen.

Dari kueri Anda, agen data harus menentukan kolom LookML mana yang akan dipilih dan filter, pengurutan, atau batas mana yang akan diterapkan. Untuk melakukannya secara akurat, agen data memetakan bahasa alami dalam kueri Anda ke petunjuk agennya sendiri dan skema LookML data dengan cara berikut:

  1. Memetakan istilah semantik: Pengguna sering menggunakan jargon bisnis dalam pertanyaan mereka. Agen menggunakan petunjuk agen Anda dan metadata kolom LookML untuk menafsirkan kueri Anda. Misalnya, untuk kueri "Berapa banyak bisnis baru yang kita lakukan?", agen data akan dapat memetakan "bisnis baru" ke ukuran yang menghitung pendapatan berulang bulanan. Untuk kueri "Siapa pelanggan terbaik kita?", agen data akan dapat memetakan "terbaik" ke jumlah penggunaan dan "pelanggan" ke dimensi yang disebut Nama Pelanggan.
  2. Memetakan nilai kolom: Agen mencari titik data tertentu — misalnya, "California" atau "Slim-fit Jeans" — menggunakan alat khusus untuk mengambil sampel data atau melakukan penelusuran fuzzy. Misalnya, jika pengguna meminta "jeans", agen mungkin memicu penelusuran fuzzy di seluruh kolom Nama Produk untuk menemukan kecocokan string yang tepat di database Anda. Jika pengguna meminta "NY", apakah itu kolom Kota atau kolom Negara Bagian? Agen mungkin perlu mengambil sampel data untuk melihat kolom mana yang berisi "NY" atau mengajukan pertanyaan klarifikasi.
  3. Penyempurnaan dengan contoh kueri: Anda dapat memberikan contoh pertanyaan dan jawaban tertentu, yang disebut "kueri emas", dalam petunjuk agen data untuk meningkatkan akurasi kueri umum atau penting.

Looker kemudian menggunakan definisi LookML kolom ini dan logika lain yang ditentukan di Explore — termasuk definisi kolom, pemberian akses atau atribut pengguna, atau logika gabungan atau Liquid yang kompleks — untuk menyusun kueri yang dikirim ke database. Karena agen tidak menulis seluruh kueri SQL, agen tidak perlu "memahami" data dan dapat beroperasi dengan lebih akurat dan deterministik.

Untuk mempelajari lebih lanjut cara agen Anda menggunakan LookML, lihat halaman dokumentasi Praktik terbaik untuk mengonfigurasi Analisis Percakapan di Looker.

Agen data versus Percakapan

Membuat agen data menawarkan beberapa keunggulan utama dibandingkan melakukan percakapan standar dengan satu Explore. Meskipun memulai percakapan dari Explore memungkinkan kueri bahasa alami yang cepat dari sumber data tertentu tersebut, agen data berfungsi sebagai analis mandiri khusus yang dapat disesuaikan dan dibagikan di seluruh organisasi Anda.

Agen data memberikan keunggulan berikut dibandingkan percakapan dengan Explore:

  • Berinteraksi dengan beberapa Explore: Dalam percakapan dengan Explore, Anda hanya dapat membuat kueri satu Explore dalam satu waktu. Namun, agen data dapat terhubung ke maksimal lima Explore berbeda, sehingga pengguna dapat melakukan analisis lintas domain dan menerima jawaban yang lebih komprehensif.
  • Konteks yang dibuat: Anda dapat memberikan petunjuk kustom kepada agen data yang tidak tersedia dalam percakapan Explore standar, termasuk referensi berikut:
    • Kueri emas: Anda dapat memberikan pasangan pertanyaan bahasa alami dan kueri Looker yang terverifikasi kepada agen untuk mengaitkan pola bisnis umum dan mengurangi ambiguitas secara signifikan untuk model.
    • Glosarium bisnis: Anda dapat menentukan jargon atau akronim khusus organisasi langsung dalam petunjuk agen.
    • Framework persona: Anda dapat menetapkan peran atau keahlian tertentu kepada agen, menetapkan nada yang konsisten dan penilaian profesional untuk percakapan.
  • Spesialisasi agen: Daripada menggunakan satu antarmuka percakapan generik, Anda dapat membuat agen khusus untuk unit bisnis yang berbeda, seperti Agen Pendapatan atau Agen Operasi. Hal ini memungkinkan pengalaman analisis yang lebih terpandu, mengarahkan pengguna ke kolom dan filter tertentu yang paling relevan dengan kebutuhan mereka.
  • Kolaborasi dan penggunaan kembali: Percakapan Explore biasanya terbatas untuk satu pengguna, sedangkan agen data dapat dibagikan kepada anggota lain di organisasi Anda. Pembagian memastikan bahwa beberapa pengguna dapat memperoleh manfaat dari konteks dan tata kelola yang sama yang dibuat oleh administrator atau pakar data.
  • Perilaku kustom: Anda dapat mengonfigurasi agen untuk beroperasi dalam persyaratan yang ketat, seperti menggunakan filter default — misalnya, "selalu default ke 6 bulan terakhir jika tidak ada jangka waktu yang disebutkan." Batasan ini memastikan bahwa agen beroperasi dalam standar tata kelola dan keamanan khusus organisasi Anda. Anda juga dapat menyembunyikan kolom di Explore untuk mencegah agen data menggunakannya dalam kueri.

Daftar dokumentasi

Memahami kemampuan kepatuhan fitur Gemini di Looker

Analisis Percakapan belum disertakan dalam batas otorisasi FedRAMP High atau FedRAMP Medium. Sebelum mengaktifkan setelan Gemini di Looker untuk instance Looker Anda, diskusikan dengan badan otorisasi Anda apakah penawaran kepatuhan Gemini untuk Google Cloud's memenuhi kebutuhan organisasi Anda.

Untuk instance Looker (Google Cloud core), setiap paket kontrol Assured Workloads yang tersedia akan menambahkan fitur Gemini di Looker sebagai penawaran default saat persyaratan dan proses perubahan paket tersebut terpenuhi. Analisis Percakapan di Looker menghormati kemampuan kepatuhan instance Looker (Google Cloud core) terkait, dengan pengecualian berikut:

Dukungan Data Residency (DRZ), khususnya untuk data tidak aktif, tersedia untuk semua pelanggan Looker. Semua data tidak aktif yang terkait dengan Analisis Percakapan berada sepenuhnya dalam instance Looker dan terbatas pada satu region. Data dalam perjalanan dapat diproses menggunakan layanan global.

Berikan masukan

Anda dapat memberikan masukan kepada Google tentang respons individual di Analisis Percakapan dengan memilih salah satu opsi berikut:

  • thumb_up Respons yang baik: Menunjukkan bahwa respons tersebut membantu.
  • thumb_down Respons yang buruk: Menunjukkan bahwa respons tersebut tidak membantu.