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, l'analisi conversazionale consente agli utenti della tua organizzazione di porre domande relative ai dati in un linguaggio naturale (conversazionale) per una BI self-service controllata e attendibile. Questo approccio accelera l'adozione dell'analisi in tutta l'organizzazione fornendo governance e sicurezza di livello aziendale.

L'analisi conversazionale è disponibile sia nelle istanze di Looker (Google Cloud core) sia in quelle di Looker (originale).

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

Funzionalità principali

Conversational Analytics include le seguenti funzionalità principali:

  • Conversare con un'esplorazione di Looker: conversare in linguaggio naturale con i dati di Esplora di Looker o con un agente di dati personalizzato all'interno di un'istanza di Looker (originale) o di Looker (Google Cloud core). Puoi conversare con un massimo di cinque esplorazioni alla volta.
  • Crea e gestisci 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 dei dati con altri utenti, in modo che possano porre domande con lo stesso contesto. Puoi connettere il tuo agente a un massimo di cinque esplorazioni.
  • Analisi avanzata con Code Interpreter [Anteprima]: Code Interpreter in Conversational Analytics traduce le tue domande in linguaggio naturale in codice Python ed esegue il codice. Rispetto alle query standard basate su SQL, l'utilizzo di Python da parte di Code Interpreter consente analisi e visualizzazioni più complesse.
  • Incorpora Conversational Analytics in un sito web o un'applicazione: puoi incorporare Conversational Analytics in un sito web o in un'applicazione utilizzando un tag iframe HTML, proprio come puoi fare con altri tipi di contenuti di Looker. Conversational Analytics 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 Conversational Analytics?

L'analisi conversazionale utilizza Gemini per Google Cloud 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 sue risposte su dati e contesto aziendale specifici, Analisi conversazionale utilizza diverse tecniche:

  • Schema LookML: all'inizio di una richiesta, Conversational Analytics recupera lo schema dalle esplorazioni a cui è connesso. Conversational Analytics 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 un campo.
    • Formattazione delle risposte: Conversational Analytics utilizza i parametri label per assegnare nomi ai campi in modo intuitivo e i parametri value_format per formattare i dati nelle risposte.
  • Generazione di query: anziché eseguire query direttamente nel database, Conversational Analytics determina quali campi, filtri, ordinamenti e limiti devono essere utilizzati nella query. Looker compone ed esegue la query utilizzando il modello LookML sottostante. Questo processo è simile al modo in cui un utente interagisce con un'interfaccia di Esplora; l'analisi conversazionale non ha bisogno di comprendere la logica di join complessa o le definizioni dei campi 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 definite nel modello LookML. Per generare query, Conversational Analytics deve determinare i valori corretti da utilizzare nei filtri. Questi valori devono corrispondere esattamente ai valori nei dati sottostanti o a espressioni di filtro più 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, l'analisi conversazionale utilizza i valori definiti con allowed_value nei campi parameter e può utilizzare strumenti per verificare la presenza di valori specifici nei campi:
    • Dati di esempio: restituisce fino a 100 valori da un campo per aiutare l'analisi conversazionale a imparare i pattern o a trovare una corrispondenza esatta per i valori dei filtri.
    • Ricerca approssimativa: genera un insieme di termini di ricerca in base all'input utente'utente e ne verifica la presenza in una dimensione per trovare valori di filtro appropriati. Sia i dati di esempio sia la ricerca fuzzy utilizzano l'API di suggerimento di Looker e sono pertanto influenzati da parametri LookML come suggestions, suggest_explore e suggest_dimension.
  • Analisi: dopo l'esecuzione delle query, Conversational Analytics analizza i risultati delle query per rispondere alle domande degli utenti. L'analisi conversazionale può analizzare i risultati in uno o più dei seguenti modi:
    • Utilizza le funzionalità integrate di Gemini per interpretare e riassumere i risultati.
    • Utilizza l'esecuzione del codice Python tramite Code Interpreter per eseguire ulteriori analisi sui risultati.
    • Crea visualizzazioni in base ai risultati delle query.

Sfruttando il modello semantico di Looker, Conversational Analytics 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 controllate.

Come funzionano gli agenti di dati di Conversational Analytics?

Un agente dati di Conversational Analytics 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 in modo accurato, mappa il linguaggio naturale della query con le proprie istruzioni dell'agente e lo schema LookML dei dati nei seguenti modi:

  1. Mappatura dei termini semantici: gli utenti spesso utilizzano un linguaggio tecnico nelle loro domande. L'agente utilizza le istruzioni dell'agente e i metadati del campo LookML per interpretare la query. Ad esempio, per la query "Quanto nuovo business abbiamo generato?", un agente dei dati potrebbe mappare "nuovo business" a una misura che calcola le entrate ricorrenti mensili. Per la query "Chi sono i nostri clienti più importanti?", un agente dati sarebbe in grado di mappare "più importanti" a un conteggio di utilizzo e "clienti" a una dimensione chiamata 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 approssimativa nel campo Nome prodotto per trovare le corrispondenze esatte delle stringhe nel tuo database. Se un utente chiede "NY", si tratta del campo Città o del campo Stato? L'agente potrebbe dover campionare i dati per vedere quale campo contiene "NY".
  3. Perfezionamento con esempi di query: puoi fornire esempi specifici di domande e risposte, chiamati "query d'oro", nelle istruzioni dell'agente di dati per migliorare l'accuratezza delle query comuni o critiche.

Looker utilizza quindi le definizioni LookML di questi campi e altra logica definita nell'esplorazione, tra cui definizioni di 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.

Agenti di dati e Conversazioni

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

Gli agenti dei dati offrono il seguente vantaggio rispetto alle conversazioni con Esplora:

  • Chattare con più esplorazioni: in una conversazione con un'esplorazione, puoi eseguire query su una sola 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 di dati istruzioni personalizzate che non sono disponibili in una conversazione standard di Esplora, incluse le seguenti risorse:
    • Query d'oro: puoi fornire all'agente coppie di domande in linguaggio naturale e query Looker verificate per ancorare pattern aziendali comuni e ridurre significativamente l'ambiguità per il modello.
    • Glossari aziendali: puoi definire gerghi o acronimi specifici dell'organizzazione direttamente nelle istruzioni dell'agente.
    • Framework delle persona: puoi assegnare un ruolo o una competenza specifica all'agente, impostando un tono coerente e un giudizio professionale per la conversazione.
  • Specializzazione degli agenti: anziché utilizzare l'unica interfaccia generica di una conversazione, puoi creare agenti specializzati per diverse unità aziendali, ad esempio un agente per le entrate o un agente per le operazioni. Ciò consente un'esperienza di analisi più guidata, indirizzando gli utenti verso i campi e i filtri più pertinenti alle loro esigenze.
  • Collaborazione e riutilizzo: le esplorazioni delle conversazioni sono in genere limitate a un solo utente, mentre gli agenti dei dati possono essere condivisi con altri membri dell'organizzazione. La condivisione garantisce che più utenti possano usufruire dello stesso contesto e della stessa governance creati 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 "utilizza sempre gli ultimi 6 mesi se non viene menzionato alcun periodo di tempo". Queste misure di salvaguardia assicurano che l'agente operi nel rispetto degli standard di governance e sicurezza specifici della tua organizzazione. Puoi anche nascondere i campi in Esplora per impedire all'agente dati di utilizzarli nelle query.

Elenco della documentazione

Comprendere le funzionalità di conformità di Gemini nelle funzionalità di Looker

L'analisi conversazionale non è ancora inclusa nei limiti di autorizzazione FedRAMP High o FedRAMP Medium. Prima di attivare l'impostazione Gemini in Looker per la tua istanza di Looker, discuti con il tuo 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 una volta soddisfatti i requisiti e i processi di modifica del pacchetto. Conversational Analytics in Looker rispetta le funzionalità di conformità dell'istanza di Looker (Google Cloud core) associata, con la seguente eccezione:

Il supporto della residenza dei dati (DRZ), in particolare per i dati at-rest, è disponibile per tutti i clienti Looker. Tutti i dati inattivi associati ad Analisi conversazionale risiedono esclusivamente nell'istanza di Looker e sono limitati a una singola regione. I dati in transito potrebbero essere elaborati utilizzando un servizio globale.

Invia il tuo feedback

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

  • thumb_up Risposta valida: indica che la risposta è stata utile.
  • thumb_down Risposta scadente: indica che la risposta non è stata utile.