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 de Looker, Conversational Analytics permet aux utilisateurs de votre organisation de poser des questions sur les données en langage naturel (conversationnel) pour une informatique décisionnelle en libre-service gouvernée 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 fonctionnalités clés suivantes :

  • Interroger des explorations en langage naturel : échangez en langage naturel avec une exploration individuelle ou avec un agent de données qui interroge jusqu'à cinq explorations.
  • Créer un agent de données pour interroger des explorations : vous pouvez personnaliser un agent d'interrogation d'exploration basé sur l'IA en fournissant un contexte et des instructions spécifiques à vos données. Cela permet à l'agent de données de générer des réponses plus précises et contextuellement pertinentes. Vous pouvez également partager vos agents de données avec d'autres utilisateurs ou les publier dans d'autres applications, comme Gemini Enterprise, afin qu'ils puissent poser des questions dans le même contexte. Vous pouvez connecter ce type d'agent de données à un maximum de cinq explorations.
  • Interroger un tableau de bord à l'aide d'un agent de données version bêta : utilisez Conversational Analytics pour générer un agent de données de tableau de bord qui peut interroger le tableau de bord et ses modèles sous-jacents. Les agents de tableau de bord sont disponibles lorsque le paramètre Activer les agents de tableau de bord est activé sur la page Gemini dans Looker du panneau Administration. Les résumés de tableau de bord sont disponibles lorsque le paramètre Activer le résumé du tableau de bord est activé sur la page Gemini dans Looker du panneau Administration.
  • Analyse avancée : la fonctionnalité Analyse avancée de Conversational Analytics traduit vos questions en langage naturel en code Python et exécute ce code. Par rapport aux requêtes standards basées sur SQL, l'utilisation de Python par la fonctionnalité Analyse avancée permet des analyses et des visualisations plus complexes.
  • Intégration : vous pouvez intégrer Conversational Analytics dans 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 avec leurs identifiants de connexion Looker, et avec l'intégration signée, où les utilisateurs sont authentifiés via votre propre application.
  • Surveillance de l'engagement des utilisateurs : les utilisateurs ayant accès au contenu de l'activité du système Looker peuvent en savoir plus sur l'engagement des utilisateurs avec les agents et les conversations Conversational Analytics. Le tableau de bord Conversational Analytics est disponible dans la section Activité du système du panneau Administration.
  • Workflows d'agent déclenchés (version bêta) : configurez des alertes et une surveillance basées sur des métriques directement via des requêtes en langage naturel dans des conversations autonomes avec des explorations ou avec des agents de données d'exploration. Les workflows d'agent sont disponibles lorsque le paramètre Workflows d'agent est activé sur la page Gemini dans Looker du panneau Administration.

Agents de données et conversations

Discuter avec un agent de données offre plusieurs avantages clés par rapport à une conversation standard avec une seule exploration. Bien que le fait de démarrer une conversation à partir d'une exploration permette 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 des explorations :

  • Discuter avec plusieurs explorations : dans une conversation 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 au maximum, ce qui permet aux utilisateurs d'effectuer des analyses interdomaines et de recevoir des réponses plus complètes.
  • Discuter avec un tableau de bord Looker : lorsque vous discutez avec un tableau de bord, Conversational Analytics crée un agent de données de tableau de bord que vous pouvez utiliser pour interroger non seulement un tableau de bord, mais également les explorations sous-jacentes du tableau de bord.
  • Contexte créé : vous pouvez fournir à votre agent de données des instructions personnalisées qui ne sont pas disponibles dans une conversation d'exploration 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 des modèles commerciaux courants et réduire considérablement l'ambiguïté pour le modèle.
    • Glossaires d'entreprise : vous pouvez définir un jargon ou des acronymes spécifiques à l'organisation directement dans les instructions de l'agent.
    • Cadre de persona : vous pouvez attribuer un rôle ou une expertise spécifique à l’agent, en définissant un ton cohérent et un jugement professionnel pour la conversation.
  • Spécialisation de l'agent : plutôt que d'utiliser l'interface générique unique d'une conversation, vous pouvez créer des agents spécialisés pour différentes unités commerciales, tels qu'un agent de revenus ou un agent Ops. Cela permet une expérience d'analyse plus guidée, en orientant les utilisateurs vers les champs et les filtres les plus pertinents pour leurs besoins.
  • Collaboration et réutilisation : les conversations d'exploration 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 garantit que plusieurs utilisateurs peuvent 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 , comme "toujours définir par défaut les six derniers mois si aucune période n'est mentionnée". Ces garde-fous garantissent que l'agent fonctionne conformément aux normes de gouvernance et de sécurité spécifiques de votre organisation. Vous pouvez également masquer des champs dans les explorations pour empêcher l'agent de données de les utiliser dans les requêtes.

Le tableau suivant récapitule les principales différences entre ces types de conversations et d'agents de données :

Fonctionnalité Conversational Analytics Principaux cas d'utilisation Point d'entrée Fonctionnalités de partage Limites
Conversations d'exploration
  • Requête standard en langage naturel d'une seule exploration Looker.
  • Organisation de questions associées sur un ensemble de données spécifique en sessions distinctes.
  • Utilise les modes de questions Rapide et Réflexion.
  • Depuis l'exploration : sélectionnez Démarrer une conversation.
  • Depuis la page Conversational Analytics : sélectionnez l'onglet Conversations.
 Généralement limité à un seul utilisateur (non partageable).
  • Limité à l'interrogation d'une seule exploration à la fois.
  • Aucun contexte ni instruction personnalisés (par exemple, requêtes de référence, personas, glossaires d'entreprise).
  • Aucune spécialisation d'agent pour les différentes unités commerciales d'une organisation.
  • L'option Démarrer une conversation n'est pas disponible lorsque vous utilisez la nouvelle expérience d'exploration.
Agents de données d'exploration
  • Agents d'analyse de données autonomes et spécialisés conçus pour des unités commerciales spécifiques d'une organisation (par exemple, agent de revenus, agent Ops).
  • Analyse interdomaines qui utilise jusqu'à cinq explorations connectées.
  • Contexte créé qui inclut des instructions personnalisées, des requêtes de référence, des glossaires d'entreprise et des cadres de persona pour appliquer des garde-fous et améliorer la précision.
  • Analyse avancée qui utilise l'exécution de code Python, si elle est activée.
  • Ne nécessite pas d'autorisations explore explicites.
 Depuis la page Conversational Analytics : sélectionnez l'onglet Agents. Peut être partagé avec d'autres utilisateurs de l'organisation en accordant un accès au contenu (Afficher ou Accès administrateur ; Modifier). Peut également être publié dans des applications externes telles que Gemini Enterprise (version bêta).
  • Nécessite access_data et d'autres autorisations sur les modèles sous-jacents aux explorations (le partage de l'agent n'accorde pas l'accès aux explorations).
  • N'accepte pas les requêtes de référence contenant des tableaux croisés dynamiques ou des champs personnalisés.
Agents de tableau de bord
  • Requête directe en langage naturel d'un tableau de bord Looker spécifique et de ses vignettes liées à la requête.
  • Organisation et personnalisation du comportement de l'agent sur les tableaux de bord avec des instructions personnalisées.
  • L'accès est géré strictement via les autorisations au niveau du tableau de bord (Gérer l'accès ; Modifier sur le tableau de bord) et les autorisations de modèle.
 Depuis le tableau de bord : sélectionnez Discuter avec ce tableau de bord. Ne peut pas être partagé avec d'autres utilisateurs.
  • Ne peut pas être partagé individuellement.
  • N'apparaît pas sur la page Conversational Analytics. Les conversations avec un agent de tableau de bord ne sont accessibles que depuis la page Conversations récentes, disponible dans le menu du tableau de bord.
  • Limité au contexte du tableau de bord et de ses vignettes liées à la requête.
  • La personnalisation du comportement de l'agent de tableau de bord avec des instructions personnalisées n'est pas acceptée pour les tableaux de bord LookML.
  • La fonctionnalité Analyse avancée n'est pas acceptée.

Comment fonctionne Conversational Analytics ?

Conversational Analytics utilise Gemini pour Google Cloud interpréter les questions en langage naturel et fournir des réponses dans Looker en fonction de vos données. Il utilise le modèle sémantique Looker (les définitions LookML de vos données) comme source de référence pour s'assurer que les réponses sont précises 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 questions précises et cohérentes.

Pour baser ses réponses sur vos données et votre contexte métier 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 manières :
    • 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 mapper les termes des questions des utilisateurs avec les champs appropriés. Par exemple, description peut fournir une terminologie ou un contexte spécifique à l'entreprise pour un champ. Conversational Analytics ignore tous les champs qui utilisent le hidden paramètre.
    • 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 d'exploration. 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 de données définis dans votre modèle LookML. Pour générer des requêtes, Conversational Analytics doit déterminer les valeurs correctes à utiliser dans les filtres. Ces valeurs doivent correspondre exactement aux valeurs des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les différences entre les valeurs que l'utilisateur inclut dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, Conversational Analytics utilise des valeurs définies avec allowed_value dans les champs parameter et peut utiliser des outils pour rechercher des valeurs spécifiques dans les champs :
    • Exemples de données : renvoie jusqu'à 100 valeurs d'un champ pour aider Conversational Analytics 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 l'entrée utilisateur et vérifie leur présence dans une dimension pour trouver des valeurs de filtre appropriées. Les exemples de données et la recherche approximative utilisent l'API de suggestions de Looker et sont donc influencés par des 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. Conversational Analytics 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'analyse avancée pour effectuer une analyse plus approfondie des résultats.
    • Il crée des visualisations basées sur les résultats des requêtes.

En tirant parti du modèle sémantique Looker, Conversational Analytics permet d'accéder aux données de différentes plates-formes (telles que BigQuery, AlloyDB, Redshift, Snowflake et Databricks) sans avoir à comprendre la complexité des données sous-jacentes. Il garantit également que toutes les réponses sont cohérentes et gouvernées.

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 écrivez lorsque vous créez ou modifiez l'agent.

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

  1. Mapper les termes sémantiques : les utilisateurs utilisent souvent un jargon métier dans leurs questions. L'agent utilise vos instructions d'agent et les métadonnées du champ LookML pour interpréter votre requête. Par exemple, pour la requête "Quel est le montant de nos nouvelles activités ?", un agent de données peut mapper "nouvelles activités" avec une mesure qui calcule les revenus récurrents mensuels. Pour la requête "Qui sont nos principaux clients ?", un agent de données peut mapper "principaux" avec un nombre d'utilisations et "clients" avec une dimension appelée Nom du client.
  2. Mapper les 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 correspondances exactes 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 voir quel champ contient "NY" ou poser une question de clarification.
  3. Affiner 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 champ, les autorisations d'accès ou les attributs utilisateur, les filtres de tableau de bord définis par l'utilisateur ou la logique Liquid ou de jointure complexe) 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.

Pour en savoir plus sur la façon dont votre agent utilise LookML, consultez la page de documentation Bonnes pratiques pour configurer Conversational Analytics dans Looker.

Liste de la documentation

Comprendre les fonctionnalités de conformité des fonctionnalités Gemini dans Looker

Conversational Analytics n'est pas encore inclus dans les limites d'autorisation FedRAMP High ou FedRAMP Medium. Avant d'activer le paramètre Gemini dans Looker pour votre instance Looker, discutez avec votre organisme d'autorisation pour savoir si les offres de conformité de Gemini pour Google Cloud's répondent aux besoins de votre organisation.

Pour les instances Looker (Google Cloud Core), chaque package de contrôle Assured Workloads qui devient disponible ajoute des fonctionnalités Gemini dans Looker aux offres par défaut lorsque les exigences et les processus de modification de ce package sont respectés. Conversational Analytics dans Looker respecte les fonctionnalités de conformité de l'instance Looker (Google Cloud Core) associée, à l'exception suivante :

La prise en charge de 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 et le machine learning (ML) sont traités à l'aide d'un service mondial.

Conformité dans l'Union européenne

Une option de traitement localisée est désormais disponible pour les clients basés dans l'Union européenne (UE). Elle permet de traiter les données dans la juridiction de l'UE. Cette option permet de router le trafic Conversational Analytics de Looker via un point de terminaison multirégional de l'UE, ce qui garantit que les données client de l'UE sont traitées dans l'UE.

Le traitement localisé s'applique à toutes les fonctionnalités Conversational Analytics dans Looker (à l'exception des agents de données de tableau de bord) et à tous les points de terminaison Conversational Analytics de l'API Looker. Il ne s'applique pas à l'API Conversational Analytics.

Cette option est disponible via une liste d'autorisation. Pour demander à être ajouté à la liste d'autorisation de traitement ML de Conversational Analytics Looker dans l'UE, remplissez le formulaire de demande de traitement ML Looker dans l'UE. Notez que la capacité est limitée. L'inscription est accordée sur une base fonctionnelle "selon disponibilité" et peut avoir un impact sur le débit du service. Vous recevrez un e-mail de confirmation une fois votre inscription effectuée.

Fournir des commentaires

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

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