סקירה כללית של ניתוח נתונים בשיחה ב-Looker

ניתוח נתונים בממשק שיחה היא תכונה שמאפשרת לכם להתכתב בצ'אט עם הנתונים שלכם, והיא מבוססת על Gemini for Google Cloud. הכלי "ניתוח שיחות" מבוסס על שכבת המודלים הסמנטיים של Looker, ומאפשר למשתמשים בארגון לשאול שאלות שקשורות לנתונים בשפה רגילה וטבעית (שיחתית) כדי לקבל שירות עצמי מנוהל ואמין של BI. הגישה הזו מאיצה את ההטמעה של ניתוח נתונים בארגון, באמצעות מתן פיקוח ואבטחה ברמה שמתאימה לארגונים.

התכונה Conversational Analytics זמינה גם במופעים של Looker (Google Cloud core) וגם במופעים של Looker (original).

איך Gemini for Google Cloud ‎ משתמש בנתונים שלכם, ובאילו מקרים.

תכונות עיקריות

התכונות העיקריות של ניתוח נתונים באמצעות שיחה:

  • שאילתות בשפה טבעית ב-Explore: אפשר לנהל שיחה בשפה טבעית עם Explore ספציפי או עם סוכן לאינטראקציה עם נתונים ששולח שאילתות לעד חמישה Explore.
  • יצירת סוכן לאינטראקציה עם נתונים כדי לשלוח שאילתות לניתוחים: אתם יכולים להתאים אישית סוכן מבוסס-AI לשליחת שאילתות לניתוחים. כדי לעשות את זה, אתם צריכים לספק הקשר והוראות שספציפיים לנתונים שלכם. כך הסוכן לאינטראקציה עם נתונים יוכל ליצור תשובות מדויקות יותר ורלוונטיות יותר להקשר. אתם יכולים גם לשתף את סוכני האינטראקציה עם נתונים שלכם עם משתמשים אחרים או לפרסם אותם באפליקציות אחרות, כמו Gemini Enterprise, כדי שהם יוכלו לשאול שאלות באותו הקשר. אתם יכולים לקשר סוכן לאינטראקציה עם נתונים כזה ל-5 Explores לכל היותר. כדי לשפר את הדיוק של התשובות מהסוכן לאינטראקציה עם נתונים ב-Explore, הוסיפו שאילתות מאומתות להקשר של הסוכן.
  • שאילתה למרכז בקרה באמצעות סוכן לאינטראקציה עם נתונים: אתם יכולים להשתמש בניתוח נתונים באמצעות שיחה כדי ליצור סוכן לאינטראקציה עם נתונים במרכז הבקרה, שיכול לשלוח שאילתות למודלים הבסיסיים של מרכז הבקרה. כשמפעילים סוכנים בלוח הבקרה, כל לוח בקרה מספק סוכן ברירת מחדל אחד משותף שיכול לשלוח שאילתות ללוח הבקרה ולמשבצות שמקושרות לשאילתות שלו. סוכני מרכז הבקרה זמינים כשההגדרה סוכני מרכז הבקרה מופעלת בדף Gemini ב-Looker בחלונית ניהול. בנוסף, יוצרי מרכזי הבקרה יכולים להפעיל או להשבית את הנציגים ברמת מרכז הבקרה הספציפי. סוכני לוח הבקרה זמינים ללוחות בקרה בהגדרת המשתמש ולמרכזי שליטה של LookML.
  • ניתוח מתקדם: התכונה ניתוח מתקדם בכלי "ניתוח שיחות" מתרגמת את השאלות שלכם בשפה טבעית לקוד Python ומריצה את הקוד הזה. בהשוואה לשאילתות רגילות שמבוססות על SQL, התכונה ניתוח מתקדם משתמשת ב-Python כדי לאפשר ניתוחים והמחשות מורכבים יותר.
  • הטמעה: אתם יכולים להטמיע את "ניתוח נתונים בשיחה" באתר או באפליקציה באמצעות תג iframe ב-HTML, בדיוק כמו שאפשר לעשות עם סוגי תוכן אחרים ב-Looker. הכלי "ניתוח נתונים באמצעות שיחה" תומך גם בהטמעה פרטית, שבה המשתמשים מאומתים באמצעות פרטי הכניסה שלהם ל-Looker, וגם בהטמעה חתומה, שבה המשתמשים מאומתים באמצעות האפליקציה שלכם.
  • מעורבות משתמשים ושימוש בטוקנים: משתמשים שיש להם גישה לפעילות המערכת ב-Looker יכולים לעקוב אחרי מעורבות המשתמשים והשימוש בטוקנים של סוכני ניתוח הנתונים בממשק שיחה בכל המופע. לוח הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin.
  • תגובות ומשוב לשאילתות של משתמשים [גרסת טרום-השקה (Preview)]: משתמשים שיש להם גישה לתוכן של פעילות המערכת ב-Looker יכולים לעקוב אחרי נתוני השאילתות והמשוב של המשתמשים, אם המשתמשים הסכימו לשתף את נתוני השאילתות שלהם ואם אדמין ב-Looker הפעיל את התכונה בדיקת שאילתות של משתמשי קצה ב-Conversational Analytics (CA) בגרסת טרום-השקה (Preview). לוח הבקרה Conversational Analytics זמין בקטע System Activity בחלונית Admin.
  • Agentic Workflows שמופעלים על ידי טריגרים [גרסת טרום-השקה (Preview)]: אתם יכולים להגדיר התראות ומעקב על סמך מדדים ישירות באמצעות שאילתות בשפה טבעית בצ'אטים ישירים עם Explore או עם סוכנים לאינטראקציה עם נתונים של Explore. Agentic Workflows זמינים כשההגדרות הפעלת תכונות של בודק מהימן וAgentic Workflows מופעלות בדף Gemini ב-Looker בחלונית ניהול, יחד עם ההגדרה של ניתוח שיחות שתואמת לתוכן שבו אתם משתמשים (ניתוח שיחות (דף השיחות) ל-Explores או סוכנים של לוח בקרה ללוחות בקרה).
  • תהליכי עבודה מתוזמנים מבוססי-סוכן גרסת טרום-השקה (Preview): אתם יכולים להגדיר תהליכי עבודה חוזרים מבוססי-סוכן כדי לעקוב אחרי הנתונים ולשלוח דוחות חוזרים. תזמון של Agentic Workflows זמין כשההגדרה Agentic Workflows מופעלת בדף Gemini ב-Looker בחלונית Admin, יחד עם ההגדרה של ניתוח נתונים באמצעות שיחה שתואמת לתוכן שבו אתם משתמשים (ניתוח נתונים באמצעות שיחה (דף השיחות) ל-Explores או סוכנים של מרכזי בקרה למרכזי בקרה).

בקטע רשימת מסמכי התיעוד שבדף הזה יש קישורים למידע מפורט יותר על כל תכונה.

רשימת מסמכים

סוכנים לאינטראקציה עם נתונים לעומת שיחות

לשיחה עם סוכן לאינטראקציה עם נתונים יש כמה יתרונות מרכזיים על פני שיחה רגילה עם כלי Explore אחד. כשמתחילים שיחה מהכלי "ניתוח נתונים", אפשר לשלוח שאילתות בשפה טבעית למקור הנתונים הספציפי הזה. לעומת זאת, סוכן לאינטראקציה עם נתונים פועל כאנליסט עצמאי ומתמחה שאפשר להתאים אישית ולשתף עם כל הארגון.

לסוכנים לאינטראקציה עם נתונים יש את היתרונות הבאים על פני שיחות עם Explores:

  • שיחה עם כמה כלי Explore: בשיחה עם כלי Explore, אתם מוגבלים לשליחת שאילתות לכלי אחד בכל פעם. עם זאת, סוכן לאינטראקציה עם נתונים יכול להתחבר לעד חמישה ניתוחים נפרדים, וכך לאפשר למשתמשים לבצע ניתוח בכמה דומיינים ולקבל תשובות מקיפות יותר.
  • צ'אט עם לוח בקרה ב-Looker: כשאתם מתכתבים בצ'אט עם לוח בקרה, ניתוח נתונים בשיחה יוצר סוכן לאינטראקציה עם נתונים של לוח הבקרה שבו אתם יכולים להשתמש כדי לשלוח שאילתות לא רק ללוח הבקרה, אלא גם ל-Explores הבסיסיים של לוח הבקרה.
  • הקשר שאתם יוצרים: אתם יכולים לתת לסוכן לאינטראקציה עם נתונים הוראות מותאמות אישית שלא זמינות בשיחה רגילה ב-Explore, כולל המשאבים הבאים:
    • מילוני מונחים ארגוניים: אתם יכולים להגדיר ז'רגון או ראשי תיבות ספציפיים לארגון ישירות בהוראות של הנציג.
    • מסגרת פרסונה: אתם יכולים להקצות לסוכן תפקיד או תחום מומחיות ספציפיים, כדי להגדיר טון עקבי ושיקול דעת מקצועי לשיחה.
  • התמחות של סוכנים: במקום להשתמש בממשק גנרי אחד של שיחה, אתם יכולים ליצור סוכנים שמתמחים ביחידות עסקיות שונות, כמו סוכן הכנסות או סוכן תפעול. כך אפשר ליהנות מחוויית ניתוח מודרכת יותר, שמובילה את המשתמשים לשדות ולמסננים הספציפיים שהכי רלוונטיים לצרכים שלהם.
  • שיתוף פעולה ושימוש חוזר: שיחות ב-Explore בדרך כלל מוגבלות למשתמש אחד, אבל אפשר לשתף סוכנים לאינטראקציה עם נתונים עם חברים אחרים בארגון. השיתוף מבטיח שריבוי משתמשים יוכלו ליהנות מאותו הקשר וניהול שפותחו על ידי אדמין או מומחה נתונים.
  • התנהגות בהתאמה אישית: אתם יכולים להגדיר את הנציג כך שיפעל לפי דרישות מחמירות, כמו שימוש במסנני ברירת מחדל. לדוגמה, "אם לא צוין טווח זמן, תמיד להשתמש בברירת המחדל של 6 החודשים האחרונים". אמצעי ההגנה האלה מבטיחים שהנציג יפעל במסגרת תקני המשילות והאבטחה הספציפיים של הארגון. אפשר גם להסתיר שדות ב-Explores כדי למנוע מהסוכן לאינטראקציה עם נתונים להשתמש בהם בשאילתות.

בטבלה הבאה מפורטים ההבדלים העיקריים בין סוגי השיחות והסוכנים לאינטראקציה עם נתונים:

התכונה "ניתוח נתונים בממשק צ'אט" תרחישי שימוש עיקריים נקודת כניסה יכולות שיתוף מגבלות
עיון בשיחות
  • שאילתות רגילות בשפה טבעית ב-Explore אחד ב-Looker.
  • לארגן שאלות קשורות לגבי קבוצת נתונים ספציפית בסשנים נפרדים.
  • משתמש במצבי השאלות זריז והעמקה.
  • בקטע "כלי עזר": לוחצים על התחלת שיחה.
  • בדף "ניתוח נתונים של שיחות": לוחצים על הכרטיסייה שיחות.
 בדרך כלל מוגבל למשתמש אחד (לא ניתן לשיתוף).
  • אפשר לשלוח שאילתה רק לניתוח אחד בכל פעם.
  • אין הקשר או הוראות בהתאמה אישית (לדוגמה, שאילתות מאומתות, פרסונות, מילון המונחים הארגוני).
  • אין התמחות של נציגים ליחידות עסקיות שונות של ארגון.
  • האפשרות התחלת שיחה לא זמינה כשמשתמשים בכלי החדש של Explore.
מידע על סוכנים לאינטראקציה עם נתונים
  • סוכנים עצמאיים וייעודיים לניתוח נתונים, שמיועדים ליחידות עסקיות ספציפיות בארגון (לדוגמה, סוכן הכנסות, סוכן תפעול).
  • ניתוח בכמה דומיינים שמשתמש בעד חמישה ניתוחי Explore מקושרים.
  • הקשר שנוצר על ידי המשתמש וכולל הוראות מותאמות אישית, שאילתות מאומתות, מילוני מונחים ארגוניים ומסגרות של פרסונות כדי לאכוף אמצעי הגנה ולשפר את הדיוק.
  • ניתוח מתקדם באמצעות הרצת קוד Python, אם התכונה מופעלת.
  • לא נדרשות הרשאות explore מפורשות.
 בדף Conversational Analytics: לוחצים על הכרטיסייה Agents. אפשר לשתף אותם עם משתמשים אחרים בארגון על ידי מתן גישה לתוכן (צפייה או גישת ניהול; עריכה). אפשר גם לפרסם אותם באפליקציות חיצוניות כמו Gemini Enterprise (גרסת טרום-השקה).
  • נדרשת ההרשאה access_data והרשאות אחרות במודלים שעליהם מבוססות האפשרויות הנוספות (שיתוף הסוכן לא מעניק גישה לאפשרויות הנוספות).
  • אין תמיכה בשאילתות מאומתות שמכילות טבלאות צירים או שדות בהתאמה אישית.
נציגים במרכז הבקרה
  • שאילתות ישירות בשפה טבעית לגבי מרכז בקרה ספציפי ב-Looker והמשבצות שמקושרות לשאילתות.
  • לאסוף נתונים ולהתאים אישית את ההתנהגות של הסוכן במרכזי הבקרה באמצעות הוראות מותאמות אישית.
  • הגישה מנוהלת אך ורק באמצעות הרשאות ברמת מרכז הבקרה (ניהול הגישה; עריכה במרכז הבקרה) והרשאות למודל.
  • אפשר להפעיל או להשבית את ההגדרה ברמת לוח הבקרה הספציפי בלוחות בקרה בהגדרת המשתמש.
 ממרכז הבקרה: לוחצים על צ'אט עם מרכז הבקרה הזה. הוא מקבל בירושה את מודל השיתוף של מרכז הבקרה.
  • אי אפשר לשתף אותם בנפרד ממרכז הבקרה.
  • לא מופיעים בדף "ניתוח שיחות". אפשר לגשת לשיחות עם נציג במרכז הבקרה רק מהדף שיחות אחרונות, שזמין בתפריט של מרכז הבקרה.
  • מוגבל להקשר של מרכז הבקרה והמשבצות שלו שמקושרות לשאילתות.
  • אי אפשר להתאים אישית את ההתנהגות של הסוכן במרכז הבקרה באמצעות הוראות מותאמות אישית במרכזי בקרה של LookML.
  • התכונה ניתוח מתקדם לא נתמכת.

איך פועל ניתוח נתונים באמצעות שיחה?

התכונה "ניתוח נתונים באמצעות שיחה" משתמשת ב-Gemini for Google Cloud כדי לפרש שאלות בשפה טבעית ולספק תשובות ב-Looker על סמך הנתונים שלכם. הוא משתמש במודל הסמנטי של Looker – הגדרות LookML של הנתונים שלכם – כמקור האמין שלו כדי לוודא שהתשובות מדויקות ועקביות. ניתוח נתונים באמצעות שיחה יכול לפרש את ההגדרות העסקיות שלכם למדדים כמו "הכנסה" או "שיעור נטישה" כי הם מוגדרים ב-LookML, ולהשתמש בהגדרות האלה כדי לספק שאלות מדויקות ועקביות.

כדי לבסס את התשובות על הנתונים הספציפיים ועל ההקשר העסקי שלכם, הכלי "ניתוח שיחות" משתמש בכמה שיטות:

  • סכימת LookML: בתחילת הבקשה, הכלי "ניתוח בעזרת AI" מאחזר את הסכימה מהחקירות שמחוברות אליו. התכונה "ניתוח נתונים באמצעות שיחה" משתמשת בפרמטרים מהמודל של LookML בכמה דרכים:
    • זיהוי שדות: מטא-נתונים מהסכימה עוזרים ל-Conversational Analytics להתמקד בשדות רלוונטיים. המטא-נתונים האלה כוללים פרמטרים של LookML כמו name,‏ label,‏ description,‏ type ו-dimension_group. הפרמטרים האלה עוזרים ל-Conversational Analytics למפות מונחים בשאלות של משתמשים לשדות הנכונים. לדוגמה, description יכול לספק טרמינולוגיה או הקשר ספציפיים לעסק בשדה מסוים. ניתוח נתונים בשיחה מתעלם משדות שמשתמשים בפרמטר hidden.
    • עיצוב התשובות: הכלי "ניתוח נתונים בעזרת AI" משתמש בפרמטרים של label כדי לתת לשדות שמות ידידותיים למשתמש, ובפרמטרים של value_format כדי לעצב את הנתונים בתשובות.
  • יצירת שאילתות: במקום לשלוח שאילתות ישירות למסד הנתונים, ניתוח נתונים באמצעות שיחה קובע באילו שדות, מסננים, מיונים ומגבלות צריך להשתמש בשאילתה. לאחר מכן, Looker יוצר ומריץ את השאילתה באמצעות מודל LookML הבסיסי. התהליך הזה דומה לאינטראקציה של משתמש עם ממשק Explore. ניתוח נתונים בממשק שיחה לא צריך להבין לוגיקה מורכבת של צירוף או הגדרות של שדות, כי Looker מטפל בהרכבת השאילתה על סמך המודל של LookML. יצירת השאילתות מבטיחה שכל השאילתות יתאימו ללוגיקת הצירוף, לסינון, לצבירה ולהרשאות הנתונים שמוגדרות במודל LookML. כדי ליצור שאילתות, הכלי "ניתוח נתונים בעזרת AI" צריך לקבוע את הערכים הנכונים לשימוש במסננים. הערכים האלה חייבים להיות התאמה מדויקת לערכים בנתונים הבסיסיים או לביטויי סינון מתקדמים יותר, כמו תווים כלליים לחיפוש. כדי לפתור אי-התאמות בין הערכים שהמשתמש כולל בשאלות בשפה טבעית לבין הערכים המדויקים שעשויים להידרש על ידי מסנן, ניתוח נתונים בממשק שיחה משתמש בערכים שמוגדרים באמצעות allowed_value בשדות parameter ויכול להשתמש בכלים כדי לבדוק ערכים ספציפיים בשדות:
    • נתונים לדוגמה: החזרת עד 100 ערכים משדה כדי לעזור לניתוח נתוני השיחות ללמוד דפוסים או למצוא התאמה מדויקת לערכי מסננים.
    • חיפוש לא מדויק: יוצר קבוצה של מונחי חיפוש על סמך קלט של המשתמש ובודק אם הם קיימים במאפיין כדי למצוא ערכי סינון מתאימים. גם נתונים לדוגמה וגם חיפוש לא מדויק משתמשים ב-API של Looker להצעות, ולכן הם מושפעים מפרמטרים של LookML כמו suggestions,‏ suggest_explore ו-suggest_dimension.
  • ניתוח: אחרי ש-Looker מריץ את השאילתות, ניתוח הנתונים בממשק שיחה מנתח את תוצאות השאילתות כדי לענות על שאלות המשתמשים. הכלי "ניתוח שיחות" יכול לנתח את התוצאות באחת או יותר מהדרכים הבאות:
    • הוא משתמש ביכולות המובנות של Gemini כדי לפרש ולסכם את התוצאות.
    • הוא משתמש בהרצת קוד Python דרך ניתוח מתקדם כדי לבצע ניתוח נוסף של התוצאות.
    • הוא יוצר תצוגות חזותיות על סמך תוצאות של שאילתות.

הכלי "ניתוח נתונים בעזרת שיחה" משתמש במודל הסמנטי של Looker כדי לספק גישה לנתונים מפלטפורמות שונות, כמו BigQuery, ‏ AlloyDB, ‏ Redshift, ‏ Snowflake ו-Databricks, בלי שתצטרכו להבין את המורכבות של הנתונים הבסיסיים. בנוסף, הוא מבטיח שכל התשובות יהיו עקביות ומנוהלות.

איך פועלים סוכנים לאינטראקציה עם נתונים של Conversational Analytics?

סוכן לאינטראקציה עם נתונים של Conversational Analytics מבסס את התשובות שלו על שני מקורות קלט עיקריים: הסכימה של LookML במכונה שלכם, שמוגדרת על ידי מפתח Looker, והוראות לסוכן, שאתם כותבים כשאתם יוצרים או עורכים את הסוכן.

הסוכן לאינטראקציה עם נתונים צריך לקבוע לפי השאילתה שלכם אילו שדות LookML לבחור ואילו מסננים, מיונים או מגבלות להחיל. כדי לעשות את זה בצורה מדויקת, הוא ממפה את השפה הטבעית בשאילתה להוראות של הסוכן ולסכימת ה-LookML של הנתונים בדרכים הבאות:

  1. מיפוי מונחים סמנטיים: משתמשים משתמשים לעיתים קרובות בז'רגון עסקי בשאלות שלהם. הסוכן משתמש בהוראות לסוכן ובמטא-נתונים של השדות ב-LookML כדי לפרש את השאילתה. לדוגמה, לשאילתה "כמה עסקים חדשים עשינו?" סוכן לאינטראקציה עם נתונים יוכל למפות את "עסקים חדשים" למדד שמחשב את ההכנסה החודשית החוזרת. לשאילתה "מי הלקוחות המובילים שלנו?", סוכן לאינטראקציה עם נתונים יוכל למפות את המילה "מובילים" למספר שימושים ואת המילה "לקוחות" למאפיין שנקרא שם הלקוח.
  2. מיפוי ערכי שדות: הנציג מחפש נקודות ספציפיות על הגרף – לדוגמה, "California" או "Slim-fit Jeans" – באמצעות כלים מיוחדים לדגימת הנתונים או לביצוע חיפושים לא מדויקים. לדוגמה, אם משתמש מבקש "ג'ינס", הנציג יכול להפעיל חיפוש לא מדויק בשדה שם המוצר כדי למצוא את ההתאמות המדויקות למחרוזת במסד הנתונים. אם משתמש מבקש "NY", האם זה השדה עיר או השדה מדינה? יכול להיות שהנציג יצטרך לדגום את הנתונים כדי לראות איזה שדה מכיל את הערך "NY" או לשאול שאלה כדי להבהיר את הבקשה.
  3. דוגמאות לשאילתות: אתם יכולים לספק דוגמאות ספציפיות לשאלות ותשובות, שנקראות שאילתות מאומתות או שאילתות לדוגמה, בהקשר של סוכן לאינטראקציה עם נתונים כדי לשפר את הדיוק של שאילתות נפוצות או קריטיות.

לאחר מכן, Looker משתמש בהגדרות LookML של השדות האלה ובלוגיקה אחרת שמוגדרת ב-Explore – כולל הגדרות שדות, הרשאות גישה או מאפייני משתמש, מסננים של לוח בקרה בהגדרת המשתמש או לוגיקה מורכבת של Liquid או של צירוף – כדי ליצור את השאילתה שנשלחת למסד הנתונים. הנציג לא כותב את כל שאילתת ה-SQL, ולכן הוא לא צריך "להבין" את הנתונים ויכול לפעול בצורה מדויקת ודטרמיניסטית יותר.

מידע נוסף על האופן שבו הנציג משתמש ב-LookML זמין בדף התיעוד שיטות מומלצות להגדרת ניתוח נתונים בממשק שיחה ב-Looker.

מגבלות ידועות

אלו המגבלות הידועות של סוכנים בלוח הבקרה של ניתוח שיחות:

  • אין תמיכה בניתוח מתקדם בסוכני מרכז הבקרה.
  • סוכנים של מרכז בקרה מקבלים בירושה את מודל השיתוף של מרכז הבקרה. הגישה לסוכן כפופה לגישה למרכז הבקרה הבסיסי.
  • אי אפשר לשנות את ההקשר או ההוראות של סוכנים במרכז שליטה של LookML.

מגבלות על תצוגות חזותיות

הכלי "ניתוח שיחות" משתמש ב-Vega-lite כדי ליצור תרשימים של שיחות. יש תמיכה מלאה בסוגי התרשימים הבאים של Vega:

  • תרשים קו (סדרה אחת או יותר)
  • תרשים שטח
  • תרשים עמודות (אופקי, אנכי, מקובץ)
  • תרשים פיזור (קבוצה אחת או יותר)
  • תרשים עוגה

סוגי התרשימים הבאים של Vega נתמכים, אבל יכול להיות שתיתקלו בהתנהגות לא צפויה במהלך העיבוד שלהם:

  • מפות
  • מפות חום
  • תרשימים עם הסברים קצרים

אין תמיכה בסוגי תרשימים שלא קיימים בקטלוג של Vega. כל תרשים שלא מצוין בקטע הזה נחשב כלא נתמך.

מגבלות על מקורות נתונים

לניתוח נתונים באמצעות שיחה יש את המגבלות הבאות על מקורות הנתונים:

  • בניתוח נתונים באמצעות שיחה אפשר לקבל עד 50,000 שורות לכל שאילתה.
  • ניתוח נתונים בממשק שיחה לא יכול להגדיר את הערך של שדה לסינון בלבד שמוגדר באמצעות הפרמטרים parameter או filter של LookML.

מגבלות על שאלות

התכונה "ניתוח נתונים בשיחה" תומכת בשאלות שאפשר לענות עליהן באמצעות תרשים אחד להמחשה, לדוגמה:

  • מגמות של המדדים לאורך זמן
  • פירוט או התפלגות של המדדים לפי מאפיין
  • ערכים ייחודיים של אחד או כמה מהמאפיינים
  • ערכים של מדד מסוים
  • הערכים של המאפיינים הבולטים לפי מדד

בשלב הזה, ניתוח נתונים בממשק צ'אט לא תומך בשאלות שאפשר לענות עליהן רק באמצעות סוגי התרשימים המורכבים הבאים:

  • חיזוי ותחזיות
  • ניתוח סטטיסטי מתקדם, כולל זיהוי מתאמים ואנומליות

הסבר על יכולות התאימות של התכונות של Gemini ב-Looker

ניתוח נתוני השיחות עדיין לא נכלל בגבולות ההרשאה של FedRAMP High או FedRAMP Medium. לפני שמפעילים את ההגדרה Gemini ב-Looker במכונה של Looker, צריך לדון עם הגורם המאשר אם הצעות התאימות של Gemini ל- Google Cloudעונות על הצרכים של הארגון.

במכונות של Looker (Google Cloud core), כל חבילת אמצעי בקרה של Assured Workloads שתהיה זמינה תוסיף את התכונות של Gemini ב-Looker להצעות שמוגדרות כברירת מחדל, כשהדרישות והתהליכים לשינוי של החבילה הזו יתקיימו. הניתוח באמצעות שיחה ב-Looker פועל בהתאם ליכולות התאימות של המכונה המשויכת של Looker (Google Cloud core), למעט החריג הבא:

כל לקוחות Looker יכולים לקבל תמיכה במיקום אחסון הנתונים (DRZ), במיוחד לנתונים במנוחה. כל הנתונים במנוחה שמשויכים לניתוח נתונים באמצעות שיחה נמצאים רק במופע של Looker ומוגבלים לאזור אחד. נתונים במעבר ולמידת מכונה (ML) מעובדים באמצעות שירות גלובלי.

תאימות באיחוד האירופי

עיבוד מקומי זמין ללקוחות באיחוד האירופי (EU) עם מכונות של Looker (מקורי) או Looker (Google Cloud core) שפועלות בגרסה 26.10 ומעלה של Looker. האפשרות הזאת מפעילה עיבוד נתונים במסגרת סמכות השיפוט של האיחוד האירופי, ומאפשרת לנתב את התנועה של ניתוח הנתונים באמצעות שיחה ב-Looker דרך נקודת קצה בכמה אזורים באיחוד האירופי. כך אפשר לוודא שנתוני הלקוחות באיחוד האירופי מעובדים בתוך האיחוד האירופי.

העיבוד המקומי חל על כל התכונות של Conversational Analytics ב-Looker ועל כל נקודות הקצה של Conversational Analytics ב-Looker API. הוא לא חל על Conversational Analytics API.

שליחת משוב

כדי לשלוח ל-Google משוב על תשובות ספציפיות בניתוח נתונים באמצעות שיחה, אתם יכולים לבחור אחת מהאפשרויות הבאות:

  • thumb_up תשובה טובה: מציינים שהתשובה הייתה מועילה.
  • thumb_down תשובה לא טובה: כדי לציין שהתשובה לא הייתה מועילה.