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 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 fiable et contrôlée. 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 principales fonctionnalités suivantes :

  • Interroger des explorations en langage naturel : conversez 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 les explorations : vous pouvez personnaliser un agent de requête de données optimisé par 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 avec 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 Aperçu : utilisez Conversational Analytics pour générer un agent de données de tableau de bord capable d'interroger le tableau de bord et ses modèles sous-jacents.
  • Analytics avancé : la fonctionnalité Analytics avancé de Conversational Analytics traduit vos questions en langage naturel en code Python et exécute ce code. Contrairement aux requêtes standards basées sur SQL, l'utilisation de Python par la fonctionnalité d'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 faites avec d'autres types de contenu Looker. Conversational Analytics est compatible avec l'intégration privée, où les utilisateurs sont authentifiés à l'aide de leur identifiant Looker, et avec l'intégration signée, où les utilisateurs sont authentifiés via votre propre application.

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. Alors que le lancement d'une conversation à partir d'une exploration permet 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 Explorer :

  • Discuter avec plusieurs explorations : lorsque vous discutez 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, ce qui permet aux utilisateurs d'effectuer des analyses interdomaines et d'obtenir 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 aussi 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 Explore 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 les modèles commerciaux courants et réduire considérablement l'ambiguïté pour le modèle.
    • Glossaires d'entreprise : vous pouvez définir des termes techniques ou des acronymes spécifiques à votre organisation directement dans les instructions de l'agent.
    • Framework de persona : vous pouvez attribuer un rôle ou une expertise spécifique à l'agent, ce qui permet de définir un ton cohérent et un jugement professionnel pour la conversation.
  • Spécialisation des agents : au lieu d'utiliser l'interface générique unique d'une conversation, vous pouvez créer des agents spécialisés pour différentes unités commerciales, comme 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 spécifiques les plus adaptés à leurs besoins.
  • Collaboration et réutilisation : les explorations 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 permet à plusieurs utilisateurs de 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 (par exemple, "toujours utiliser les six derniers mois si aucune période n'est mentionnée"). Ces garde-fous garantissent que l'agent fonctionne dans le respect des normes de gouvernance et de sécurité spécifiques à 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
Explorer les conversations
  • Requête standard en langage naturel pour une seule exploration Looker.
  • Organiser les questions associées à un ensemble de données spécifique dans des sessions distinctes.
  • Utilise les modes de questions Rapide et Réflexion.
  • Dans l'exploration, sélectionnez Démarrer une conversation.
  • Sur la page "Données analytiques conversationnelles", sélectionnez l'onglet Conversations.
 Généralement limitée à un seul utilisateur (non partageable).
  • Vous ne pouvez interroger qu'une seule exploration à la fois.
  • Aucun contexte ni aucune 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 Explorer.
Explorer les agents de données
  • 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 multidomaine à l'aide de cinq explorations connectées au maximum.
  • Contexte créé, y compris les instructions personnalisées, les requêtes de référence, les glossaires d'entreprise et les frameworks de persona pour appliquer des garde-fous et améliorer la justesse.
  • Analyses avancées à l'aide de l'exécution de code Python (si activée).
  • Ne nécessite pas d'autorisations explore explicites.
 Sur la page Conversational Analytics, sélectionnez l'onglet Agents. Vous pouvez le partager avec d'autres utilisateurs de l'organisation en leur accordant l'accès au contenu (Afficher ou Accès administrateur ; Modifier). Vous pouvez également les publier dans des applications externes comme Gemini Enterprise (version preview).
  • 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).
  • Ne prend pas en charge les requêtes de référence contenant des tableaux croisés dynamiques ou des champs personnalisés.
Agents du tableau de bord
  • Requêtes directes en langage naturel pour un tableau de bord Looker spécifique et ses vignettes liées à des requêtes.
  • Personnaliser le comportement de l'agent dans les tableaux de bord à l'aide d'instructions personnalisées.
  • L'accès est géré de manière stricte par le biais des autorisations au niveau du tableau de bord (Gérer l'accès ; Modifier sur le tableau de bord) et des autorisations du modèle.
 Dans le tableau de bord, sélectionnez Discuter avec ce tableau de bord. ne peuvent pas être partagées avec d'autres utilisateurs.
  • Impossible de les partager individuellement.
  • n'apparaissent pas sur la page "Conversational Analytics". Les conversations avec un agent du 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 associées aux requêtes.
  • Il n'est pas possible de personnaliser le comportement de l'agent de tableau de bord à l'aide d'instructions personnalisées pour les tableaux de bord LookML.
  • La fonctionnalité Analyse avancée n'est pas disponible.

Comment fonctionne Conversational Analytics ?

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

Pour ancrer ses réponses dans vos données et votre contexte commercial spécifiques, Conversational Analytics utilise plusieurs techniques :

  • Schéma LookML : au début d'une requête, Conversational Analytics récupère le schéma à partir des explorations qui y sont connectées. Conversational Analytics utilise les paramètres du modèle LookML de plusieurs façons :
    • Identification des champs : les métadonnées du schéma aident Conversational Analytics à identifier les champs pertinents. Ces métadonnées incluent des paramètres LookML tels que name, label, description, type et dimension_group. Ces paramètres aident Conversational Analytics à faire correspondre les termes des questions des utilisateurs aux champs appropriés. Par exemple, description peut fournir une terminologie ou un contexte spécifiques à l'entreprise pour un champ. L'analyse conversationnelle ignore tous les champs qui utilisent le paramètre hidden.
    • 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 Explorer. 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 d'accès aux 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 à celles des données sous-jacentes ou à des expressions de filtre plus avancées, telles que des caractères génériques. Pour résoudre les écarts entre les valeurs incluses par l'utilisateur dans ses questions en langage naturel et les valeurs exactes qui peuvent être requises par un filtre, l'analyse conversationnelle utilise les valeurs définies avec allowed_value dans les champs parameter et peut utiliser des outils pour rechercher des valeurs spécifiques dans les champs :
    • Exemple 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 les valeurs de filtre appropriées. Les données d'exemple et la recherche approximative utilisent l'API de suggestions de Looker. Elles sont donc influencées par les 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 capacités Gemini intégrées pour interpréter et résumer les résultats.
    • Il utilise l'exécution de code Python via Advanced Analytics pour effectuer une analyse plus approfondie des résultats.
    • Il crée des visualisations basées sur les résultats des requêtes.

En exploitant le modèle sémantique Looker, Conversational Analytics permet d'accéder aux données de différentes plates-formes (BigQuery, AlloyDB, Redshift, Snowflake et Databricks, par exemple) sans avoir à comprendre la complexité des données sous-jacentes. Elle garantit également que toutes les réponses sont cohérentes et régies.

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 rédigez lorsque vous créez ou modifiez l'agent.

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

  1. Mappage des termes sémantiques : les utilisateurs utilisent souvent du jargon professionnel dans leurs questions. L'agent utilise vos instructions et les métadonnées des champs LookML pour interpréter votre requête. Par exemple, pour la requête "Quel est le montant des nouveaux contrats que nous avons conclus ?", un agent de données pourra mapper "nouveaux contrats" à une mesure qui calcule le revenu récurrent mensuel. Pour la requête "Qui sont nos principaux clients ?", un agent de données pourrait mapper "principaux" à un nombre d'utilisations et "clients" à une dimension appelée Nom du client.
  2. Mappage des 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 chaînes exactes correspondantes 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 identifier le champ contenant "NY" ou poser une question de clarification.
  3. Affinement 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 champs, les autorisations d'accès ou les attributs utilisateur, les filtres de tableau de bord définis par l'utilisateur ou la logique complexe Liquid ou de jointure) 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 capacités 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, demandez à votre organisme d'autorisation si les offres de conformité de Gemini pour Google Cloudrépondent aux besoins de votre organisation.

Pour les instances Looker (Google Cloud Core), chaque package de contrôles Assured Workloads qui devient disponible ajoute les fonctionnalités Gemini dans Looker en tant qu'offres par défaut, une fois que 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 de ce qui suit :

L'assistance pour 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 peuvent être traitées à l'aide d'un service mondial.

Fournir des commentaires

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

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