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 memberdayakan pengguna di organisasi Anda untuk mengajukan pertanyaan terkait data dalam bahasa alami (percakapan) yang biasa untuk BI layanan mandiri yang tepercaya dan diatur. 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

Analytics Percakapan mencakup fitur utama berikut:

  • Berinteraksi dengan Eksplorasi Looker: Berinteraksi dalam bahasa alami dengan data Eksplorasi Looker atau dengan agen data kustom dalam instance Looker (asli) atau instance Looker (Google Cloud core). Anda dapat melakukan percakapan dengan hingga lima Eksplorasi sekaligus.
  • 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, sehingga membantu agen data menghasilkan respons yang lebih akurat dan relevan secara kontekstual. Anda juga dapat membagikan agen data Anda kepada pengguna lain sehingga mereka dapat mengajukan pertanyaan dengan konteks yang sama. Anda dapat menghubungkan agen Anda ke maksimal lima Jelajah.
  • Analisis lanjutan dengan Code Interpreter [Pratinjau]: Code Interpreter dalam Analisis Percakapan menerjemahkan pertanyaan natural language Anda menjadi 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 dalam bahasa alami dan memberikan jawaban berdasarkan data Anda di Looker. LLM ini menggunakan model semantik Looker — definisi LookML dari data Anda — sebagai sumber tepercaya untuk memastikan bahwa responsnya 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 jawaban yang akurat dan konsisten.

Untuk mendasarkan responsnya pada data dan konteks bisnis spesifik Anda, Conversational Analytics menggunakan beberapa teknik:

  • Skema LookML: Di awal permintaan, Analisis Percakapan mengambil skema dari Eksplorasi yang terhubung dengannya. Analisis Percakapan menggunakan parameter dari model LookML dalam beberapa cara:
    • Identifikasi kolom: Metadata dari skema membantu Analisis Percakapan 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 suatu kolom.
    • Pemformatan respons: Conversational Analytics menggunakan parameter label untuk penamaan kolom yang mudah digunakan dan parameter value_format untuk memformat data dalam respons.
  • Pembuatan kueri: Daripada membuat kueri database secara langsung, Analytics Percakapan menentukan kolom, filter, pengurutan, dan batas yang harus digunakan dalam kueri. Kemudian, Looker menyusun dan menjalankan kueri menggunakan model LookML yang mendasarinya. Proses ini mirip dengan cara pengguna berinteraksi dengan antarmuka Jelajah; 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 Konversasional harus menentukan nilai yang benar untuk digunakan dalam filter. Nilai ini harus cocok persis dengan nilai dalam data pokok atau ekspresi filter yang lebih canggih seperti karakter pengganti. Untuk menyelesaikan perbedaan antara nilai yang disertakan pengguna dalam pertanyaan bahasa alami dan nilai persis yang mungkin diperlukan oleh filter, Analisis Percakapan menggunakan nilai yang ditentukan dengan allowed_value di kolom parameter dan dapat menggunakan alat untuk memeriksa nilai tertentu di kolom:
    • Data sampel: Menampilkan hingga 100 nilai dari kolom untuk membantu Analisis Percakapan mempelajari pola atau menemukan kecocokan persis untuk nilai filter.
    • Penelusuran fuzzy: Membuat sekumpulan istilah penelusuran berdasarkan input pengguna dan memeriksa keberadaannya dalam dimensi untuk menemukan nilai filter yang sesuai. Data sampel dan penelusuran fuzzy menggunakan Suggestion API Looker dan oleh karena itu dipengaruhi oleh parameter LookML seperti suggestions, suggest_explore, dan suggest_dimension.
  • Analisis: Setelah Looker menjalankan kueri, Analisis Percakapan akan 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.
    • Plugin ini menggunakan eksekusi kode Python melalui Code Interpreter untuk melakukan analisis lebih lanjut terhadap hasilnya.
    • Fitur ini membuat visualisasi berdasarkan hasil kueri.

Dengan memanfaatkan model semantik Looker, Analisis Percakapan menyediakan 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 diatur.

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, alat ini memetakan bahasa natural 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 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 "Jeans Slim-fit" — menggunakan alat khusus untuk mengambil sampel data atau melakukan penelusuran fuzzy. Misalnya, jika pengguna meminta "celana jeans", agen dapat memicu penelusuran fuzzy di seluruh kolom Nama Produk untuk menemukan kecocokan string yang tepat dalam database Anda. Jika pengguna meminta "NY", apakah itu kolom City atau kolom State? Agen mungkin perlu mengambil sampel data untuk melihat kolom mana yang berisi "NY".
  3. Penyempurnaan dengan contoh kueri: Anda dapat memberikan contoh pertanyaan dan jawaban spesifik, yang disebut "kueri emas", dalam petunjuk agen data untuk meningkatkan akurasi kueri umum atau penting.

Kemudian, Looker menggunakan definisi LookML dari kolom ini dan logika lain yang ditentukan di Jelajah — termasuk definisi kolom, pemberian akses atau atribut pengguna, atau logika Liquid atau gabungan 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.

Agen data versus Percakapan

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

Agen data memberikan keuntungan berikut dibandingkan percakapan dengan Eksplorasi:

  • Melakukan percakapan dengan beberapa Eksplorasi: Dalam percakapan dengan Eksplorasi, Anda hanya dapat membuat kueri satu Eksplorasi dalam satu waktu. Namun, agen data dapat terhubung ke maksimal lima Eksplorasi 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 resource berikut:
    • Kueri emas: Anda dapat memberikan pasangan pertanyaan bahasa alami dan kueri Looker terverifikasi kepada agen untuk menyematkan pola bisnis umum dan mengurangi ambiguitas model secara signifikan.
    • 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, sehingga menetapkan gaya yang konsisten dan penilaian profesional untuk percakapan.
  • Spesialisasi agen: Daripada menggunakan satu antarmuka percakapan generik, Anda dapat membuat agen khusus untuk berbagai unit bisnis, seperti Agen Pendapatan atau Agen Operasional. Hal ini memungkinkan pengalaman analisis yang lebih terpandu, yang mengarahkan pengguna ke kolom dan filter tertentu yang paling relevan dengan kebutuhan mereka.
  • Kolaborasi dan penggunaan ulang: Percakapan eksplorasi biasanya terbatas pada satu pengguna, sementara agen data dapat dibagikan kepada anggota lain di organisasi Anda. Berbagi memastikan bahwa beberapa pengguna dapat memanfaatkan konteks dan tata kelola yang sama yang dibuat oleh administrator atau pakar data.
  • Perilaku kustom: Anda dapat mengonfigurasi agen agar beroperasi dalam persyaratan yang ketat, seperti menggunakan filter default — misalnya, "selalu gunakan default 6 bulan terakhir jika tidak ada jangka waktu yang disebutkan". Batasan ini memastikan bahwa agen beroperasi sesuai dengan standar keamanan dan tata kelola khusus organisasi Anda. Anda juga dapat menyembunyikan kolom di Eksplorasi untuk mencegah agen data menggunakannya dalam kueri.

Daftar dokumentasi

Memahami kemampuan kepatuhan fitur Gemini di Looker

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

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

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

Berikan masukan

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

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