Panoramica di Analisi conversazionale in Looker

Analisi conversazionale è una funzionalità di chat con i dati basata su Gemini per Google Cloud. Basata sul livello di modellazione semantica di Looker, Analisi conversazionale consente agli utenti della tua organizzazione di porre domande relative ai dati in un linguaggio naturale (conversazionale) normale per la BI self-service gestita e attendibile. Questo approccio accelera l'adozione dell'analisi in tutta l'organizzazione fornendo governance e sicurezza di livello enterprise.

Analisi conversazionale è disponibile sia nelle istanze di Looker (Google Cloud core) sia nelle istanze di Looker (originale).

Scopri come e quando Gemini per Google Cloud utilizza i tuoi dati.

Funzionalità principali

Analisi conversazionale include le seguenti funzionalità principali:

  • Conversazione con un'esplorazione di Looker: conversa in linguaggio naturale con i dati di un'esplorazione di Looker o con un agente dati personalizzato all'interno di un'istanza di Looker (originale) o di un'istanza di Looker (Google Cloud core). Puoi conversare con una singola esplorazione o con un agente dati connesso a un massimo di cinque esplorazioni.
  • Creazione e gestione degli agenti dati: con gli agenti dati, puoi personalizzare l'agente di query sui dati basato sull'AI fornendo contesto e istruzioni specifici per i tuoi dati, il che aiuta l'agente dati a generare risposte più accurate e pertinenti al contesto. Puoi anche condividere i tuoi agenti dati con altri utenti in modo che possano porre domande con lo stesso contesto. Puoi connettere l'agente a un massimo di cinque esplorazioni.
  • Analisi avanzata con Code Interpreter [anteprima]: Code Interpreter in Analisi conversazionale traduce le tue domande in linguaggio naturale in codice Python ed esegue questo codice. Rispetto alle query standard basate su SQL, l'utilizzo di Python da parte di Code Interpreter consente analisi e visualizzazioni più complesse.
  • Incorporamento di Analisi conversazionale in un sito web o in un'applicazione: puoi incorporare Analisi conversazionale in un sito web o in un'applicazione utilizzando un tag iframe HTML, proprio come puoi fare con altri tipi di contenuti di Looker. Analisi conversazionale supporta sia l'incorporamento privato, in cui gli utenti vengono autenticati utilizzando le credenziali di accesso a Looker, sia l'incorporamento firmato, in cui gli utenti vengono autenticati tramite la tua applicazione.

Come funziona Analisi conversazionale?

Analisi conversazionale utilizza Gemini per Google Cloud per interpretare le domande in linguaggio naturale e fornire risposte basate sui tuoi dati in Looker. Utilizza il modello semantico di Looker, ovvero le definizioni LookML dei tuoi dati, come fonte attendibile per garantire che le risposte siano accurate e coerenti. Analisi conversazionale può interpretare le definizioni aziendali per metriche come "entrate" o "churn" perché sono definite in LookML, utilizzando queste definizioni per fornire domande accurate e coerenti.

Per basare le risposte sul contesto aziendale e sui dati specifici, Analisi conversazionale utilizza diverse tecniche:

  • Schema LookML: all'inizio di una richiesta, Analisi conversazionale recupera lo schema dalle esplorazioni a cui è connesso. Analisi conversazionale utilizza i parametri del modello LookML in diversi modi:
    • Identificazione dei campi: i metadati dello schema aiutano Analisi conversazionale a concentrarsi sui campi pertinenti. Questi metadati includono parametri LookML come name, label, description, type e dimension_group. Questi parametri aiutano Analisi conversazionale a mappare i termini nelle domande degli utenti ai campi corretti. Ad esempio, description può fornire terminologia o contesto specifici per l'attività per un campo.
    • Formattazione delle risposte: Analisi conversazionale utilizza i parametri label per la denominazione dei campi di facile utilizzo e i parametri value_format per la formattazione dei dati nelle risposte.
  • Generazione di query: anziché eseguire query direttamente sul database, Analisi conversazionale determina quali campi, filtri, ordinamenti e limiti devono essere utilizzati nella query. Looker compone ed esegue la query utilizzando il modello LookML sottostante. Questa procedura è simile a quella con cui un utente interagisce con un'interfaccia di esplorazione. Analisi conversazionale non ha bisogno di comprendere la logica di join o le definizioni dei campi complesse perché Looker gestisce la composizione delle query in base al modello LookML. La generazione di query garantisce che tutte le query rispettino la logica di join, il filtraggio, l'aggregazione e le autorizzazioni dei dati definiti nel modello LookML. Per generare le query, Analisi conversazionale deve determinare i valori corretti da utilizzare nei filtri. Questi valori devono corrispondere esattamente ai valori nei dati sottostanti o a espressioni di filtro avanzate, come i caratteri jolly. Per risolvere le discrepanze tra i valori inclusi dall'utente nelle domande in linguaggio naturale e i valori esatti che potrebbero essere richiesti da un filtro, Analisi conversazionale utilizza i valori definiti con allowed_value in parameter campi e può utilizzare gli strumenti per verificare la presenza di valori specifici nei campi:
    • Dati di esempio: restituisce fino a 100 valori da un campo per aiutare Analisi conversazionale a imparare i pattern o a trovare una corrispondenza esatta per i valori dei filtri.
    • Ricerca fuzzy: genera un insieme di termini di ricerca in base all'input utente e ne verifica la presenza in una dimensione per trovare i valori dei filtri appropriati. Sia i dati di esempio sia la ricerca fuzzy utilizzano l'API di suggerimenti di Looker e sono quindi influenzati da parametri LookML come suggestions, suggest_explore, e suggest_dimension.
  • Analisi: dopo che Looker esegue le query, Analisi conversazionale analizza i risultati delle query per rispondere alle domande degli utenti. Analisi conversazionale può analizzare i risultati in uno o più dei seguenti modi:
    • Utilizza le funzionalità Gemini integrate per interpretare e riepilogare i risultati.
    • Utilizza l'esecuzione del codice Python tramite Code Interpreter per eseguire ulteriori analisi sui risultati.
    • Crea visualizzazioni basate sui risultati delle query.

Sfruttando il modello semantico di Looker, Analisi conversazionale fornisce l'accesso ai dati di varie piattaforme, come BigQuery, AlloyDB, Redshift, Snowflake e Databricks, senza la necessità di comprendere la complessità dei dati sottostanti e garantisce che tutte le risposte siano coerenti e gestite.

Come funzionano gli agenti dati di Analisi conversazionale?

Un agente dati di Analisi conversazionale basa le sue risposte su due input principali: lo schema LookML dell'istanza, definito da uno sviluppatore Looker, e le istruzioni dell'agente, che scrivi quando crei l'agente.

Dalla query, un agente dati deve determinare quali campi LookML selezionare e quali filtri, ordinamenti o limiti applicare. Per farlo con precisione, mappa il linguaggio naturale nella query alle proprie istruzioni dell'agente e allo schema LookML dei dati nei seguenti modi:

  1. Mappatura dei termini semantici: gli utenti spesso utilizzano il gergo aziendale nelle loro domande. L'agente utilizza le istruzioni dell'agente e i metadati dei campi LookML per interpretare la query. Ad esempio, per la query "Quanto nuovo business abbiamo fatto?", un agente dati sarebbe in grado di mappare "nuovo business" a una misura che calcola le entrate ricorrenti mensili. Per la query "Chi sono i nostri clienti principali?", un agente dati sarebbe in grado di mappare "principali" a un conteggio di utilizzo e "clienti" a una dimensione denominata Nome cliente.
  2. Mappatura dei valori dei campi: l'agente cerca punti dati specifici, ad esempio "California" o "Jeans slim fit", utilizzando strumenti specializzati per campionare i dati o eseguire ricerche fuzzy. Ad esempio, se un utente chiede "jeans", l'agente potrebbe attivare una ricerca fuzzy nel campo Nome prodotto per trovare le corrispondenze esatte delle stringhe nel database. Se un utente chiede "NY", si tratta del campo Città o di un campo Stato? L'agente potrebbe dover campionare i dati per vedere quale campo contiene "NY" o porre una domanda chiarificatrice.
  3. Perfezionamento con esempi di query: puoi fornire esempi specifici di domande e risposte, chiamati "query dorate", nelle istruzioni dell'agente dati per migliorare l'accuratezza delle query comuni o critiche.

Looker utilizza quindi le definizioni LookML di questi campi e altre logiche definite nell'esplorazione, tra cui definizioni dei campi, concessioni di accesso o attributi utente o logica di join o Liquid complessa, per comporre la query inviata al database. Poiché l'agente non scrive l'intera query SQL, non ha bisogno di "comprendere" i dati e può operare in modo più accurato e deterministico.

Per saperne di più su come l'agente utilizza LookML, consulta la pagina della documentazione Best practice per la configurazione di Analisi conversazionale in Looker.

Agenti dati e conversazioni

La creazione di un agente dati offre diversi vantaggi chiave rispetto a una conversazione standard con una singola esplorazione. Sebbene l'avvio di una conversazione da un'esplorazione consenta di eseguire rapidamente query in linguaggio naturale su questa origine dati specifica, un agente dati funziona come un analista autonomo specializzato che può essere personalizzato e condiviso all'interno dell'organizzazione.

Gli agenti dati offrono i seguenti vantaggi rispetto alle conversazioni con le esplorazioni:

  • Chat con più esplorazioni: in una conversazione con un'esplorazione, puoi eseguire query su un'esplorazione alla volta. Tuttavia, un agente dati può connettersi a un massimo di cinque esplorazioni distinte, consentendo agli utenti di eseguire analisi cross-domain e ricevere risposte più complete.
  • Contesto creato: puoi fornire al tuo agente dati istruzioni personalizzate non disponibili in una conversazione di esplorazione standard, incluse le seguenti risorse:
    • Query dorate: puoi fornire all'agente coppie di domande in linguaggio naturale e query Looker verificate per ancorare i pattern aziendali comuni e ridurre significativamente l'ambiguità per il modello.
    • Glossari aziendali: puoi definire il gergo o gli acronimi specifici dell'organizzazione direttamente nelle istruzioni dell'agente.
    • Framework di persona: puoi assegnare un ruolo o una competenza specifici all'agente, impostando un tono coerente e un giudizio professionale per la conversazione.
  • Specializzazione dell'agente: anziché utilizzare la singola interfaccia generica di una conversazione, puoi creare agenti specializzati per diverse unità aziendali, ad esempio un agente entrate o un Ops Agent. Ciò consente un'esperienza di analisi più guidata, indirizzando gli utenti verso i campi e i filtri specifici più pertinenti alle loro esigenze.
  • Collaborazione e riutilizzo: le conversazioni di esplorazione sono in genere limitate a un utente, mentre gli agenti dati possono essere condivisi con altri membri dell'organizzazione. La condivisione garantisce che più utenti possano usufruire dello stesso contesto e della stessa governance sviluppati da un amministratore o da un esperto di dati.
  • Comportamento personalizzato: puoi configurare l'agente in modo che operi in base a requisiti rigorosi, ad esempio utilizzando filtri predefiniti , ad esempio "imposta sempre come predefinito gli ultimi 6 mesi se non viene menzionato alcun periodo di tempo". Questi limiti garantiscono che l'agente operi in base agli standard di governance e sicurezza specifici della tua organizzazione. Puoi anche nascondere i campi nelle esplorazioni per impedire all'agente dati di utilizzarli nelle query.

Elenco della documentazione

Comprendere le funzionalità di conformità di Gemini in Looker

Analisi conversazionale non è ancora incluso nei limiti di autorizzazione FedRAMP High o FedRAMP Medium. Prima di abilitare l'impostazione Gemini in Looker per l'istanza di Looker, discuti con l'ente autorizzatore se le offerte di conformità di Gemini per Google Cloudsoddisfano le esigenze della tua organizzazione.

Per le istanze di Looker (Google Cloud core), ogni pacchetto di controlli Assured Workloads che diventa disponibile aggiungerà le funzionalità di Gemini in Looker come offerte predefinite man mano che vengono soddisfatti i requisiti e le procedure di modifica del pacchetto. Analisi conversazionale in Looker rispetta le funzionalità di conformità dell'istanza di Looker (Google Cloud core) associata, con la seguente eccezione:

Il supporto per la residenza dei dati (DRZ), in particolare per i dati inattivi, è disponibile per tutti i clienti Looker. Tutti i dati inattivi associati ad Analisi conversazionale risiedono rigorosamente all'interno dell'istanza di Looker e sono limitati a una singola regione. I dati in transito possono essere elaborati utilizzando un servizio globale.

Invia il tuo feedback

Puoi fornire feedback a Google sulle singole risposte in Analisi conversazionale selezionando una delle seguenti opzioni:

  • thumb_up Buona risposta: indica che la risposta è stata utile.
  • thumb_down Risposta errata: indica che la risposta non è stata utile.